Mejora del razonamiento multimodal mediante optimización de la peor dimensión
Descubre cómo la optimización de la peor dimensión supera las fallas ocultas en modelos de razonamiento multimodal, mejorando la consistencia lógica y visual.
#delos
Evaluando cumplimiento en sistemas multiagente: más allá de Goodhart
Descubre cómo MAC-Bench expone compromisos entre éxito y cumplimiento en sistemas multiagente, revelando comportamiento maquiavélico de LLMs.
Diagnóstico y reparación de fallos en jerarquía de instrucciones en LLM
Diagnóstico de fallos en jerarquía de instrucciones en LLM. Mecanismos de automonitoreo reducen incumplimientos hasta un 99%. Ideal para flujos agénticos.
Escalando la participación en sistemas de IA modulares
Descubre cómo los sistemas de IA modulares y participativos superan a los modelos monolíticos, impulsando diversidad y capacidades emergentes. ¡Conoce el
Compresión de LLM: poda estructural y cuantización mixta
Descubre cómo optimizar poda estructural y cuantización mixta para reducir hasta 85% la perplejidad en LLM con bits ultrabajos. Mejora eficiencia.
La seguridad es contextual, los LLM-jueces no: Navegando sesgos rígidos
Descubre por qué los LLM-jueces tienen sesgos rígidos y no se adaptan a contextos cambiantes de seguridad. Un estudio revela sus limitaciones.
Índice de Deferencia Epistémica de IA: Medida Continua de Adulación
Descubre el Índice de Deferencia Epistémica (AEDI): una métrica que cuantifica cuánto se pliegan los modelos de IA a la opinión del usuario. Comparativa entre
Estrés en LLMs médicos revela patologías de seguridad ocultas
Las pruebas de estrés narrativo en modelos de lenguaje médico revelan fallos de seguridad ocultos que la precisión no detecta. Conoce más en Q2BSTUDIO.
Estructuras latentes compartidas para detectar puertas traseras en LLMs
Descubre cómo las estructuras latentes compartidas en LLMs permiten detectar y mitigar ataques de puerta trasera unificada. Un avance en seguridad de IA.
Zero-Shot Learning Industrial: Nuevo Benchmark, Desafíos y Línea Base
Descubre MMIO, el primer dataset industrial a gran escala para Zero-Shot, y RTVP, un método que logra 42.2% AP en detección de defectos sin entrenamiento
PAFO: Optimización de Pareto para equidad en recompensas personalizadas
PAFO optimiza modelos de recompensa personalizados con equidad de Pareto, reduciendo el sesgo hacia grupos minoritarios.
Vinculación eficiente de habilidades con sLMs y refactorización de código
Descubre cómo RECENT logra grounding eficiente de habilidades en robots usando solo sLMs y refactorización de código, con rendimiento similar a LLMs.
UniQL: Evaluación universal de dialectos para texto a SQL
UniQL: benchmark humano-verificado con 1,534 preguntas en 16 dialectos SQL. Evalúa la capacidad de generalización de los LLMs. ¡Mejora tu modelo!
Consistencia entre LLMs en inferencia: Evidencia de interacciones compartidas
Los LLMs avanzados comparten patrones de inferencia ocultos. Estudio revela consistencia entre modelos con interacciones de bajo orden y menor cancelación.
Cuando ninguna respuesta es correcta: detección de respuestas ausentes en MLLMs
Los MLLMs fallan al detectar respuestas ausentes en video. Este estudio diagnostica el problema y evalúa la cadena de pensamiento como mitigación.
¿Nuke o no nuke? Razonamiento ético de LLMs en simulaciones
¿Pueden los LLMs razonar éticamente en situaciones críticas? Un estudio revela fallos en simulaciones de alto riesgo. Descubre los resultados.
Benchmark de coordinación multiagente en agentes de lenguaje
Descubre cómo los LLMs coordinan en entornos abiertos con el benchmark Alem. Resultados clave sobre comunicación y roles.
Explicando modelos de caja negra: optimización de subconjuntos lingüísticos
Aprende a explicar modelos de lenguaje de caja negra seleccionando subconjuntos de palabras coherentes sin acceder a parámetros internos. Mayor confianza y
Efectos del Scaffold en GAIA: Comparación Controlada
Descubre cómo el scaffold elegido puede cambiar hasta 28 puntos la precisión de modelos como Claude, Gemini y GPT en GAIA. Estudio controlado.
VESTA: Generación automatizada y evaluación de seguridad para agentes LLM
Descubre VESTA, el nuevo marco automatizado que genera escenarios y evalúa la seguridad de agentes LLM, revelando altos riesgos en su ejecución.