PRISM: Muestreo de Acciones Guiado por Prior en Modelos del Mundo
Descubre PRISM, un marco que mejora el muestreo de acciones en modelos del mundo. Aumenta el éxito hasta un 35% en control continuo.
#delos
MC-PDD: Detectando datos de preentrenamiento en LLMs de caja negra
Descubre MC-PDD, un método innovador que detecta si un dataset se usó en el entrenamiento de LLMs de caja negra, usando solo acceso API. Ideal para auditoría y
Mejorando la interpretabilidad y seguridad de la IA con arquitecturas localizadas
Las arquitecturas localizadas mejoran la interpretabilidad y seguridad de la IA. Descubre sus ventajas frente a los modelos masivos.
El resumen automático no ha muerto
¿Los resúmenes de IA son mejores que los humanos? Un estudio revela que los humanos aún ganan en fidelidad y veracidad. Descubre por qué el resumen no ha
RLSR: aprendizaje por refuerzo para reescritura de fuentes en MT
RLSR entrena un modelo de reescritura de 4B con aprendizaje por refuerzo, mejorando la traducción automática en 16 pares de lenguas y superando a modelos de
GVC-Seg: Segmentación 3D sin entrenamiento por correspondencia visual-geométrica
GVC-Seg segmenta instancias 3D sin entrenamiento, elimina sesgo de confianza usando correspondencia geométrico-visual. Resultados de vanguardia.
NutriMLLM: Modelos Multimodales para Análisis de Micronutrientes
Descubre NutriMLLM, un modelo de IA entrenado con 1.1M de imágenes sintéticas para estimar hasta 65 micronutrientes a partir de fotos de comida.
CARE: Capa de seguridad conforme para resúmenes médicos
CARE es una capa de seguridad que ofrece garantías formales contra alucinaciones y omisiones en resúmenes médicos de IA. Reduce la carga de revisión hasta 5x.
Entrenamiento Consciente de Cuantización: Gradientes hacia la Cuenca de Baja Pérdida
Descubre cómo un nuevo marco geométrico explica por qué el Entrenamiento Consciente de Cuantización (QAT) recupera la precisión perdida en cuantización extrema.
TLDR: Compresión de Tokens de Audio para TTS Autoregresivo Eficiente
Descubre TLDR, la técnica que acelera hasta 1.8x el TTS autoregresivo reduciendo la memoria KV cache en 75% mediante parches de tokens. ¡Optimiza tus modelos!
SafeRun: Planificación Determinista con LLM para Running
SafeRun garantiza un 100% de seguridad en planes de running con IA determinista. Descubre cómo separa interpretación blanda de restricciones duras.
ATM: Matriz para Diagnosticar Modelos del Mundo Latente
ATM te permite diagnosticar y mejorar modelos del mundo latente con una matriz de transferencia que acelera la evaluación más de 100x, sin necesidad de
TRIAGE: Razonamiento dialéctico para predicción de riesgo en series médicas
Descubre cómo TRIAGE utiliza razonamiento dialéctico con LLMs para predecir riesgos clínicos de forma explicable, reduciendo errores de calibración en un 81%.
INFUSER: Auto-evolución guiada para mejorar el razonamiento
Descubre INFUSER, el innovador marco que permite a modelos de lenguaje mejorar su razonamiento mediante auto-evolución guiada por influencia. Resultados
Stage-1: control de entropía, no del resultado
Descubre cómo el Stage-1 en el post-entrenamiento de VLMs controla el régimen de entropía, pero no mejora significativamente el resultado final. Estudio con
Ve más, piensa más profundo: Evidencia visual expandida y reflexión guiada
Aprende cómo CoVER revoluciona la comprensión de videos largos con evidencia visual expandida y reflexión guiada.
Riesgos de privacidad en modelos multimodales de lenguaje: vulnerabilidades y mitigación
Descubre cómo los modelos multimodales de lenguaje pueden exponer datos sensibles en imágenes. Analizamos vulnerabilidades y la urgente necesidad de
Esteganografía sin modificación: comunicación oculta mediante semillas de LLM
Descubre cómo los modelos de lenguaje ocultan mensajes en semillas PRNG sin alterar su código. Esteganografía sin modificación. ¡Lee!
Decodificando la intención de cruce peatonal con modelos de visión y lenguaje
Investigación que utiliza modelos de lenguaje y visión para predecir intención de cruce peatonal desde vídeos egocéntricos, con un 14.5% más de precisión.
SEF-CLGC en SemEval-2026: Impacto de la Notación Lógica en Modelos de Lenguaje
Descubre cómo SEF-CLGC combina notación lógica y SLMs para evaluar razonamiento en IA, reduciendo sesgo y logrando 27.80% de contenido.