¿Qué hotel recomienda la IA? Auditoría de señales en selección hotelera
Auditoría algorítmica revela cómo los LLM recomiendan hoteles: precio y calificación mandan, pero el orden de lista influye como si costara 12€/noche.
#delos
Fusión post-hoc insuficiente: Fusión many-shot con equilibrio de pérdida
METIS: fusión many-shot con equilibrio de pérdida para superar interferencia entre tareas y evitar borrado de información. Mejora la peor tarea.
Fusión post-hoc insuficiente: Fusión multi-tiro con equilibrio de pérdida
Descubre cómo METIS supera la fusión post-hoc de modelos de lenguaje, evitando la interferencia entre tareas y mejorando el rendimiento multi-tarea. Aprende
Kairos: Un Stack Nativo de Modelos del Mundo para IA Física
Descubre Kairos, el stack nativo de modelos del mundo para IA física. Aprende de datos heterogéneos, mantiene estados persistentes y ejecuta en hardware real
ARB4WM: Benchmark adversarial para modelos del mundo en control continuo
Evalúa la robustez adversarial de tus modelos del mundo con ARB4WM. Este benchmark unificado revela vulnerabilidades en control continuo y cómo defenderte.
CoffeeBench: Benchmark para Agentes LLM de Largo Plazo en Economías Multiagente
CoffeeBench: ¿Pueden los agentes LLM gestionar una empresa de café por 90 días? Este benchmark revela diferencias clave entre modelos. ¡Descubre los resultados!
Modelos mundiales médicos: estados, dinámicas e intervenciones
Descubre cómo los modelos mundiales médicos simulan la evolución de enfermedades y guían intervenciones clínicas personalizadas. Una revisión de la IA en salud.
Skill-to-LoRA: De habilidades a comportamientos para agentes LLM
Descubre Skill-to-LoRA: convierte instrucciones de agentes LLM en módulos de comportamiento entrenables, mejorando precisión y reduciendo tokens. Optimiza tus
OpenClaw-Skill: Búsqueda Colectiva en Árbol de Habilidades para LLMs
Descubre cómo OpenClaw-Skill construye un árbol de habilidades colectivas para mejorar la planificación y el uso de herramientas en LLMs agentivos. ¡Aprende
Seguridad adaptativa: activar conciencia latente en modelos de razonamiento
Descubre cómo los modelos de razonamiento activan su conciencia de seguridad latente con SFT y DPO, reduciendo ataques hasta un 36%.
Razonamiento de LLM con pocas etiquetas: marco semisupervisado con verificador ligero
Descubre cómo un marco semisupervisado con verificador ligero permite que los LLM aprendan a razonar con solo unas pocas etiquetas, logrando precisión
GIST-CMTF: Inferencia de estado objetivo para filtrado de herramientas
Descubre cómo GIST-CMTF mejora la precisión de agentes LLM al inferir estados objetivo, reduciendo errores de ejecución del 19.4% al 2.5% con un 97% de éxito.
Inferencia y Auditorías Bayesianas en Evaluaciones Públicas de IA
Descubre cómo la inferencia bayesiana y las auditorías de decisiones permiten verificar la validez de evaluaciones públicas de modelos de IA avanzados.
MiroBench: Evaluando el realismo en simulaciones de discusiones reales con IA
Descubre MiroBench, un benchmark que evalúa si los agentes de IA replican fielmente las dinámicas de discusiones reales en Reddit. ¿Son realmente realistas?
RAMS: Cambio de modelo condicionado por detección y recursos
RAMS optimiza la detección de objetos en el borde con cambio de modelo adaptativo. Mejora la precisión VRU un 47% bajo presión de recursos en Raspberry Pi y
¿Tienen emociones los grandes modelos de lenguaje?
¿Los grandes modelos de lenguaje pueden tener emociones? Un estudio de Anthropic sobre Claude sugiere emociones funcionales. Analizamos la evidencia y el
MMLongEmbed: Evaluación de modelos de embeddings multimodales en contextos largos
MMLongEmbed: el primer benchmark para evaluar modelos de embeddings multimodales en escenarios de contexto largo. Descubre sus hallazgos clave.
¿Mis datos de visión-lenguaje entrenaron tu IA? MINT Demo 2
Descubre MINT Demo 2, una herramienta para auditar si tus datos de visión-lenguaje fueron usados en entrenar modelos de IA. Hasta 90% de precisión.
Semantic DLM+: Equilibrio sesgo-varianza en modelos de difusión
SemDLM+ mejora modelos de difusión de lenguaje al equilibrar sesgo y varianza en el diseño del kernel de transición, logrando generación de texto diversa y
DiRecT: Planificación segura con modelos de difusión y horizonte deslizante
Descubre DiRecT, un algoritmo de planificación segura sin entrenamiento que aplica restricciones solo a la trayectoria final, mejorando seguridad y rendimiento