COLLEAGUE.SKILL: Skills IA Generados con Destilación Experta
Transforma conocimiento experto en skills de IA portátiles y corregibles con COLLEAGUE.SKILL. Descubre su flujo de trabajo y despliegue.
#destilación
LARK: Selección de trayectorias de razonamiento basada en aprendibilidad
Descubre LARK: selecciona trayectorias de razonamiento basadas en la aprendibilidad del estudiante para una destilación eficiente. ¡Optimiza tus modelos!
Inferir eventos de series temporales con modelos de lenguaje
Descubre cómo los modelos de lenguaje infieren eventos a partir de series temporales usando datos deportivos. Un nuevo benchmark y técnicas de destilación mejoran el rendimiento.
Capacidad del estudiante modera la destilación de conocimiento en ResNet
La capacidad del estudiante modera la destilación de conocimiento. Estudio en ResNet con CIFAR-10 muestra que Feature-KD supera a Logit-KD en ciertos casos.
El olvido tiene vecinos: olvido colateral localizado
El olvido colateral localizado afecta a datos cercanos al desaprender en machine unlearning. Descubre cómo mitigarlo con destilación de profesor local.
Decodificación especulativa para múltiples idiomas
Descubre cómo mejorar la decodificación especulativa en idiomas no ingleses. Comparamos fine-tuning y modelos n-grama para acelerar la generación de texto multilingüe.
Indistinguibilidad conductual acotada para destilación de LLM
¿Es suficiente la similitud semántica para destilar LLMs? Evaluamos indistinguibilidad conductual con adversarios y consultas acotadas. Resultados clave con Qwen y Llama.
Cuando el Maestro No Puede Ayudar: Combatiendo la Decadencia de Fidelidad en Destilación
Lookahead Group Reward combate la degradación de fidelidad en destilación on-policy, mejorando el razonamiento en modelos de IA hasta 4.92 puntos en AIME-26.
DEM: Modelo Explicativo Destilado para Anomalías en Sensores
Descubre DEM, un modelo de detección de anomalías interpretable y ultrarrápido para redes de sensores fisiológicos. Precisión del 99.64% sin sacrificar explicabilidad.
Mezcla de Comportamiento con Región de Confianza para Destilación On-Policy
Descubre cómo TRB mejora la destilación on-policy con mezcla de comportamientos y región de confianza, logrando mejores resultados en razonamiento matemático.
Personalización del currículo: Destilación de razonamiento centrada en el estudiante mediante la compatibilidad dinámica datos-modelo
<meta name=description content=Personalización del currículo con destilación de razonamiento centrada en el estudiante y compatibilidad dinámica datos-modelo. Optimiza el aprendizaje adaptativo de forma eficaz.>
OptSkills: Aprendizaje de habilidades de optimización generalizables a partir de arquetipos de problemas mediante destilación basada en clústeres
<meta content=Descubre como aprender habilidades de optimización generalizables desde arquetipos mediante destilación por clústeres. Tecnica innovadora para mejorar el rendimiento y la transferencia de conocimiento.>
TaxDistill: Mejorando la anotación taxonómica metagenómica mediante modelos fundacionales genómicos destilados
<meta name=description content=TaxDistill optimiza la anotación taxonómica metagenómica mediante modelos fundacionales destilados. Precisión y eficiencia mejoradas.>
Destilación de Contexto como Gestión de Memoria Latente
Gestión eficiente de memoria latente con destilación de contexto para optimizar el rendimiento y reducir costos.
OISD: Autodestilación interna on-policy de modelos de lenguaje
<meta name="description" content=Autodestilación on-policy en modelos de lenguaje: optimiza el entrenamiento de LLMs mediante destilación de conocimiento con políticas actualizadas para mayor eficiencia y rendimiento.>
GDSD: Aprendizaje por Refuerzo como Autodestilación Guiada del Denoizador para Modelos de Lenguaje de Difusión
Descubre GDSD: una técnica de autodestilación guiada con aprendizaje por refuerzo que optimiza modelos de difusión de lenguaje. Mejora eficiencia y rendimiento.
Destilación eficiente con preservación del razonamiento de grandes modelos de lenguaje mediante inicialización consciente de la activación
<meta name=description content=Descubre cómo la destilación eficiente de LLMs preserva el razonamiento mediante inicialización consciente de activación. Optimiza modelos grandes sin perder capacidad de inferencia.>
SGMD: Destilación de emparejamiento de gradiente de puntuación para destilación de difusión de video en pocos pasos
SGMD: destilación de video en pocos pasos con emparejamiento de gradiente de puntuación. Optimiza modelos de video de forma eficiente con esta técnica innovadora.
Destilación Colaborativa Multinivel se encuentra con el Modelo de Espacio de Trabajo Global: Un Marco Unificado para OCIL
Marco unificado para OCIL que integra destilación colaborativa multinivel y modelo de espacio de trabajo global. Aprendizaje colaborativo eficiente y escalable.
Una ley predictiva para la autodestilación en política a partir de la retroalimentación del mundo
<meta content=Autodestilación política y ley predictiva basada en retroalimentación global. Análisis de cómo la retroalimentación global moldea sistemas políticos y predicciones.>