DAGGER: Redes Amplificadoras Transitorias sin Gradiente
Descubre DAGGER, el nuevo algoritmo sin gradiente que construye redes amplificadoras transitorias con restricciones de conectividad. Hasta 100 veces más rápido.
#dispersa
Aprendizaje en línea flexible de representaciones por similitud
Algoritmo en línea biológicamente plausible para representaciones dispersas e invariantes. Ideal para clustering, teselado y codificación en grandes datos.
La auditoría de políticas casi óptimas puede ser exponencialmente difícil
Descubre por qué auditar políticas casi óptimas en RL puede ser exponencialmente difícil. Analizamos cotas inferiores de consulta y la capacidad Rashomon.
MURMUR: Sistema eficiente de inferencia para ASR de larga duración
Murmur: sistema de inferencia para ASR de larga duración que reduce la latencia 4.2x sin degradar la precisión. Atención dispersa y evicción de caché KV.
Mueve la consulta, no el caché: atención entre instancias GPU
Mueve la consulta en lugar del caché KV y reduce la latencia en atención entre GPUs. Optimiza clusters H100 con RDMA.
Aprendizaje de representación invariante al comportamiento con Transformers en meta-RL offline
Nuevo framework integra representaciones invariantes y modelos mundiales con Transformers para superar desafíos de generalización en meta-RL offline. Mayor estabilidad y adaptación.
MiniMax-M3 debuta: supera GPT-5.5 y Gemini 3.1 Pro en benchmarks por 5-10% costo
MiniMax-M3: el modelo de IA abierto que supera a GPT-5.5 y Gemini en benchmarks clave, por solo el 5-10% del costo. ¡Conoce sus capacidades!
MiniMax M3: arquitectura MSA, contexto 1M y multimodalidad nativa
MiniMax lanza M3 con arquitectura MSA, contexto de 1M de tokens y multimodalidad nativa. Supera a GPT-5.5 en SWE-Bench Pro. API ya disponible.
Inferencia Bayesiana Escalable para Leyes de Conservación No Lineales
Aprende cómo la inferencia bayesiana escalable con procesos gaussianos resuelve problemas inversos en segundos, superando a métodos de deep learning.
Einops gráficos: uniendo redes tensoriales y grafos de cómputo
Aprende cómo el cálculo gráfico einops permite demostraciones visuales de equivarianza y optimiza atención dispersa.
Light Interaction: Aceleración sin entrenamiento para modelos de video interactivos
Light Interaction acelera hasta 2.59x la inferencia de modelos de video interactivos sin reentrenamiento, manteniendo calidad visual. Ideal para simulación y navegación virtual.
OBCache: poda óptima de caché KV para LLMs de contexto largo
Descubre OBCache, la técnica de poda de caché KV que optimiza la memoria en LLMs para inferencia en contextos largos sin sacrificar precisión.
Perspectiva de energía cinética del Flow Matching
Descubre cómo la energía cinética revela fidelidad semántica en modelos de flujo. El principio de Goldilocks y KTS optimizan la generación.
Una Vista Geométrica de SRC: Aprendizaje de Representaciones para Inferencia Residual Estable
<meta content=Descubre el aprendizaje de representaciones geométricas para inferencia residual estable en SRC. Mejora la precisión y robustez en clasificación con representaciones avanzadas.> Nota: Asegúrate de que el atributo name=description esté presente. Como la instrucción pide solo el contenido dentro de <meta>, no incluí name. En la práctica sería <meta name=description content=...>. Para cumplir exactamente, se omite name.
Dinámica del Momento Estocástico con Actualizaciones Dispersas en Altas Dimensiones
<meta content=Descubre cómo el momento estocástico optimiza actualizaciones dispersas en altas dimensiones. Aprende su impacto en el aprendizaje automático y la eficiencia computacional.>
Rectified LpJEPA: Arquitecturas Predictivas de Incrustación Conjunta con Representaciones Dispersas y de Máxima Entropía
<meta name=description content=Descubre Rectified LpJEPA, una arquitectura predictiva de incrustación conjunta que combina representaciones dispersas y máxima entropía para mejorar el aprendizaje autosupervisado. Ideal para investigadores en IA.>
No más K-means: Codificación dispersa de una sola etapa para una recuperación eficiente de múltiples vectores
Codificación dispersa de una etapa para recuperación multi-vector eficiente sin K-means. Descubre cómo optimizar búsquedas vectoriales con este método innovador.
HPO: Optimización de Políticas Histéricas para un Entrenamiento Estable y Eficiente bajo Régimen de Recompensas Dispersas
<meta name=description content=HPO optimiza el entrenamiento de IA con recompensas dispersas: estable, eficiente y robusto. Descubre cómo mejorar tus modelos.>
Menos es suficiente: Sintetizando datos diversos en el espacio de características de LLM con autoencoders dispersos
Descubre cómo los autoencoders dispersos optimizan la síntesis de datos diversos en LLMs, mejorando su eficiencia y capacidad de representación.
Cuando el diseño de recompensas de los LLM falla: Refinamiento impulsado por diagnóstico para RL estructurada dispersa
<meta content=Diagnóstico y refinamiento de recompensas en LLM cuando falla el RL disperso. Aprende a identificar y corregir errores en el diseño de recompensas para mejorar el entrenamiento>