SAGE: Puerta de Novedad para Evolución Eficiente de Memoria en LLMs Agénticos
Descubre SAGE, el innovador gate que optimiza la memoria de LLMs agenticos: reduce costos de API 3.4x y latencia 2.5x manteniendo calidad.
#eficiencia computacional
Escalando aprendizaje de grafos de alto orden con complejos de cliques maximales
Descubre cómo los complejos de cliques maximales escalan el aprendizaje de grafos de alto orden con mayor eficiencia y sin perder expresividad.
Hermes: razonamiento matemático eficiente y verificable en LLMs
Descubre Hermes: agente que combina razonamiento informal y verificación formal en Lean para mejorar precisión matemática en LLMs un 40% con 80% menos coste.
DTop-p MoE: Control dinámico de esparcidad en preentrenamiento de modelos
Descubre DTop-p MoE, un nuevo mecanismo de enrutamiento dinámico que aprende el umbral de probabilidad para controlar la esparcidad, superando a Top-k y Top-p fijo en modelos fundacionales.
MedCoG: Maximizando la densidad de inferencia de LLM en razonamiento médico
MedCoG optimiza el razonamiento médico de LLM con metacognición, logrando 6.2x más densidad de inferencia. Reduce costos y mejora precisión.
PRISM: Selección Intrínseca de Datos Multimodales sin Entrenamiento
Descubre PRISM, un método que selecciona datos de instrucción visual sin entrenamiento, reduciendo costes y mejorando el rendimiento de modelos multimodales.
Autovectores de expertos: enrutamiento sin colapso y sin entrenamiento
Descubre cómo SSMoE aprovecha los autovectores de los expertos para un enrutamiento sin colapso, mejorando modelos SMoE sin entrenamiento adicional.
Condensación eficiente y escalable de grafos con preservación de estructura
Conoce SP-ESGC: método eficiente y escalable para condensar grafos preservando estructura. Mejora generalización y reduce costos computacionales.
Modelado de series temporales multiescala generalizado con un solo operador
Descubre cómo SiGMA generaliza el modelado multiescala de series temporales con un solo operador, logrando 5.3x más velocidad y 3.8x menos memoria.
DG-CoLearn: Un marco eficiente de aprendizaje colaborativo para grafos dinámicos
Descubre DG-CoLearn: acelera hasta 33.8x el aprendizaje en grafos dinámicos con privacidad estructural y mejora del 13% en precisión.
DRIFT: Optimización eficiente de modelos de lenguaje en múltiples turnos
DRIFT optimiza modelos de lenguaje en múltiples turnos con eficiencia de SFT y rendimiento de RL. Descubre cómo.
¿Es suficiente la última capa para cuantificar la incertidumbre?
Descubre por qué la linearización de la última capa ofrece una cuantificación de incertidumbre comparable a la de toda la red, con mucha mayor eficiencia computacional. Estudio teórico y empírico.
S3LDBO: Algoritmo de bucle único con instantáneas para optimización descentralizada
Descubre S3LDBO, algoritmo de optimización bilevel descentralizada que reduce cómputo con instantáneas, mejorando eficiencia en redes de IA.
OddSHAP: El estimador impar de Shapley
OddSHAP revoluciona la estimación de valores Shapley. Al aislar el componente impar, logra una precisión superior en atribución de ML. Descubre el nuevo benchmark.
Modelos pequeños: exploradores naturales para diversidad en GRPO
Descubre cómo los modelos pequeños mejoran la diversidad en GRPO y entrenan modelos grandes con mayor eficiencia. Aumenta el rendimiento en razonamiento matemático.
ConMoE: Consolidación del grupo de expertos mediante reasignación de prototipos para la compresión de MoE
ConMoE: consolidación de grupos de expertos con reasignación de prototipos para compresión de MoE. Descubre cómo comprimir modelos MoE optimizando eficiencia y rendimiento.
Destilación de Contexto como Gestión de Memoria Latente
Gestión eficiente de memoria latente con destilación de contexto para optimizar el rendimiento y reducir costos.
BlockBatch: Decodificación de Consenso Multi-Escala para Inferencia Eficiente de Modelos de Lenguaje de Difusión
<meta name=description content=BlockBatch optimiza la inferencia en modelos de difusión mediante consenso multi-escala, logrando mayor eficiencia y velocidad sin sacrificar calidad.>
OccamToken: Inferencia eficiente de VLM con poda de tokens sin entrenamiento y adaptativa al presupuesto
OccamToken: poda de tokens sin entrenamiento y adaptativa al presupuesto para VLM. Reduce costos computacionales manteniendo precisión.
AsymVLM: Poda Asimétrica de Tokens para Inferencia Eficiente de Modelos de Visión y Lenguaje
Poda asimétrica de tokens para inferencia eficiente en VLM. Acelera modelos de visión-lenguaje sin sacrificar precisión. Técnica optimizada.