Preferencia paradójica por el ruido en RNN
Descubre por qué las RNN entrenadas con ruido funcionan mejor con ese mismo ruido. Un análisis sorprendente de la dinámica estocástica.
#entrenamiento
Cómo construí mi propio entrenador de IA gratis y dejé de pagar apps de fitness
Descubre cómo crear tu propio entrenador de IA gratuito que analiza tus datos de Garmin, se adapta al clima y te habla por Telegram. ¡En solo 30 minutos!
Soy maratonista: lo que más me sorprendió de Hyrox
Descubre lo que más sorprendió a un maratonista en su primera competencia Hyrox. ¿Es más duro que un maratón? Lee la comparativa.
Escalado temporal universal de 1/3 en distribuciones puntiagudas
El entrenamiento de LLMs converge lentamente por una razón fundamental: softmax y entropía cruzada generan un escalado de pérdida universal 1/3. Descubre las implicaciones.
Datos sintéticos de calidad permiten primeras leyes de escalado para LLMs en recomendación
Descubre cómo datos sintéticos de calidad permiten las primeras leyes de escalado para LLMs en recomendación, superando datos reales.
Transformers con normalización de capa aprenden el método de potencia
Transformers con normalización de capa aprenden el método de potencia por gradiente descendente, revelando un sesgo algorítmico que mejora la predicción de componentes principales.
Entrenamiento Cognitivo por Pares para Mejorar la Metacognición en LLMs
El nuevo método CPT mejora el equilibrio entre razonamiento y metacognición en LLMs, logrando +2.2 puntos en matemáticas y +5.2 en F1 de abstención. Descubre cómo.
CryoProt: Preentrenamiento de proteínas con interacciones en crio-EM
CryoProt revoluciona el análisis de proteínas con IA: modela interacciones entre cajas en mapas crio-EM para predicciones precisas. Mejora hasta un 12%.
Funciones de Confianza: Generalización Débil a Fuerte sin Pérdidas
Aprende cómo las funciones de confianza filtran etiquetas débiles para lograr generalización casi sin pérdidas. Mejora tu IA.
TrOPD: Destilación On-Policy con Región de Confianza
TrOPD estabiliza la destilación on-policy de LLMs usando regiones de confianza, superando la divergencia profesor-alumno. Mejora razonamiento, código y benchmarks.
Destilación On-Policy en Región de Confianza
TrOPD estabiliza la destilación on-policy en LLMs con regiones de confianza. Supera a OPD, EOPD y REOPOLD en razonamiento y código. ¡Descubre cómo!
FSA: De características a dinámicas en predicción zero-shot de series temporales
Descubre FSA: método que transforma características en dinámicas para predecir series temporales nunca vistas, superando a Transformers con menos datos.
GPTQ-intrinsic LoRA: Cuantización de baja precisión con adaptación de bajo rango
GPTQ-intrinsic LoRA: mejora la cuantización de baja precisión con corrección de bajo rango. Algoritmo casi óptimo para modelos grandes.
GPTQ-intrinsic LoRA: algoritmo cuasióptimo para cuantización y adaptación de bajo rango
GPTQ-intrinsic LoRA combina cuantización de baja precisión y adaptación de bajo rango para comprimir redes neuronales. Algoritmo sin entrenamiento mejora modelos como Qwen3 y DeiT.
OmniOPD: Destilación On-Policy sin Logits con Verificación Especulativa
Descubre OmniOPD: destilación on-policy sin logits que mejora matemáticas +28% y supera a modelos propietarios.
CRePE: Poda post-entrenamiento con importancia relativa convolucional
Descubre CRePE, método de poda post-entrenamiento para LLMs que reduce costos sin perder precisión, y PHO que acelera la búsqueda de hiperparámetros.
Marco teórico para autoaprendizaje en demostración de teoremas
Descubre el marco teórico para algoritmos de auto-play que logran crecimiento exponencial de teoremas probados, con mejora de diversidad usando similitud de difusión.
SceneSmith: generación de escenas interiores realistas para simulación con IA
SceneSmith: genera escenas interiores realistas con IA para simulación robótica. Hasta 6x más objetos, <2% colisiones, 96% estables.
Aprende tokenización de extremo a extremo con aprendizaje por refuerzo
Descubre cómo usar aprendizaje por refuerzo para aprender tokenización end-to-end, mejorando el rendimiento de modelos de lenguaje a gran escala.
Picos masivos en LLMs: vectores de sesgo y cuantización sin picos
Descubre cómo los picos masivos en LLMs son vectores de sesgo y cómo la cuantización sin picos revoluciona la eficiencia de los modelos de IA. ¡Optimiza tu AI!