Cuando el siguiente paso no es uno solo: modelado de ejecución para Go
Descubre cómo el modelado basado en distribución supera a Gemini en precisión y calibración al predecir eventos en programas Go concurrentes. Un enfoque
#fine-tuning
De la deriva a la coherencia: estabilizando creencias en LLMs
Descubre cómo LLMs estabilizan creencias en preguntas múltiple opción con resampling y autocoherencia, mejorando coherencia predictiva sin perder precisión.
El siguiente paso no es único: modelado en Go
Aprende cómo un nuevo método de fine-tuning con distribución empírica predice eventos en Go con 36.2% de precisión, superando a modelos líderes como Gemini.
De la deriva a la coherencia: estabilizando creencias en LLMs
Descubre cómo los LLMs estabilizan creencias con muestreo predictivo y fine-tuning, mejorando coherencia sin perder precisión.
Marco de descomposición de riesgo para predicción pre-hoc en fine-tuning
Descubre un marco teórico que descompone el riesgo en el fine-tuning de LLMs, permitiendo predecir el rendimiento sin costosos entrenamientos. Optimiza tus
TuneAhead: Predice el rendimiento del fine-tuning antes del entrenamiento
TuneAhead predice el rendimiento del fine-tuning de LLMs antes de entrenar. Ahorra recursos con diagnósticos SHAP. ¡Prueba este marco ligero!
OmniMem: Compresión de memoria para LLMs audiovisuales en streaming
Descubre OmniMem, el marco eficiente que comprime memoria de LLMs audiovisuales en streaming, mejorando precisión hasta un 4% sin sacrificar comprensión de
Control composicional condicionado por ancla en paisajes
Descubre cómo un nuevo método de fine-tuning con anclas mejora el control composicional en paisajes: 0.850 en horizonte, 0.817 en regla de tercios.
Stage-1: control de entropía, no del resultado
Descubre cómo el Stage-1 en el post-entrenamiento de VLMs controla el régimen de entropía, pero no mejora significativamente el resultado final. Estudio con
VIOLIN: Sesgo espacial en Vision Transformers con curvas de relleno de espacio
VIOLIN inyecta sesgo espacial en Vision Transformers con curvas de relleno. Mejora modelos pequeños y datos limitados, hasta +8.7% de precisión.
Contribuciones cruzadas en modelos continuos de visión-lenguaje
Descubre cómo las contribuciones cruzadas entre visión y lenguaje mejoran la estabilidad y generalización en modelos continuos. Una perspectiva teórica
Benchmarking data-centric de exploits en LLMs: impacto del fine-tuning
El benchmark data-centric revela que el fine-tuning de modelos pequeños mejora un 42% la generación de exploits, superando a modelos propietarios.
Ponderación Jerárquica de Ventajas para Aprendizaje por Refuerzo Online de VLAs
Descubre HABC: mejora el fine-tuning de políticas VLA con recompensas binarias, alcanzando hasta un 92% de éxito en manipulación bimanual.
¿Son fiables los monitores de seguridad tras una actualización?
Descubre por qué los monitores de seguridad pierden fiabilidad tras fine-tuning, mientras la cuantización es más estable. Predice y prioriza su revalidación.
EEG-FM-Bench: Un benchmark integral para modelos EEG fundamentales
Explora EEG-FM-Bench, el benchmark integral para evaluar modelos fundamentales de EEG. 14 datasets y 10 paradigmas para análisis justo.
SDFLoRA: Fine-Tuning Federado con LoRA Selectivo y Desacoplado
Descubre SDFLoRA: fine-tuning federado con LoRA selectivo y desacoplado que protege la privacidad y maneja clientes heterogéneos.
Más allá de la corrección: mejorando el razonamiento arquitectónico en LLMs de código
Descubre cómo un pipeline de juicio agente mejora el razonamiento arquitectónico en LLMs de código, logrando hasta un 540% de mejora en SWE-bench. ¡Lee más!
Autoencoder Disperso Racional
Descubre cómo el Autoencoder Disperso Racional (RSAE) mejora la interpretabilidad de modelos de IA con una activación entrenable, superando a SAE tradicionales.
SpeechLLM afinado para evaluación L2 multigranular y explicaciones
Aprende sobre el SpeechLLM que evalúa el nivel de L2 con precisión multigranular y genera razonamientos en lenguaje natural para mayor transparencia.
TempoBench: Evaluando el razonamiento causal temporal en LLMs
TempoBench revela: LLMs logran 96% en simulación pero <25% en causalidad mínima. Fine-tuning en este benchmark mejora el razonamiento causal.