Por qué los estudiantes DMD son perezosos? Entendiendo el copiado en destilación
Descubre por qué los estudiantes DMD copian al maestro en la destilación de pocos pasos. Un fenómeno emergente en alta dimensión que desafía las expectativas.
#fusión
De ruido a orden: ranking con difusión generativa
Descubre cómo DiffusionRank usa modelos generativos de difusión para mejorar el aprendizaje por ranking en recuperación de información, superando métodos tradicionales.
BlockGen: Modelado flexible de secuencias por bloques con muestreadores híbridos
Descubre BlockGen: combina difusión uniforme y enmascarada con muestreo híbrido para generar secuencias por bloques de alta calidad. Supera modelos previos.
IDLM: modelos de lenguaje de difusión inversa 64x más rápidos
IDLM acelera modelos de lenguaje de difusión hasta 64x sin perder calidad. Optimiza la generación de texto con destilación inversa. ¡Descubre más!
No necesitas toda esa atención: mitigación quirúrgica de memorización
GUARD: mitigación quirúrgica de memorización en difusión texto-imagen sin sacrificar calidad. Protege privacidad y evita infracciones de copyright.
Guía para edición perceptual de bajo nivel en modelos de difusión incondicional
Edición perceptual de bajo nivel en difusión incondicional. Mejora imágenes sin reentrenar con parcheo de cuello de botella y guía libre de clasificador.
Mejora de planificadores de difusión con SAGE y autosupervisión
Descubre SAGE, un nuevo método de reordenamiento que mejora la robustez de los planificadores de difusión mediante autosupervisión y energías, sin necesidad de reentrenamiento.
Modelos de Difusión Descentralizados Heterogéneos
Aprende a entrenar modelos de difusión descentralizados con objetivos heterogéneos, reduciendo 16x cómputo y 14x datos con una sola GPU. ¡Acelera tu IA!
DyLLM: Inferencia Eficiente de LLMs de Difusión mediante Token Saliente
Descubre DyLLM, un marco de inferencia sin entrenamiento que acelera hasta 9.6x los LLMs de difusión seleccionando solo tokens relevantes. Ideal para razonamiento y código.
ES-Merging: Fusión de MLLM biológicos mediante señales de embedding
ES-Merging fusiona modelos multimodales biológicos usando señales de embedding, mejorando razonamiento cruzado y preservación.
Genie 4D: Reconstrucción de Escenas Dinámicas 4D con Guía Semántica
Descubre Genie 4D: transforma grabaciones de móvil en modelos de mundo 4D semánticos y accionables. Reconstrucción interactiva en GPU consumidor.
Políticas de orden adaptativo para difusión enmascarada
Políticas de orden adaptativo mejoran generación de secuencias en difusión enmascarada, superando heurísticas en tareas sensibles al orden como proteínas.
GLENS: Búsqueda global con difusión desde iteraciones del solver
Descubre GLENS, un método que usa modelos de difusión para generar inicializaciones diversas y de alta calidad, acelerando la convergencia en optimización no convexa.
Decodificación Fundamentada: Fusión de Probabilidades para RAG Fiel
Descubre Grounded Decoding, un método sin entrenamiento que fusiona probabilidades para mejorar la precisión factual en sistemas RAG. Resultados superiores en ALCE, NQ y FActScore.
Fusión de modelos con conciencia de prominencia
Descubre cómo SA-Merging fusiona modelos de IA usando saliencia para evitar interferencias y mejorar el rendimiento multitarea. Optimiza tus modelos sin datos adicionales.
Inicialización: Mitad de la batalla - Imágenes diversas con posterior de guía
La inicialización con potencial de guía (DivIn) mejora la diversidad en modelos generativos. Superior en difusión y flujo matching.
SimSD: Decodificación especulativa simple en modelos de lenguaje de difusión
Descubre SimSD: un método de decodificación especulativa para modelos de difusión que acelera la inferencia hasta 7.46x sin sacrificar calidad.
EMoE: desacuerdo de expertos sin entrenamiento para difusión texto-imagen
Predice la calidad de tus prompts con EMoE: incertidumbre sin entrenamiento en difusión texto-imagen.
Del ruido al control: Políticas de difusión parametrizadas
Descubre cómo las Políticas de Difusión Parametrizadas (PDP) transforman el ruido en control, adaptando comportamientos robóticos sin reentrenar el modelo. Resu
De señales 'débiles' a modelos fuertes: Agregación de deltas con LoRA
Agrega señales débiles de pares de modelos para mejorar LLMs potentes con fusión LoRA y alineación geométrica. Mejora razonamiento y búsqueda.