Reglas tipo grafo para razonamiento en KGs con modelos de difusión
Descubre cómo GRiD usa modelos de difusión y aprendizaje por refuerzo para generar reglas tipo grafo, mejorando el razonamiento en grafos de conocimiento con resultados competitivos.
#fusión
dgMARK: Marcado de Agua Guiado por Decodificación para Modelos de Lenguaje de Difusión
Descubre dgMARK: el nuevo marcado de agua guiado por decodificación para modelos de difusión. Protege tu IA fácilmente.
FLOWR: Nuevo método de generación de ligandos con flujo y estructura
FLOWR: nueva técnica de generación de ligandos con flujo matching. Hasta 70 veces más rápido, preciso y adaptable a fragmentos. Ideal para diseño de fármacos.
Modelos de Lenguaje Esotéricos: LLMs de Difusión de Cualquier Orden
Eso-LMs: modelos de lenguaje que combinan AR y MDM con atención causal y caché KV, permitiendo generación paralela e inferencia eficiente. Nuevo estado del arte.
Ptychografía ciega a la posición: viabilidad con inferencia variacional
Descubre cómo la inferencia variacional con modelos de difusión permite reconstruir imágenes en ptychografía ciega a la posición, incluso con ruido. Resultados prometedores.
Cuantificación de la propagación de errores y colapso en modelos de difusión
Analizamos la propagación de errores en modelos de difusión con datos sintéticos. Primeras cotas inferiores de divergencia y regímenes de deriva.
Colapso de caminos generativos: criterio y corrección para difusión
El colapso de caminos marginales afecta la composición de expertos en difusión. Conoce el criterio de existencia y la corrección ACE para estabilizar la generación.
PECKER: Borrado eficiente de conocimiento en modelos de difusión
PECKER: método eficiente de desaprendizaje para modelos de difusión. Reduce el tiempo de entrenamiento y mejora el borrado selectivo de conocimiento.
Revisión y evaluación de avances en inteligencia 3D multimodal
Descubre los últimos avances y métodos en inteligencia 3D multimodal. Revisión exhaustiva de benchmarks y desafíos clave para la conducción autónoma y simulación.
Cómo el escalamiento en inferencia beneficia el preentrenamiento generativo
El escalamiento en inferencia mejora el preentrenamiento generativo, superando la falsa dicotomía entre autoregresión y difusión.
Deja de preguntarle a Jira lo que Git ya respondió
Olvídate de las columnas manuales en Jira. Aprende a usar Git como fuente de verdad para tu tablero y automatiza el seguimiento de tareas.
Borrados, no olvidados: backdoors eluden eliminación de conceptos
Descubre cómo los backdoors pueden eludir la eliminación de conceptos en modelos de IA, exponiendo contenido nocivo hasta un 82% de efectividad. ¡Infórmate!
Cooperación de Expertos: Fusión Heterogénea con Gran Margen
CoE fusiona información heterogénea con expertos especializados y un mecanismo de gran margen. Ideal para análisis de datos complejos.
El razonamiento latente en TRMs es un operador de mejora de política
En TRMs, el razonamiento latente actúa como operador de mejora de política. Con RL y difusión, reducimos 18x los pasos.
Flow Matching para reducción de escala de precipitación convectiva
Descubre cómo flow matching mejora la reducción de escala de precipitación convectiva, superando a modelos de difusión en precisión espacial. Ideal para proyecciones climáticas de alta resolución.
Generación de Estructuras de Complejos Metálicos con Difusión en Variedades
Descubre cómo TMCgen, un modelo de difusión en variedades, genera geometrías precisas de complejos metálicos para catálisis y diseño de fármacos. ¡Aprende más!
Priors de difusión generativa para mapeo 3D del universo oscuro
Descubre cómo mejora la reconstrucción 3D de materia oscura con priors de difusión generativa y simulaciones cosmológicas, superando métodos tradicionales.
Difusión composicional de grueso a fino para planificación a largo plazo
CoFi mejora la planificación a largo plazo con difusión composicional. Hasta 8 veces menos evaluaciones. Ideal para robótica, video e imágenes.
Alineación de características determina estrategia de fusión multimodal
La alineación de características, no el tamaño de datos, determina la fusión: cross-attention vs concatenación. Estudio con CLIP y ResNet.
Aprendizaje por imitación sin entrenamiento con políticas de difusión cerradas
Aprendizaje por imitación sin entrenamiento: políticas de difusión cerradas logran inferencia en tiempo real en CPU móvil con rendimiento competitivo.