Simulación de expectativas macroeconómicas con agentes LLM
Descubre cómo los agentes económicos basados en IA generan expectativas macroeconómicas similares a las humanas en experimentos de encuesta.
#generación de texto
Reconsiderando la supervisión posicional en modelos de difusión enmascarada
Los modelos de difusión enmascarada (MDLM) son sensibles a pequeños desplazamientos posicionales. Descubre cómo CTC mejora el ajuste fino y supera a la entropía cruzada en cuatro benchmarks.
DAPD: Decodificación Paralela con Atención y Dependencias para LLMs de Difusión
Descubre cómo DAPD mejora la precisión y velocidad en LLMs de difusión mediante decodificación paralela consciente de dependencias sin reentrenamiento.
ContinuousBench: ¿El texto sintético privado mejora capacidades?
Descubre cómo ContinuousBench evalúa si los datos sintéticos con privacidad diferencial aportan nuevas capacidades. Resultados clave incluso con ε=100.
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!
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.
TAPS: Selección de Prefijos Consciente del Objetivo para Decodificación Especulativa
Descubre TAPS, que acelera la decodificación especulativa hasta 7.9x con selección inteligente de árboles de prefijos. Mejora el rendimiento sin pérdidas.
DSL-LLaDA: Denoising Continuo para Modelos de Difusión Enmascarados de 8B
DSL-LLaDA adapta LLaDA para denoising continuo, evitando el compromiso longitud/calidad. Obtiene el mejor ROUGE-1 en resumen con pocos pasos.
Colapso argumental: LLMs aplanan el debate público
Descubre cómo los LLMs reducen la diversidad de argumentos en debates públicos. Un estudio revela el 'colapso argumental' y sus implicaciones para el discurso social.
De cero a héroe: entrena tu propio LLM desde cero en 7 pasos
Descubre cómo entrenar tu propio LLM desde cero en 7 pasos con el método FareedKhan-dev. Deja de ser usuario y conviértete en creador de IA.
Decodificación especulativa para múltiples idiomas
Descubre cómo mejorar la decodificación especulativa en idiomas no ingleses. Comparamos fine-tuning y modelos n-grama para acelerar la generación de texto multilingüe.
El Fine-Tuning Mejora la Transmisión de Información en Modelos de Lenguaje
El fine-tuning reorganiza la incertidumbre en modelos de lenguaje, mejorando la transmisión de información. Descubre la métrica Canopy Entropy.
KnowledgeGain: Evaluando noticias científicas para el aprendizaje
Descubre cómo KnowledgeGain evalúa y optimiza la generación de noticias científicas para maximizar el aprendizaje del lector usando IA.
Cuida tu tono: ¿El tono altera el rendimiento de los LLM?
El tono afecta el rendimiento de los LLM. Descubre claves y consejos.
Mejorando la Narración Colaborativa con un Marco Multiagente Basado en Grandes Modelos de Lenguaje
Narración colaborativa mejorada con multiagentes LLM. Descubre cómo la inteligencia artificial potencia historias colectivas de forma innovadora.
Recuperación Micro-Macro: Reducción de la Alucinación en Formato Largo en Grandes Modelos de Lenguaje
<meta name=description content=Recuperación micro-macro para reducir alucinaciones en textos largos. Técnica avanzada que mejora precisión y coherencia de forma eficaz.>
Aprendizaje por refuerzo semántico basado en la fuente para generación de lengua meta con recursos limitados
Refuerzo semántico basado en fuente para generar lengua meta con recursos limitados. Técnica innovadora que optimiza la traducción automática con pocos datos.
Leak@$k$: El desaprendizaje no hace que los LLMs olviden bajo decodificación probabilística
Descubre por qué el desaprendizaje no logra que los LLMs olviden bajo decodificación probabilística. Un análisis sobre la persistencia de datos en modelos de lenguaje.
Pensar antes de restringir: Un marco de decodificación unificado para modelos de lenguaje grandes
Descubre el marco de decodificación unificado para LLMs que prioriza pensar antes de restringir. Optimiza la generación de texto con este enfoque innovador.
SPEED-Bench: Un Benchmark Unificado y Diverso para la Decodificación Especulativa
<meta name=description content=SPEED-Bench ofrece un benchmark unificado y diverso para evaluar decodificación especulativa. Acelera modelos de lenguaje de forma eficiente y precisa.>