CRMA: Backbone con límite espectral para ajuste fino continuo de LLMs
Descubre CRMA: ajuste fino secuencial de LLMs sin olvido catastrófico, mejorando rendimiento en tareas previas. Sin buffers, sin destilación.
#grandes
ODTQA-FoRe: dataset para preguntas tabulares y pronóstico
Descubre ODTQA-FoRe, el primer dataset para preguntas tabulares con predicción futura. TimeFore combina LLM y modelos de series temporales para pronósticos precisos en datos inmobiliarios.
ACON: Compresión de contexto óptima para agentes LLM de larga duración
Descubre cómo ACON comprime el contexto de agentes LLM sin reentrenar, reduciendo tokens hasta un 54% y mejorando el éxito en tareas largas. ¡Optimiza tu IA!
Agregación de Deltas de Preferencia: de señales débiles a modelos fuertes
Aprende cómo el método PDA agrega señales débiles con fusión LoRA para mejorar LLMs en razonamiento y búsqueda.
CoEvo-AHD: Heurísticas Evolutivas con LLM para Optimización Acoplada
Descubre cómo CoEvo-AHD usa LLMs para co-evolucionar heurísticas en problemas de optimización acoplada como TTP y TPP, mejorando soluciones de forma automática.
Intervención relacional en colapso funcional de LLMs
Investigación con Qwen3.5-4B: una intervención relacional en primera persona logra recuperar el comportamiento de un modelo colapsado, mientras que solo estructura o solo registro no bastan.
AnyEdit++: Edición Adaptativa de Conocimiento en Formato Largo mediante Sorpresa Bayesiana
AnyEdit++ edita conocimiento en modelos de lenguaje con segmentación adaptativa basada en sorpresa bayesiana, mejorando coherencia y precisión.
Utilidad empresarial de los LLM como agentes de Análisis Exploratorio de Datos
¿Son los LLM fiables para el análisis exploratorio de datos? Este estudio revela que solo GPT-5.4 ofrece calidad y repetibilidad aceptables.
Plausibilidad no es predicción: evidencia contrastiva en perturbaciones con LLM
Los LLMs fallan al predecir efectos de perturbaciones celulares. CORE organiza evidencia contrastiva para mejorar la precisión hasta un 28.6%. Descubre cómo.
Multilingüismo de los modelos de lenguaje grandes desde una perspectiva estructural
Descubre cómo los modelos de lenguaje grandes representan diferentes idiomas desde un punto de vista estructural y qué diferencias clave existen entre lenguas de bajos y altos recursos.
Repensando el rol de la temperatura en destilación de LLMs
La temperatura transforma la destilación de LLMs: a altas temperaturas, FKL supera a RKL. Aprende a optimizar la transferencia de conocimiento.
Ambigüedad en la predicción de errores con cuantificación de incertidumbre
Descubre cómo la ambigüedad afecta la predicción de errores en LLMs y cómo desenredarla mejora la precisión hasta en 10 puntos de PRR.
SPADER: Recompensas de Exploración con Diversidad para QA Multi-Respuesta
SPADER utiliza aprendizaje por refuerzo con recompensas de exploración diversa para mejorar el recuerdo y F1 en QA multi-respuesta.
CARE-RL: Mitigando Conflictos entre Dominios con RL Consciente de Capacidades
Descubre cómo CARE-RL mitiga conflictos entre dominios en LLMs con aprendizaje por refuerzo consciente de capacidades, con resultados superiores en benchmarks.
MemGraphRAG: Sistema Multiagente con Memoria para Generación Aumentada en Grafos
MemGraphRAG: sistema multiagente con memoria que optimiza la construcción de grafos en RAG, eliminando conflictos y mejorando la recuperación de información compleja.
MESA: Alineación de seguridad descentralizada para MoE
MESA mejora la alineación de seguridad en modelos MoE mediante la descentralización de expertos. Logra robustez sin sacrificar rendimiento.
La paradoja de la optimización por resultados en LLMs
Los LLMs optimizados por resultados alcanzan altos benchmarks pero colapsan en razonamiento. Te explicamos la paradoja y cómo los modelos de recompensa de procesos la resuelven.
El enigma de la razón artificial: ¿por qué los LRM fallan al evaluar?
Descubre por qué los modelos de razonamiento (LRM) fallan al evaluar soluciones, pese a generarlas. Analizamos el sesgo de confirmación y el dataset VAIR.
Entrenamiento eficiente de LLMs con dispersión dinámica
Descubre cómo SMET mejora el entrenamiento disperso dinámico de LLMs, eliminando picos de pérdida y reduciendo el uso de memoria. ¡Optimiza tu modelo!
Inferencia de bajo bit extremo en modelos de razonamiento: fallos y recuperación
Descubre cómo la inferencia 2-bit en modelos de razonamiento genera fallos como bucles y cómo la planificación y rescate recuperan precisión hasta 87%.