Recuperación robusta de demostraciones con proxies OOD
Mejora la robustez de tus LLMs con DOPA, un marco que usa proxies OOD para recuperar demostraciones diversas y efectivas en entornos fuera de distribución.
#grandes
Marco de Red Teaming para Seguridad, Robustez y Equidad en Modelos Médicos de IA
Un marco de red teaming multidominio revela fallos críticos en seguridad y equidad de modelos médicos de IA, ocultos por métricas promedio.
Reemplazar Excel con app personalizada: ¿para startups y grandes empresas?
Reemplaza Excel con una app a medida: elimina errores, caos de versiones y actualizaciones manuales. Escalable para startups y grandes empresas. Q2BSTUDIO.
LiMuon: Optimizador Muon Ligero y Rápido para Modelos Grandes
Descubre LiMuon, el optimizador ligero y rápido que reduce memoria y complejidad muestral para entrenar modelos grandes. ¡Mejor rendimiento!
Aprendizaje de un optimizador de orden cero para LLMs
Descubre cómo ZO-Finetuner optimiza el ajuste de LLMs sin retropropagación, reduciendo el uso de memoria y mejorando el rendimiento en múltiples tareas.
Alineación humana, calibración y patrones en la incertidumbre de LLMs
Descubre cómo los LLMs reflejan la incertidumbre humana mediante alineación, calibración y patrones de activación. Un estudio clave para entender y combatir alucinaciones.
Aumento de paráfrasis en destino para traducción de lengua de señas con LLMs
Descubre la paráfrasis generada por GPT-4o que mejora la traducción de lengua de señas en PHOENIX14T, pero revela límites en conjuntos extremos.
Si los LLM tienen atributos humanos, también Age of Empires II
¿Son realmente humanos los LLM? Un estudio demuestra que atribuirles moralidad o comprensión es tan válido como hacerlo con Age of Empires II. Descubre por qué.
SAC-Opt: Anclas Semánticas para Modelado de Optimización
Descubre SAC-Opt, un marco de corrección guiado por anclas semánticas que mejora la precisión del modelado de optimización en LLMs hasta un 21.9%. ¡Lee más!
DTop-p MoE: Control dinámico de esparcidad en preentrenamiento de modelos
Descubre DTop-p MoE, un nuevo mecanismo de enrutamiento dinámico que aprende el umbral de probabilidad para controlar la esparcidad, superando a Top-k y Top-p fijo en modelos fundacionales.
Detección de alucinaciones: una visión geométrica desde OOD
Aprende cómo la detección OOD permite detectar alucinaciones en modelos de lenguaje sin entrenamiento, mejorando la precisión en tareas de razonamiento.
Machine Learning de Grafos en la Era de los LLMs
Los LLMs revolucionan el Machine Learning de Grafos: mejoran características, reducen datos etiquetados y potencian el razonamiento. Descubre cómo.
Alineación humana y calibración de incertidumbre en LLMs
Descubre cómo las medidas de incertidumbre en tiempo de inferencia se alinean con la incertidumbre humana y mejoran la calibración en grandes modelos de lenguaje.
Hacia los átomos de los grandes modelos de lenguaje
Descubre cómo la Teoría del Átomo define las unidades fundamentales de los LLM, logrando un 99.9% de fidelidad y 99.8% de estabilidad.
Acoplamiento de Subespacios para Compresión de LLM: Límites Empíricos
La optimización conjunta de capas en compresión de LLMs fracasa. El flujo residual desacopla las capas, haciendo clave la reconstrucción por capas.
Autovectores de expertos: enrutamiento sin colapso y sin entrenamiento
Descubre cómo SSMoE aprovecha los autovectores de los expertos para un enrutamiento sin colapso, mejorando modelos SMoE sin entrenamiento adicional.
Alcance espectral: el escalado neuronal progresa en la cola espectral
Descubre cómo el alcance espectral mide la capacidad de los modelos grandes para explotar señales débiles en la cola espectral, reduciendo la pérdida mediante el aprendizaje de características.
¿Es el chat en vivo con IA adecuado para startups y grandes empresas?
¿El chat en vivo con IA funciona tanto para startups como para grandes empresas? Sí, con arquitectura modular, cloud y control por roles. Q2BSTUDIO lo integra. Descubre cómo.
La brecha de refutabilidad: desafíos al validar el razonamiento de los LLM
Descubre los desafíos de validar el razonamiento de los LLM: falta de falsabilidad, sesgos y opacidad. Guía para una ciencia más transparente.
NeUQI: Inicialización Casi Óptima para Cuantización Uniforme en LLMs
Descubre NeUQI, un método de inicialización casi óptima para cuantización uniforme en LLMs. Mejora el rendimiento y reduce el consumo de memoria. ¡Lee más!