Comunicación semántica implícita basada en razonamiento con hipergrafos
Marco HISR: hipergrafos mejoran comunicación semántica implícita, logrando +36.6% precisión incluso con ruido. Supera grafos tradicionales.
#implícito
Tus ojos y ratón revelan preferencias para alinear LLMs
El movimiento de tu ratón y tus ojos revelan tus preferencias. Un nuevo estudio muestra cómo usar ese feedback implícito para alinear LLMs con un 64% de
VIMPO: Optimización de Políticas con Valor Implícito para LLMs
VIMPO: optimización con valor implícito para LLMs. Mejora el razonamiento matemático sin crítico, superando a GRPO en benchmarks.
Aprendizaje Contrastivo Multimodal para Embeddings Terrestres Implícitos
MELT y SALT revolucionan el aprendizaje contrastivo multimodal para embeddings de ubicación, superando limitaciones de datos etiquetados.
Nitidez geométrica de Fisher y el sesgo implícito de SGD hacia mínimos planos
Descubre cómo la nitidez geométrica de Fisher resuelve la controversia sobre mínimos planos y generalización, con pruebas de invariancia y PAC-Bayes.
Efecto de ReLU en el sesgo implícito en redes de alta dimensión
Descubre cómo la activación ReLU influye en el sesgo implícito del descenso de gradiente, aproximándose a la solución de mínima norma L2 en datos de alta
Cómo la minería de seminegativos mejora la detección de odio implícito
Aprende cómo la minería de seminegativos contextuales alinea insinuaciones para detectar odio implícito con mayor precisión y generalización.
MapSatisfyBench: evaluación de agentes de mapas centrados en la satisfacción
Descubre MapSatisfyBench, un benchmark que mide la satisfacción de usuarios con agentes de mapas. Ideal para mejorar la experiencia con IA.
Prompting implícito vs explícito para LVLMs en comunicación referencial
Descubre por qué los LVLMs logran eficiencia comunicativa solo con prompting explícito, no con instrucciones implícitas. Para desarrolladores de IA.
Sesgo implícito del descenso más pronunciado con gradiente estocástico minilote
Aprende cómo el tamaño de lote, momentum y reducción de varianza moldean el sesgo implícito en el descenso más pronunciado con gradiente estocástico.
Leyes de conservación para arquitecturas neuronales modernas
Descubre el marco unificado que revela invariantes en gradiente descendente para arquitecturas modernas (GELU, SiLU, SwiGLU, MoE). Validado experimentalmente.
Marco estadístico de dos etapas para evaluar interferencia asociativa en LLMs
Nuevo marco de dos etapas evalúa interferencia asociativa en LLMs como Claude, Gemini y GPT-5. Descubre qué modelos presentan sesgos implícitos y cuáles no.
Razonamiento implícito en recomendación generativa basada en LLMs
PauseRec: razonamiento implícito que supera métodos explícitos en recomendación con LLMs, reduciendo costos un 65% y acelerando inferencia un 71%.
Razonamiento implícito para recomendación generativa con LLMs
Descubre PauseRec, un método de razonamiento implícito que supera a las técnicas explícitas en recomendación generativa con LLMs, reduciendo costos y acelerando inferencia.
Reevaluación psicométrica de LLMs: autoinformes y comportamiento
Descubre cuándo autoinformes de LLMs predicen su comportamiento. Estudio revela que Teoría del Comportamiento Planificado supera al Big Five en coherencia.
Tutorial sobre Modelos del Mundo e IA Física
Explora el tutorial sobre modelos del mundo y la IA física. Dos paradigmas complementarios para robótica y conducción autónoma. ¡Descubre el futuro!
Memoria explícita del hipocampo: piedra angular para la IAG
Descubre por qué la memoria explícita del hipocampo es clave para avanzar de los LLM a la IAG. Un enfoque neurocientífico para la inteligencia artificial general.
Memoria explícita hipocampal: clave para la IAG
La memoria explícita hipocampal es clave para la AGI. Descubre cómo integrarla en modelos de lenguaje según la neurociencia.
Perspectivas estéticas en la investigación de SI: análisis hermenéutico
Revela cómo las perspectivas estéticas moldean la investigación en SI, abriendo nuevas preguntas sobre gestión algorítmica e intimidad digital.
Agentes LLM autoevolutivos con optimización en distribución
Q-Evolve permite que agentes LLM se automejoren con optimización en distribución, superando recompensas dispersas. Mayor eficiencia y robustez.