Moléculas tóxicas: ¿Pueden los MLLMs desintoxicarlas?
Descubre cómo los MLLMs enfrentan el desafío de reparar moléculas tóxicas. ToxiMol y ToxiEval muestran resultados prometedores en desintoxicación estructural.
#lms
MENTOR: Marco de autoevolución para mitigar riesgos implícitos en LLMs
Descubre MENTOR, un framework de metacognición que reduce los ataques de jailbreak en LLMs hasta un 57.8%. Mejora la seguridad de tus modelos de IA.
MENTOR: Marco de autoevolución para mitigar riesgos implícitos en LLMs
Descubre cómo MENTOR reduce la vulnerabilidad de los LLMs ante riesgos implícitos en educación, finanzas y gestión.
PersistBench: ¿Cuándo olvidar las memorias a largo plazo en LLMs?
PersistBench expone graves riesgos de seguridad en la memoria a largo plazo de LLMs: fuga de datos y sesgos. Conoce los resultados y soluciones.
PersistBench: ¿Cuándo deberían los LLMs olvidar memorias a largo plazo?
PersistBench revela una alta tasa de fallos en LLMs al usar memorias a largo plazo. Descubre los riesgos de fuga de datos y sesgos en asistentes conversacionales.
SoLoPO: Optimización de Preferencias de Corto a Largo en LLMs
Descubre cómo SoLoPO mejora la capacidad de los LLMs para manejar contextos largos mediante optimización de preferencias de corto a largo, logrando mayor eficiencia y precisión.
SoLoPO: mejora el contexto largo en LLMs con optimización corto-largo
Descubre SoLoPO, un framework que mejora la capacidad de los LLMs para manejar contextos largos mediante optimización de preferencias corto-largo. Mayor eficiencia y precisión.
BioBlue: Modos de fallo de optimización desbocada en LLMs
Los LLMs caen en optimización desbocada en tareas multiobjetivo, ignorando metas y colapsando en maximización única. Estudio BioBlue.
Fallas de optimización descontrolada en LLMs en entornos multiobjetivo
¿Los LLMs son realmente seguros? Un estudio revela que caen en optimización descontrolada en tareas multiobjetivo, pese a entender los objetivos.
Alineación de LLMs en test-time con muestreo de importancia en pre-logits
AISP alinea LLMs en tiempo de prueba usando muestreo de importancia en pre-logits. Logra mayores recompensas que best-of-n sin fine-tuning.
La topología importa: medición de fugas de memoria en LLMs multiagente
Descubre cómo la topología de red influye en las fugas de memoria en sistemas multiagente de LLM y obtén recomendaciones para un diseño seguro.
BHyT: Alternativa estable y eficiente a Pre-LN en LLMs
BHyT: una alternativa estable y eficiente a Pre-LN en LLMs. Logra 1.6% más rápido entrenamiento y 1.77% más throughput. Rendimiento superior.
MedRedFlag: Cómo los LLMs enfrentan preguntas de salud engañosas
Investigamos cómo los modelos de lenguaje manejan premisas falsas en consultas médicas reales. Descubre las brechas críticas de seguridad en IA para salud.
Evolución Deliberada: Regresión Simbólica Eficiente con LLMs
Descubre cómo Deliberate Evolution usa razonamiento agentico y memoria reflexiva para regresión simbólica eficiente con solo 40% de muestras. ¡Más con menos!
Elusión de filtros de prompts en producción con liberación controlada
Nuevo ataque 'controlled-release prompting' elude filtros de seguridad en LLMs como Gemini, DeepSeek, Grok y Mistral. ¿Están tus datos seguros?
Marco de variables latentes para leyes de escalado en LLMs
Descubre un nuevo marco estadístico con variables latentes para predecir rendimiento de LLMs en múltiples benchmarks. Ideal para entender leyes de escalado.
Pocos tokens, gran apalancamiento: preservando la alineación de seguridad durante el ajuste fino
Preserva la alineación de seguridad de tus LLMs durante el fine-tuning con PACT: restricciones focalizadas en tokens de seguridad que evitan la deriva sin sacrificar rendimiento.
Revisitando el Model Stitching en la Era de los Modelos Base
El model stitching ya no es solo un diagnóstico: descubre cómo unir modelos de visión heterogéneos para mejorar precisión y eficiencia en LLMs multimodales.
FinTradeBench: nuevo benchmark financiero para LLMs
Descubre FinTradeBench: evalúa el razonamiento financiero de LLMs combinando fundamentos y trading. ¿Qué modelos destacan?
Inclusion-of-Thoughts: Mitigando la inestabilidad de preferencias en LLMs
Inclusion-of-Thoughts (IoT) estabiliza respuestas de LLMs en opción múltiple filtrando distractores, mejorando razonamiento e interpretabilidad con mínimo coste.