AdaptiveK: Autoencoders Dispersos por Complejidad
AdaptiveK ajusta dinámicamente la esparcidad según la complejidad semántica, mejorando interpretabilidad y reconstrucción de modelos de lenguaje.
#lms
Seguridad en LLMs caja negra: Alineación mediante optimización restringida
Alinea LLMs de caja negra en inferencia usando optimización restringida y teoría de juegos para balancear seguridad y utilidad.
FIRM: Alineación multiobjetivo regularizada en cliente federada
FIRM alinea LLMs con múltiples objetivos eficientemente y en privado usando aprendizaje federado. Mejora equilibrio entre utilidad e inocuidad.
Quartet II: Pre-entrenamiento de LLMs en NVFP4
Descubre Quartet II, el método que optimiza el pre-entrenamiento de LLMs en formato NVFP4 en GPUs Blackwell. Mayor precisión y velocidad en tus modelos.
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.
Descubriendo brechas de competencia en LLMs y sus benchmarks
Un método innovador con autoencoders revela brechas ocultas en LLMs y benchmarks. Mejora la evaluación de modelos de IA identificando conceptos débiles.
Datos sintéticos de calidad permiten primeras leyes de escalado para LLMs en recomendación
Descubre cómo datos sintéticos de calidad permiten las primeras leyes de escalado para LLMs en recomendación, superando datos reales.
Misma carga, distinto canal: la asimetría de seguridad en LLMs
Descubre cómo los LLMs reaccionan distinto ante contenido malicioso según si llega por usuario, metadatos o salidas de herramientas. Un estudio revela una asimetría de confianza.
LLMs y Alzheimer: Fine-tuning y probing para detección temprana
Descubre cómo los LLMs como BERT, T5 y Llama se adaptan para detectar Alzheimer mediante fine-tuning y probing, logrando nuevos récords en datasets clínicos.
Autoresearch descubre ataques adversariales avanzados para LLMs
Descubre cómo la IA logra encontrar nuevos métodos de ataque adversarial contra LLMs, superando defensas avanzadas con tasas de éxito del 80% y 100%.
SCOPE: Calibración de Señales en Destilación On-Policy Dual
Descubre cómo SCOPE mejora el razonamiento de los LLMs con destilación adaptativa dual, logrando un 11.42% más de precisión.
DREAM-S: Decodificación especulativa para generación multimodal
Acelera la generación multimodal con DREAM-S, un novedoso método de decodificación especulativa que alcanza 3.85x de velocidad en VLMs.
Construí un llms.txt para Salesforce: la IA deja de escribir Apex obsoleto
Descubre cómo un archivo llms.txt evita que la IA genere Apex obsoleto en Salesforce. Pruebas con Opus, Sonnet y ChatGPT muestran la diferencia.
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.
LLMs discriminan estados clave para exploración multiagente eficiente
Descubre cómo LEMAE usa LLMs para identificar estados clave y acelerar la exploración multiagente, con menos redundancia. Resultados superiores en SMAC y MPE.
Evaluación del razonamiento interactivo en LLMs: benchmark jerárquico con juegos
Descubre cómo un nuevo benchmark evalúa el razonamiento interactivo de los LLMs mediante juegos ejecutables, midiendo éxito, eficiencia y adaptación metacognitiva.
Interacción de modalidades en MLLMs: descomposición parcial
Entiende cómo la PID descompone la interacción entre modalidades en MLLMs, identificando sinergia y redundancia. Clave para mejorar razonamiento y grounding en IA.
La forma de la sabiduría: Trayectorias de decisión en modelos de lenguaje
Descubre cómo los modelos de lenguaje deciden: la mayoría de respuestas correctas son inestables. Estudio en Qwen, Llama y Mistral.
CardioLens: Brecha clínica de los MLLMs en resonancia cardíaca
Descubre cómo CardioLens revela la brecha entre el rendimiento en benchmarks y la realidad clínica de los MLLMs en resonancia cardíaca multi-secuencia
Valencia compartida en LLMs y EEG humano: regularidad de saturación
LLMs y EEG comparten un eje de valencia. La saturación limita la supervisión. Descubre cómo un ensamble mejoró un 10.5% la precisión en FACED.