Contexto largo y razonamiento profundo en modelos de lenguaje
Mejora el razonamiento de tu IA entrenando en contexto largo. Estudio revela beneficios incluso en entradas cortas. ¡Descubre cómo!
#mod
Rompiendo moléculas malas: ¿MLLM listos para desintoxicar?
Descubre ToxiMol, el primer benchmark que evalúa la capacidad de los MLLM para reparar moléculas tóxicas. ¿Podrá la IA mejorar el diseño de fármacos?
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.
Muestreo de Rechazo Adaptativo Restringido
Descubre CARS, un método que mejora la eficiencia del muestreo de rechazo sin distorsionar la distribución, ideal para generación con restricciones en IA.
Muestreo Adaptativo Restringido por Rechazo (CARS)
Descubre CARS, un método que mejora el muestreo por rechazo en modelos de lenguaje para generar textos válidos y diversos sin distorsionar la distribución. Más eficiencia y calidad.
Alineando preferencias implícitas profundas mediante razonamiento defensivo
Alinea modelos de lenguaje con preferencias implícitas usando razonamiento defensivo y aprendizaje por refuerzo. CDRA mejora personalización y seguridad.
Alineando preferencias profundas mediante razonamiento defensivo
Descubre cómo CDRA alinea LLMs con las preferencias ocultas de los usuarios mediante razonamiento defensivo y crítico. Mejora personalización y seguridad.
Adaptive Minds: Empoderando Agentes con LoRA como Herramientas
Descubre cómo modelos de lenguaje usan adaptadores LoRA como herramientas dinámicas, con 98.3% precisión al enrutar y mejoras 84 puntos en tareas específicas.
Mentes Adaptativas: Potenciando Agentes con LoRA como Herramientas
Los adaptadores LoRA como herramientas modulares logran un 98.3% de precisión en enrutamiento y ganancias de hasta +84 puntos porcentuales en agentes de IA.
Alineación topológica de transformers con redes cerebrales
Descubre cómo un espacio geométrico unificado permite alinear modelos transformers con redes cerebrales humanas, revelando patrones sorprendentes en IA.
Espacio geométrico unificado para alinear Transformers con el cerebro
Nuevo estudio revela un espacio geométrico que alinea Transformers con redes cerebrales humanas. Descubre hallazgos sorprendentes como DINOv2 y escala inversa en DeiT.
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.
Razonamiento vs fluidez: Confianza probabilística en Best-of-N
¿La confianza probabilística mide razonamiento o solo fluidez? Descubre cómo la causalidad contrastiva mejora la selección de outputs en modelos de lenguaje.
¿Razonamiento o fluidez? Confianza en selección Best-of-N
¿Tu IA realmente razona o solo parece fluida? Descubre cómo las métricas de confianza probabilística fallan y la nueva métrica de causalidad que mejora la selección.
Interfaze: El futuro de la IA se basa en modelos pequeños
Interfaze fusiona especialistas (OCR, voz, GUI) en un transformer. Supera a GPT-5 y Claude en benchmarks deterministas con coste flash.
Interfaze: Modelos pequeños específicos construyen el futuro de la IA
Descubre Interfaze: modelo híbrido que fusiona redes neuronales específicas en un transformer decoder. Supera a modelos generalistas con costos flash.
Modelo VLM consciente de creencias para razonamiento humano
Descubre cómo el modelo VLM consciente de creencias combina memoria y RL para un razonamiento similar al humano. Mejora en QA visual con HD-EPIC. ¡Lee más!
Modelo VLM consciente de creencias para razonamiento humanoide
Descubre cómo un modelo VLM consciente de creencias integra memoria y aprendizaje por refuerzo para un razonamiento similar al humano, mejorando tareas de VQA.
SSSD: Decodificación Especulativa Simple y Escalable
Descubre SSSD, un método gratuito que acelera la inferencia de LLM hasta 2.9x sin necesidad de entrenamiento ni modelos auxiliares. Robusto en cambios de idioma y contexto largo.
Análisis del comportamiento en educación física con señales de movimiento e IA
Marco unificado combina señales de movimiento e IA para analizar comportamiento en educación física y genera retroalimentación pedagógica automática.