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.
#mod
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.
SSSD: Decodificación Especulativa Simplemente Escalable
Descubre SSSD, un método de decodificación especulativa sin entrenamiento que acelera la inferencia de LLMs hasta 2.9x con menor latencia y alta robustez.
Marco unificado para análisis conductual en educación física
Descubre un marco unificado con señales de movimiento y modelos de lenguaje para analizar comportamiento en educación física y generar informes pedagógicos.
Pensamiento Especulativo: grandes modelos mejoran el razonamiento
Mejora la precisión de modelos pequeños hasta un 6.2% usando guía de modelos grandes sin entrenamiento. Descubre Speculative Thinking.
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.
Pensamiento especulativo: guía de modelos grandes para razonamiento en inferencia
El pensamiento especulativo guía modelos pequeños con modelos grandes, mejorando precisión un 6.2% y reduciendo salida un 15.7%.
100-LongBench: ¿Los benchmarks de contexto largo evalúan realmente la capacidad?
Descubre por qué los benchmarks actuales como LongBench no miden correctamente la capacidad de contexto largo de los LLMs y cómo una nueva métrica lo soluciona.
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.
Redondeo Adaptativo que Preserva el Modelo
Descubre YAQA: algoritmo de redondeo adaptativo que reduce el error de cuantización un 30% frente a GPTQ. Cotas de error garantizadas sin coste de inferencia.
100-LongBench: ¿Evalúan realmente los benchmarks de contexto largo?
Descubre cómo un nuevo benchmark y métrica separan la capacidad de contexto largo de la habilidad base de los LLMs, revelando cuándo fallan realmente.
Redondeo Adaptativo que Preserva el Modelo
Descubre YAQA, el algoritmo de redondeo adaptativo que reduce el error de cuantización un 30% sin sobrecarga. Preserva la distribución del modelo original.
MesaNet: Entrenamiento Localmente Óptimo en Tiempo de Prueba
MesaNet optimiza el entrenamiento en tiempo de prueba para mejorar el rendimiento en secuencias largas. Menor perplejidad y mayor eficiencia.
MesaNet: Modelado de secuencias con optimización en tiempo de prueba
Descubre MesaNet, un modelo recurrente que optimiza capa por capa en inferencia. Mejora rendimiento en contextos largos sin aumento lineal de memoria.
¿Pueden los VLM predecir el futuro? Arranque desde dinámica inversa
Los VLM pueden predecir estados futuros con ayuda de la dinámica inversa. Descubre cómo logran resultados líderes en edición de imágenes.
¿Pueden los VLMs predecir estados futuros? Bootstrapping desde dinámica inversa
Los VLMs predicen estados futuros usando bootstrapping de dinámica inversa, mejorando la edición de imágenes hasta un 13% en evaluaciones humanas.
Estimación de incertidumbre con distribuciones de varianza controlada
Nueva técnica para cuantificar la incertidumbre en redes neuronales usando la varianza de las predicciones. Ideal para aplicaciones críticas.
KITE: Ejemplares Kernelizados para Aprendizaje en Contexto
KITE mejora el aprendizaje en contexto seleccionando ejemplos óptimos con kernel y teoría de la información. Supera a KATE en clasificación.
Ruta de razonamiento como entrada: uniendo post-razonamiento a compresión de CoT
Descubre cómo el post-razonamiento y UCoT comprimen cadenas de pensamiento en LLMs, reduciendo tokens un 50% sin perder rendimiento. ¡Mejora la eficiencia!