Embeddings de proteínas mejoran generalización en transferencia implícita
Mejora la generalización en dinámica molecular con PLaTITO. Embeddings de proteínas aumentan eficiencia y precisión en muestreo de equilibrio.
#modelo
El sesgo de inducción en modelos secuenciales
Investigación muestra que los transformers requieren más datos que las RNN para seguimiento de estado y no comparten pesos entre longitudes. Descubre las diferencias clave.
HiPPO Zoo: Memoria Explícita para Modelos de Estado Interpretables
Descubre cómo las extensiones del framework HiPPO ofrecen memoria adaptativa y asociativa en modelos de espacio de estado, manteniendo la interpretabilidad. Un
Descubrimiento progresivo de leyes físicas basado en datos
CoSR descubre progresivamente leyes físicas desde datos, imitando el método científico. Aplicaciones en turbulencia, flujos y aerodinámica.
MENO: Operadores Neurales Mejorados con MeanFlow para Sistemas Dinámicos
Descubre MENO: el nuevo marco que mejora operadores neurales con MeanFlow para predicciones precisas en sistemas dinámicos, con hasta 14x más rapidez que DDIM.
Modelos de Lenguaje Esotéricos: LLMs de Difusión de Cualquier Orden
Eso-LMs: modelos de lenguaje que combinan AR y MDM con atención causal y caché KV, permitiendo generación paralela e inferencia eficiente. Nuevo estado del arte.
Conformal C2ST: Convertir clasificadores débiles en pruebas de dos muestras
Descubre cómo el Conformal C2ST convierte clasificadores débiles en potentes pruebas de dos muestras para validar modelos de inferencia bayesiana.
Estimadores secuenciales de mínimos cuadrados con bosquejo aleatorio rápido
Descubre cómo el método SLSE-FRS combina Sketch-and-Solve e Iterative-Sketching para obtener estimadores de alta precisión en modelos lineales a gran escala.
Reactivando tokens de parche para mejorar el probing en audio
El probing con tokens de parche reactivados supera al costoso fine-tuning en clasificación de audio multi-etiqueta. Descubre este nuevo método ligero y eficiente.
Ptychografía ciega a la posición: viabilidad con inferencia variacional
Descubre cómo la inferencia variacional con modelos de difusión permite reconstruir imágenes en ptychografía ciega a la posición, incluso con ruido. Resultados prometedores.
Robustez probabilística no paramétrica: estimador conservador de riesgo
Descubre la robustez probabilística no paramétrica (NPPR), una métrica práctica que estima el riesgo de forma conservadora sin necesidad de conocer la distribuc
Surrogados profundos con física para la ecuación de Boltzmann de fonones
Nuevo sustituto profundo con física reduce hasta un 70% los datos de entrenamiento para simular transporte térmico a nanoescala, con errores del 5%. Ideal para diseño de materiales.
Ondas planas globales desde gaussianas: carga periódica al instante
Descubre ELECTRAFI: predice densidad de carga periódica en cristales con velocidad récord y reduce costos de DFT hasta un 20%. Precisión y eficiencia sin precedentes.
Guía del autoestopista: estimación de gradientes Poisson
Descubre cómo estimar gradientes Poisson sin sesgo con el método EAT modificado. Comparativa con Gumbel-Softmax para VAEs y modelos de inferencia neuronal.
¿Hasta dónde pueden crecer los modelos generativos de materiales?
Descubre RADII, el primer benchmark que mide la frontera de extrapolación en modelos generativos de materiales. ¿Hasta dónde pueden escalar?
OpenAI mejora GPT-5.5 y retirará modelos ChatGPT heredados
OpenAI lanza mejora para GPT-5.5 y retira modelos clásicos como o3. Conoce los cambios y el futuro de ChatGPT.
Memorización: ¿útil o perjudicial? El umbral lo determina la información previa
Descubre cómo la información previa determina si la memorización en modelos lineales es beneficiosa o perjudicial, según el umbral de ruido.
Cuantificación de la propagación de errores y colapso en modelos de difusión
Analizamos la propagación de errores en modelos de difusión con datos sintéticos. Primeras cotas inferiores de divergencia y regímenes de deriva.
IAPO: Optimización de Políticas Informada para Razonamiento Eficiente en Tokens
Descubre IAPO: asigna ventajas a cada token según información mutua. Reduce razonamiento hasta 36% sin perder precisión. Optimiza tus modelos de lenguaje.
GradMem: Contexto en Memoria con Descenso de Gradiente en Tiempo de Prueba
Optimiza LLMs con GradMem: escribe contexto en memoria mediante descenso de gradiente en tiempo de prueba, reduciendo la necesidad de grandes cachés.