ShapeLib: Diseñando bibliotecas de abstracciones 3D con LLMs
Descubre cómo ShapeLib usa LLMs para crear bibliotecas de abstracciones de formas 3D. Generalización, edición y generación.
#modelos de lenguaje grandes
Moderación eficiente de LLMs con prototipos latentes multicapa
MLPM, moderador ligero basado en prototipos latentes multicapa, mejora la seguridad de LLMs sin sacrificar eficiencia. Ideal para despliegues personalizados.
GFlowGR: Optimización de Sistemas de Recomendación Generativos con GFlowNets
GFlowGR utiliza GFlowNets para ajustar sistemas de recomendación, mitigando el sesgo de exposición. Mejora diversidad y precisión. Optimiza tu modelo.
Destilación de Grandes Modelos de Lenguaje con Puntuación Concreta
Descubre CSD, técnica de destilación que evita suavizado softmax y optimiza logits, mejorando modelos de lenguaje grandes. Ideal para IA eficiente.
Predicción Conforme Consciente del Cambio de Dominio para LLMs
Predicción conforme adaptativa al cambio de dominio: mejora la fiabilidad de los LLMs y reduce alucinaciones. Un avance en incertidumbre confiable.
Método corrige localización de circuitos con retropropagación consciente
Aprende cómo GIM, un nuevo método de retropropagación, mejora la localización de circuitos en modelos de lenguaje al tener en cuenta interacciones.
OncoReason: razonamiento clínico en LLMs para predicción de supervivencia
Nuevo marco OncoReason alinea LLMs con razonamiento clínico para predicción de supervivencia robusta e interpretable. Mejora F1 un 6% y reduce MAE un 12%.
SmartThinker: Calibración Progresiva de Longitud CoT para Razonamiento Eficiente
SmartThinker calibra la longitud de cadena de pensamiento logrando hasta 52.5% de compresión y mejora de precisión en modelos de lenguaje grandes.
Alineación controlable de valores en LLMs mediante edición a nivel neuronal
Descubre cómo NeVA alinea valores en LLMs con edición neuronal, evitando fugas indeseadas. Control fino 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.
TrOPD: Destilación On-Policy con Región de Confianza
TrOPD estabiliza la destilación on-policy de LLMs usando regiones de confianza, superando la divergencia profesor-alumno. Mejora razonamiento, código y benchmarks.
Destilación On-Policy en Región de Confianza
TrOPD estabiliza la destilación on-policy en LLMs con regiones de confianza. Supera a OPD, EOPD y REOPOLD en razonamiento y código. ¡Descubre cómo!
Gradientes en embeddings semánticos revelan la incertidumbre de los LLM
Descubre cómo los gradientes semánticos revelan la incertidumbre de los LLM. SemGrad y HybridGrad: métodos sin muestreo para predicciones fiables.
CRMA: Backbone con límite espectral para ajuste fino continuo de LLMs
Descubre CRMA: ajuste fino secuencial de LLMs sin olvido catastrófico, mejorando rendimiento en tareas previas. Sin buffers, sin destilación.
ODTQA-FoRe: dataset para preguntas tabulares y pronóstico
Descubre ODTQA-FoRe, el primer dataset para preguntas tabulares con predicción futura. TimeFore combina LLM y modelos de series temporales para pronósticos precisos en datos inmobiliarios.
ACON: Compresión de contexto óptima para agentes LLM de larga duración
Descubre cómo ACON comprime el contexto de agentes LLM sin reentrenar, reduciendo tokens hasta un 54% y mejorando el éxito en tareas largas. ¡Optimiza tu IA!
Agregación de Deltas de Preferencia: de señales débiles a modelos fuertes
Aprende cómo el método PDA agrega señales débiles con fusión LoRA para mejorar LLMs en razonamiento y búsqueda.
Intervención relacional en colapso funcional de LLMs
Investigación con Qwen3.5-4B: una intervención relacional en primera persona logra recuperar el comportamiento de un modelo colapsado, mientras que solo estructura o solo registro no bastan.
Utilidad empresarial de los LLM como agentes de Análisis Exploratorio de Datos
¿Son los LLM fiables para el análisis exploratorio de datos? Este estudio revela que solo GPT-5.4 ofrece calidad y repetibilidad aceptables.
Plausibilidad no es predicción: evidencia contrastiva en perturbaciones con LLM
Los LLMs fallan al predecir efectos de perturbaciones celulares. CORE organiza evidencia contrastiva para mejorar la precisión hasta un 28.6%. Descubre cómo.