Arquetipos generativos en representación de ítems para recomendación secuencial
Descubre GenAIR, un marco que mejora la recomendación secuencial usando arquetipos generativos y calibración conductual. ¡Aumenta el rendimiento de tus modelos!
#modelos de lenguaje grande
Razonamiento sobre IDs semánticos para recomendación generativa
Descubre cómo SIDReasoner mejora la recomendación generativa al combinar razonamiento sobre IDs semánticos con LLMs, logrando mayor precisión e interpretabilidad.
Detección de alucinaciones en LLM y VLM con crestas de densidad
Descubre cómo el nuevo método de crestas de densidad supera en hasta 20 puntos AUROC a técnicas actuales en detección de alucinaciones con pocas etiquetas de calibración.
ERAlign: Alineación de Representaciones de GNNs y LLMs en Grafos Textuales
Descubre ERAlign: alinea GNNs y LLMs en grafos textuales con modelos energéticos, mejorando el rendimiento sin costos altos de muestreo.
Avances en auditoría de privacidad empírica con canarios sintéticos
Descubre cómo los canarios sintéticos mejoran la auditoría de privacidad en LLMs. Aprende a medir memorización y fuga de datos en fine-tuning eficiente.
Inferencia estadística secuencial para LLMs: Representación, validez y monitoreo
La inferencia estadística secuencial permite monitorear LLMs, detectando alucinaciones, sesgos y cambios de comportamiento. Mejora la confiabilidad.
Decodificando emociones dinámicas del cerebro con IA y LLMs
Descubre el innovador marco de regresión mejorado con LLMs que decodifica emociones continuas desde señales cerebrales fMRI. Léelo en Q2BSTUDIO.
Benchmarking de protección de privacidad empírica en adaptaciones de LLM
Evaluamos cómo la distribución de datos y métodos como LoRA impactan la privacidad en LLM con privacidad diferencial. Claves para proteger datos sensibles.
Operacionalizando la Alineación Superficial vía Complejidad de Tareas
La Hipótesis de Alineación Superficial cuantificada: el post-entrenamiento colapsa la complejidad de tareas en LLMs. Resultados sorprendentes en razonamiento y traducción.
Transición de fase en LLMs y criticalidad del lenguaje natural
Descubre cómo los LLMs muestran una transición de fase al variar la temperatura, generando textos con patrones de ley de potencia como el lenguaje natural.
Atención ilumina razonamiento LLM: ritmo preplan-anclaje para optimización granular
Descubre cómo la atención en los LLM revela un ritmo de preplan y anclaje que optimiza políticas con aprendizaje por refuerzo granular, mejorando el razonamiento.
CATPO: Optimización de Políticas de Árbol Aumentada con Crítica
Descubre cómo CATPO revoluciona el aprendizaje por refuerzo con crítica aumentada, mejorando la precisión en LLMs hasta un 37.5% en benchmarks clave. Optimiza tus modelos.
Incertidumbre en código generado: más que solo texto
¿Cómo saber si un modelo de lenguaje genera código fiable? Un nuevo método basado en tres ejes ortogonales mejora la estimación de incertidumbre hasta un 8%.
Modelos de Lenguaje Grandes Federados: Avances y Futuro
Descubre cómo el aprendizaje federado permite entrenar grandes modelos de lenguaje preservando la privacidad. Exploramos avances, retos y direcciones futuras en FedLLM.
Formalizando el aprendizaje con retroalimentación lingüística
Descubre HELiX, algoritmo que formaliza el aprendizaje de IA con retroalimentación lingüística, ofreciendo garantías demostrables y mejora exponencial.
Generative Reasoning Re-ranker: mejora de recomendaciones con IA
Descubre GR2, el nuevo reordenador generativo que mejora recomendaciones con razonamiento de LLMs y aprendizaje por refuerzo, superando al estado del arte en Recall y NDCG.
Comparativa de retroalimentación en escritura técnica: LLMs vs SLMs vs humanos
Estudio compara retroalimentación en escritura técnica de LLMs, SLMs y humanos. Los estudiantes valoran los modelos locales por su privacidad y costo cero.
Falla de seguridad conductual: perspectiva a nivel de representación
¿Son realmente seguros los LLMs? La evaluación conductual falla al esconder vulnerabilidades latentes. Audita tus modelos con el nuevo enfoque.
Impactos de historial y modelo en calificación LLM: estudio cursos avanzados SW
¿Son fiables los LLM? Estudio revela que el historial de interacción sesga la calificación de tesis con GPT y Grok.
Reenlace condicionado por recuperación en LLMs para seguimiento de entidades
Los LLMs usan circuitos de reenlace condicionado para rastrear entidades y actualizar atributos. Intervenciones causales.