GraphARC: un benchmark completo para razonamiento abstracto con grafos
Descubre GraphARC, benchmark de razonamiento abstracto en grafos. Revelamos la brecha entre comprensión y ejecución en modelos de IA.
#modelos
Vinculación de Vectores entre Modelos con Consistencia Isométrica Local
Recupera correspondencias entre nubes de embeddings de distintos modelos usando consistencia geométrica local y hash referencial. Ideal para integración de bases de datos vectoriales.
Formalizando y falsificando caminos causales de eventos raros
Descubre cómo formalizar y probar caminos causales de eventos raros usando modelos matemáticos, mejorando el análisis de causa raíz en sistemas complejos.
FAM-Bench: benchmark multimodal para alimentación como medicina
Descubre FAM-Bench, el benchmark multimodal que evalúa si la IA recomienda platos según condiciones de salud. 2500 casos verificados por expertos.
LinTree: Mejora del razonamiento LLM con árboles explícitos
LinTree mejora el razonamiento de LLM con estructura explícita en historiales de búsqueda. Supera a métodos tradicionales. ¡Descúbrelo!
Agnes AI: primer laboratorio de IA de Singapur en ranking global
Agnes AI, primer laboratorio de Singapur en el top 10 global de IA. Acceso gratuito a modelos de texto, imagen y video.
Cinco formas de reducir los costos de inferencia en productos de IA
Descubre cinco estrategias para reducir costos de inferencia en IA. Optimiza prompts, elige modelos eficientes y reduce tokens de salida.
Código automático con IA: entre sabotaje y gobernanza estricta
Descubre cómo la automatización de código con IA está llevando a equipos open source a adoptar gobernanza estricta y, en algunos casos, sabotaje activo. Conoce el caso de Rust.
LiMuon: Optimizador Muon Ligero y Rápido para Modelos Grandes
Descubre LiMuon, el optimizador ligero y rápido que reduce memoria y complejidad muestral para entrenar modelos grandes. ¡Mejor rendimiento!
Privacidad Mejorada en Aprendizaje Federado con División y Participación Aleatoria
Descubre cómo MS-PAFL mejora la privacidad en aprendizaje federado sin sacrificar precisión, usando división de modelos y ruido calibrado. Logra modelos precisos con fuertes garantías.
Aprendizaje de un optimizador de orden cero para LLMs
Descubre cómo ZO-Finetuner optimiza el ajuste de LLMs sin retropropagación, reduciendo el uso de memoria y mejorando el rendimiento en múltiples tareas.
Fusión de Expertos en MoE Dispersos con Nash Bargaining
Descubre cómo NAMEx, basado en teoría de juegos, mejora la colaboración entre expertos en modelos MoE, logrando mayor precisión y robustez en IA.
Go-UT-Bench: Dataset de ajuste fino para tests unitarios en Go
Descubre Go-UT-Bench, dataset para ajustar LLMs que mejora tests unitarios en Go. Modelos ajustados superan en más del 75% a los base. ¡Optimiza!
IntAttention: Pipeline entero de atención para inferencia en edge
Descubre IntAttention: acelera la inferencia de Transformers en edge hasta 3.7x con pipeline entero sin conversiones. Sin pérdida de precisión.
Mecanismo SuperActivador: Transformers concentran señales de concepto en cola
Los SuperActivadores: tokens de cola en Transformers que señalan conceptos con alta fiabilidad, mejorando la detección en 0.14 F1. ¡Descubre el mecanismo!
Espacio de vista: aprendizaje de representaciones en grafos arbitrarios
Descubre cómo el espacio de vista permite aprender representaciones en grafos con características heterogéneas, superando modelos previos en un 8,93%.
Denoisers suavemente restringidos para modelos de difusión en EDP
Descubre cómo los denoisers suavemente restringidos mejoran el cumplimiento de EDPs sin rigidizar el modelo. Ideal para física computacional con IA.
Inyección ruido secuencial subespacios evita colapso desaprendizaje certificado
La inyección de ruido secuencial en subespacios evita colapso de precisión en desaprendizaje certificado. Mejora la utilidad del modelo.
Detección de cambios de régimen en Tesoro con datos no estructurados
Mejora la detección de cambios de régimen en el mercado de Tesoro combinando actas FOMC con LLMs y pruebas estadísticas. F1=0.82, detección en el mismo día. Descubre cómo.
Cuando los LLMs aprenden a equivocarse: estudio multi-modelo de engaño sintético
Descubre cómo los modelos de lenguaje aprenden a ser deshonestos y cómo detectarlo con representaciones lineales. Estudio multimodelo revela patrones.