GVC-Seg: Segmentación 3D sin entrenamiento por correspondencia visual-geométrica
GVC-Seg segmenta instancias 3D sin entrenamiento, elimina sesgo de confianza usando correspondencia geométrico-visual. Resultados de vanguardia.
#ode
CausShield: VFL Resistente a Reconstrucción con Representación Causal
CausShield protege tu modelo de aprendizaje federado vertical contra ataques de reconstrucción de muestras usando representación causal. Logra el mejor
NutriMLLM: Modelos Multimodales para Análisis de Micronutrientes
Descubre NutriMLLM, un modelo de IA entrenado con 1.1M de imágenes sintéticas para estimar hasta 65 micronutrientes a partir de fotos de comida.
CARE: Capa de seguridad conforme para resúmenes médicos
CARE es una capa de seguridad que ofrece garantías formales contra alucinaciones y omisiones en resúmenes médicos de IA. Reduce la carga de revisión hasta 5x.
Entrenamiento Consciente de Cuantización: Gradientes hacia la Cuenca de Baja Pérdida
Descubre cómo un nuevo marco geométrico explica por qué el Entrenamiento Consciente de Cuantización (QAT) recupera la precisión perdida en cuantización extrema.
TLDR: Compresión de Tokens de Audio para TTS Autoregresivo Eficiente
Descubre TLDR, la técnica que acelera hasta 1.8x el TTS autoregresivo reduciendo la memoria KV cache en 75% mediante parches de tokens. ¡Optimiza tus modelos!
SafeRun: Planificación Determinista con LLM para Running
SafeRun garantiza un 100% de seguridad en planes de running con IA determinista. Descubre cómo separa interpretación blanda de restricciones duras.
ATM: Matriz para Diagnosticar Modelos del Mundo Latente
ATM te permite diagnosticar y mejorar modelos del mundo latente con una matriz de transferencia que acelera la evaluación más de 100x, sin necesidad de
TRIAGE: Razonamiento dialéctico para predicción de riesgo en series médicas
Descubre cómo TRIAGE utiliza razonamiento dialéctico con LLMs para predecir riesgos clínicos de forma explicable, reduciendo errores de calibración en un 81%.
INFUSER: Auto-evolución guiada para mejorar el razonamiento
Descubre INFUSER, el innovador marco que permite a modelos de lenguaje mejorar su razonamiento mediante auto-evolución guiada por influencia. Resultados
Stage-1: control de entropía, no del resultado
Descubre cómo el Stage-1 en el post-entrenamiento de VLMs controla el régimen de entropía, pero no mejora significativamente el resultado final. Estudio con
Ve más, piensa más profundo: Evidencia visual expandida y reflexión guiada
Aprende cómo CoVER revoluciona la comprensión de videos largos con evidencia visual expandida y reflexión guiada.
OnlyDense: Modelado de orden reducido para simulación Lagrangiana
Aprende cómo OnlyDense revoluciona la simulación Lagrangiana con modelado de orden reducido y redes neuronales, alcanzando precisión del 99%.
Una visión unificadora sobre la incertidumbre de recompensa en RLHF
Descubre cómo la incertidumbre en RLHF se unifica con un modelo distribucional, mitigando el reward hacking. Clave para optimización robusta.
Riesgos de privacidad en modelos multimodales de lenguaje: vulnerabilidades y mitigación
Descubre cómo los modelos multimodales de lenguaje pueden exponer datos sensibles en imágenes. Analizamos vulnerabilidades y la urgente necesidad de
Esteganografía sin modificación: comunicación oculta mediante semillas de LLM
Descubre cómo los modelos de lenguaje ocultan mensajes en semillas PRNG sin alterar su código. Esteganografía sin modificación. ¡Lee!
Decodificando la intención de cruce peatonal con modelos de visión y lenguaje
Investigación que utiliza modelos de lenguaje y visión para predecir intención de cruce peatonal desde vídeos egocéntricos, con un 14.5% más de precisión.
SEF-CLGC en SemEval-2026: Impacto de la Notación Lógica en Modelos de Lenguaje
Descubre cómo SEF-CLGC combina notación lógica y SLMs para evaluar razonamiento en IA, reduciendo sesgo y logrando 27.80% de contenido.
Uni-E: Decodificación Invariante e Independiente en Modelos de Difusión
Descubre Uni-E, una energía unificada para decodificación invariante e independiente en modelos de difusión. Corrige desviaciones.
Red-Teaming culturalmente adaptado: análisis comparativo en Asia
La traducción directa subestima riesgos en LLMs. Este análisis en 4 idiomas asiáticos muestra cómo el red-teaming culturalmente adaptado revela amenazas reales.