¿Tienen emociones los grandes modelos de lenguaje?
¿Los grandes modelos de lenguaje pueden tener emociones? Un estudio de Anthropic sobre Claude sugiere emociones funcionales. Analizamos la evidencia y el
#ode
MMLongEmbed: Evaluación de modelos de embeddings multimodales en contextos largos
MMLongEmbed: el primer benchmark para evaluar modelos de embeddings multimodales en escenarios de contexto largo. Descubre sus hallazgos clave.
¿Mis datos de visión-lenguaje entrenaron tu IA? MINT Demo 2
Descubre MINT Demo 2, una herramienta para auditar si tus datos de visión-lenguaje fueron usados en entrenar modelos de IA. Hasta 90% de precisión.
Modelo generativo con expertos de dominio para series temporales escasas
TimeMoDE combina diffusion transformers y expertos de dominio para generar series temporales realistas con pocos datos. Supera la escasez de datos.
¿Pueden las redes neuronales lograr el equilibrio óptimo entre cómputo y estadística?
Descubre cómo un nuevo algoritmo permite a redes neuronales de dos capas alcanzar el equilibrio óptimo entre cómputo y estadística en modelos de índice único,
Semantic DLM+: Equilibrio sesgo-varianza en modelos de difusión
SemDLM+ mejora modelos de difusión de lenguaje al equilibrar sesgo y varianza en el diseño del kernel de transición, logrando generación de texto diversa y
Inversión Probabilística de Signaturas Truncadas
Aprende cómo la inversión probabilística de signaturas truncadas permite recuperar caminos temporales con precisión, usando modelos de flujo y teoría de Bayes.
DiRecT: Planificación segura con modelos de difusión y horizonte deslizante
Descubre DiRecT, un algoritmo de planificación segura sin entrenamiento que aplica restricciones solo a la trayectoria final, mejorando seguridad y rendimiento
Robo de modelos a través del lente de la multiplicidad
Descubre cómo la multiplicidad de modelos revela que los sustitutos de alta fidelidad no son equivalentes al original, afectando seguridad y equidad.
MoECa: Alineando Reutilización de Características con Expertos en Difusión
MoECa acelera hasta 2.83x la inferencia de Transformers de Difusión con Mixture of Experts, manteniendo la calidad.
Re-alimentación vs reproducción: ruido en crédito contrafactual de tokens
Re-alimentar el prompt introduce ruido en crédito contrafactual, afectando selección de tokens. Estudio vLLM revela diferencias hasta 28pp.
Ajuste fino federado consciente de conflictos en LLMs con MoE
Aprende cómo el marco FC-MoE resuelve conflictos en el ajuste fino federado de modelos de lenguaje grandes con mezcla de expertos, mejorando convergencia y
Mitigando la distorsión en atención de LLMs para razonamiento en grafos
Descubre cómo la distorsión estructural en atención de LLMs perjudica el razonamiento en grafos y cómo GaLA lo corrige. Mejora sin sobrecarga.
HAPI-EP: Gemelos Digitales Híbridos, Adaptativos y Predictivos
HAPI-EP: marco de IA para gemelos digitales cardíacos híbridos, adaptativos y predictivos. Se adapta en tiempo real a datos del paciente.
MosaicQuant: Cuantización unificada 4-bit con desagregación de inliers-outliers
Descubre MosaicQuant: cuantización 4-bit unificada que preserva precisión casi FP16 y acelera hasta 1.24x en LLMs. ¡Optimiza tu inferencia!
ReQAT: Precisión completa con cuantificación FP4
Descubre ReQAT, el método que logra precisión completa en modelos de razonamiento grandes con cuantificación FP4, reduciendo costos y acelerando el rendimiento
Ajuste fino federado consciente de conflictos para LLMs con MoE
Descubre cómo FC-MoE optimiza el ajuste fino federado de LLMs con mezcla de expertos, resolviendo conflictos entre clientes para acelerar la convergencia y
HAPI-EP: Gemelos digitales híbridos, adaptativos y predictivos
HAPI-EP: marco de IA para gemelos digitales cardíacos híbridos y adaptativos que predicen y se adaptan a datos en vivo, mejorando la medicina personalizada.
Marco multiagente para evaluar riesgo de auditoría con incertidumbre y conflicto
Descubre UMAR, un marco multiagente que evalúa riesgos de auditoría con incertidumbre y conflicto. Mejora precisión y señales interpretables.
Poda de expertos MoE: formulación unificada y selección
Optimiza modelos MoE con poda de expertos de un solo disparo: conoce la formulación unificada y los criterios MAN y MSAN que logran hasta 8.8 puntos de mejora.