ThoughtFold: Plegado de Cadenas de Razonamiento con Aprendizaje Introspectivo
Descubre ThoughtFold, un framework que elimina exploraciones redundantes en modelos de razonamiento, reduciendo tokens hasta un 56% sin perder precisión.
#pensamiento
CR-Seg: Segmentación razonada de grueso a fino con atención y CoT
CR-Seg: segmentación razonada que combina atención y cadena de pensamiento para objetos complejos.
Taiji: Optimización Pareto para Recomendación Industrial con LLM
Descubre cómo Taiji optimiza recomendaciones industriales con LLM, equilibrando semántica e IDs de usuario. Resultados reales en Kuaishou.
Expresión fiel de confianza en modelos de razonamiento grandes
¿Los modelos de razonamiento grandes expresan su confianza de forma fiel? Cuantificamos la calibración entre incertidumbre interna y verbalizada, revelando desa
Aletheia: ¿Qué hace funcionar a RLVR para verificadores de código?
Descubre cómo Aletheia revela la receta óptima para entrenar verificadores de código según la escala del modelo. Ahorra costos sin sacrificar precisión.
LatentChem: Del CoT textual al pensamiento latente en razonamiento químico
LatentChem: razonamiento químico con pensamiento latente. Logra 59.88% de victorias frente a CoT y 10x menos pasos. Optimización sin cadenas textuales.
Autointerpretación: adaptadores ligeros entrenados en pares vector-etiqueta
Cómo adaptadores ligeros entrenados en pares vector-etiqueta logran autointerpretación que supera etiquetas y revela razonamiento implícito.
Midiendo la legibilidad débil-a-fuerte en modelos de razonamiento
Evalúa la legibilidad débil-a-fuerte en modelos de razonamiento: cadenas de pensamiento claras para supervisión segura de IA.
Teoría asintótica de Chain of Thought en aprendizaje en contexto
Descubre cómo la profundidad del razonamiento en cadena afecta la generalización en modelos de lenguaje. Teoría asintótica y fases de mejora exponencial.
SLAT: Recorte Adaptativo de Segmentos en Razonamiento CoT
SLAT: recorte adaptativo por segmentos reduce un 50% la longitud del razonamiento CoT sin perder precisión.
La estructura permite la autolocalización efectiva de errores en LLMs
La estructura permite a los LLMs localizar errores y autocorregirse. Thought-ICS logra un 20-40% de mejora.
Dinámica de la entropía en el razonamiento de Cadena de Pensamiento
Descubre cómo la dinámica de la entropía en el razonamiento CoT revela dos fases clave para optimizar la inferencia de IA con early exit y test-time scaling usando CUSUM.
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.
Autoencoder Disperso a Nivel de Paso para Interpretar Razonamiento
Descubre cómo el autoencoder disperso a nivel de paso (SSAE) desentraña el razonamiento de los LLMs, revelando información sobre corrección y lógica. Ideal para interpretabilidad en IA.
Cuando los negativos duros duelen: cerrando la brecha generativa-discriminativa
¿Negativos duros dañan tu recuperación? CausalNeg usa contrafactuales y entropía para cerrar la brecha generativa-discriminativa.
El Horizonte Determinista: Cuándo Delegar en Herramientas
El Horizonte Determinista: ¿Cuándo falla el razonamiento extendido? Descubre por qué delegar en herramientas es clave para alcanzar precisión superior.
Tutoría con IA: falacias lógicas y preguntas socráticas contra desinformación
Aprende cómo LFTutor, un tutor con IA, enseña a detectar falacias lógicas usando preguntas socráticas para combatir la desinformación. ¡Mejora tu pensamiento!
Diversidad sobre frecuencia: repensar uso de herramientas en agentes visuales
La diversidad en exploración supera a la frecuencia de uso de herramientas. Descubre el colapso y cómo la regularización de entropía mejora el razonamiento.
Engañar vs corregir: Revisiones perjudiciales y beneficiosas en LLM
Los LLM se dejan engañar fácilmente por respuestas mayoritarias. Un estudio revela que es más fácil inducir errores que corregirlos en sistemas multiagente.