Moment-Video: Fidelidad temporal de MLLM en eventos visuales momentáneos
Moment-Video evalúa la capacidad de MLLM para captar eventos visuales que duran solo unos fotogramas. Resultados sorprendentes.
#precisión
Repensando la granularidad: compresión de LLM con SubFit
SubFit comprime LLMs a nivel de submódulos con selección no contigua. Mejora el equilibrio precisión-perplejidad, acelera inferencia y ahorra memoria KV-cache. ¡Más eficiente!
Domando la complejidad: Agentes para fallos en el kernel Linux
Descubre cómo los agentes de ingeniería de software con LLM logran un 41.6% de precisión en la localización de fallos del kernel de Linux. Mejora tu depuración con IA.
AXIOM: Arquitectura Neuro-Simbólica Confiable para Razonamiento Matemático Verificable
Descubre AXIOM, una arquitectura neuro-simbólica que combina IA y sistemas algebraicos para razonamiento matemático verificable con 94% de precisión y cero errores.
CAREAgent: Agente Clínico con Razonamiento Estructurado para Órdenes
Descubre CAREAgent, el agente clínico que combina razonamiento estructurado y herramientas integradas para generar órdenes clínicas precisas. Mejora el F1 un 5%
Más allá de texto:ComProScanner integra visión-lenguaje para figuras científicas
Descubre cómo ComProScanner extrae datos de materiales de figuras científicas con precisión del 97%. Automatiza tu investigación.
BitsMoE: Asignación eficiente de bits para cuantización de MoE LLM
BitsMoE asigna bits inteligentemente en MoE LLM, logrando cuantización 2 bits con 27.83% más precisión, 12.3x más rápida y 1.76x más velocidad.
DLLM-JEPA: Arquitectura JEPA para Modelos de Lenguaje con Difusión Enmascarada
DLLM-JEPA: nueva arquitectura que combina JEPA y difusión enmascarada para reducir FLOPs un 33% y ganar hasta 18.7% en precisión.
Marco metodológico para controlar el equilibrio velocidad-precisión en BCIs
Controla el equilibrio velocidad-precisión en BCIs con un nuevo marco metodológico paramétrico. Optimiza el rendimiento según la aplicación.
HASTE: Entrenamiento Disperso Dinámico para Grandes Espacios de Salida
Con HASTE, el entrenamiento disperso dinámico consciente del hardware logra hasta 25x de aceleración en backpropagation para clasificación multi-etiqueta extrema.
STARFISH: Recuperación rápida de precisión en redes podadas
STARFISH recupera hasta un 82% de precisión en redes podadas usando solo el 0.4% de imágenes. Supera en un 22% a otros métodos. Descubre cómo optimizar tus modelos.
Repensando los paradigmas de evaluación en entrenamiento certificado IBP
Descubre cómo las fronteras de Pareto y la optimización automatizada revelan rendimientos superiores en entrenamiento certificado.
Predecir fuga anastomótica colorrectal con mapeo vascular e IA
Descubre cómo la IA predice el riesgo de fuga anastomótica colorrectal mediante análisis de TC. Un avance en cirugía de precisión basada en datos.
MURMUR: Sistema eficiente de inferencia para ASR de larga duración
Murmur: sistema de inferencia para ASR de larga duración que reduce la latencia 4.2x sin degradar la precisión. Atención dispersa y evicción de caché KV.
FedMTFI: Destilación con importancia de características en FL heterogéneo
FedMTFI optimiza el aprendizaje federado heterogéneo con destilación multi-maestro y valores Shapley, mejorando precisión e interpretabilidad.
Los LLMs también necesitan codificadores para IDs semánticos
Descubre cómo PrefixMem mejora hasta un 46% la precisión de IDs semánticos en LLMs para recomendación generativa. Optimiza tus modelos.
Ranking vs Asignación: Desajuste de Métricas en Asociación de Objetos Multivista
Descubre por qué las métricas de ranking como AP y FPR-95 fallan en evaluar la asignación correcta de objetos en múltiples vistas. La normalización Sinkhorn como solución.
Mecanismos de atención y transfer learning para clasificar daños en hojas de durazno
Descubre cómo la atención y transfer learning clasifican daños en hojas de durazno con 93% de precisión incluso bajo condiciones variables.
Adaptadores CP: pasos de parámetros más finos en PEFT
Los adaptadores CP ofrecen pasos de parámetros 21 veces más finos que LoRA. ¿Mejoran la precisión? Estudio controlado en OPT-1.3B revela resultados según la tarea.
¿Skill o Skip? Aprendizaje de invocación selectiva en agentes
Aprende cómo SelSkill optimiza la invocación de habilidades en agentes IA: mejora éxito en tareas 10.9% y precisión 29.1%.