ProjQ: Compresión de LLM con Cuantización y Adaptadores
ProjQ revoluciona la compresión de LLMs al proyectar el ruido de cuantización en un subespacio de bajo rango. Obtén modelos más ligeros y eficientes con fine-tuning mejorado.
#presión
GC-MoE: Estimación de Transcripción Espacial de Célula Única desde Histología
GC-MoE utiliza mezcla de expertos guiada por genómica para predecir expresión génica por célula desde histología, mejorando la precisión en transcripción espacial.
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!
AdaCodec: Un Código Visual Predictivo para Video MLLMs
AdaCodec reduce tokens visuales en video MLLMs hasta 1/7, mejorando benchmarks y reduciendo tiempo de primera respuesta de 9.26s a 1.62s.
ACON: Compresión de contexto óptima para agentes LLM de larga duración
Descubre cómo ACON comprime el contexto de agentes LLM sin reentrenar, reduciendo tokens hasta un 54% y mejorando el éxito en tareas largas. ¡Optimiza tu IA!
Por qué el software de laminado de tu impresora 3D es más importante que la impresora
Descubre por qué el software de laminado es más determinante que tu impresora 3D para lograr piezas perfectas. Consejos clave para optimizar tus impresiones.
TRACE: Compresión de Riesgos en Trayectorias para Seguridad de Agentes
TRACE comprime evidencia de riesgo en trayectorias de agentes para mejorar la seguridad en tareas de largo plazo. ¡Alta precisión!
Modelado generativo con flujos para optimizar muestreo en compresión
Optimiza el submuestreo en compresión de sensores con modelos generativos de flujo. Logra reconstrucciones de imágenes de alta calidad con solo el 5% de datos. Ideal para MRI.
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.
ADNTN: Redes Tensoriales Diferenciables para Compresión Exponencial de DNN
Explora ADNTN: comprime DNN hasta 77,000x, mejorando precisión. Redes tensoriales no lineales automáticamente diferenciables.
Más allá de la aumentación: Score guiado para detectar depresión con EEG
Nuevo método de clasificación guiada por puntuación detecta depresión con EEG sin aumentación de datos, mejorando precisión.
Criterio de fibra para identificabilidad de representaciones en aprendizaje supervisado
¿Son únicas las representaciones que aprende tu modelo? Descubre el criterio de fibra para identificar si las propiedades de representación son identificables en aprendizaje supervisado.
MiCU: Comprensión de comandos del hogar inteligente con LLM
Descubre cómo MiCU, un LLM especializado, mejora un 20% la precisión en comandos del hogar inteligente y reduce correcciones un 1.57%. ¡Lee más!
Compresión de redes neuronales mediante equivalencia diferencial aproximada
Aprende a comprimir redes neuronales agrupando neuronas por equivalencia diferencial. Reduce parámetros sin perder precisión, alternativa eficaz.
STaR-KV: Compresión de caché KV en modelos de lenguaje visual para GUI
STaR-KV comprime la caché KV en modelos GUI sin entrenamiento, reduciendo memoria GPU un 40% sin penalizar precisión. Descubre cómo.
Supresión de atajos en falsificaciones para detección generalizable de deepfakes
El marco S^3 suprime atajos específicos de falsificación para lograr detección de deepfakes generalizable y robusta, mejorando el rendimiento en nuevos métodos de ataque.
Destilación colaborativa y cuantización de baja precisión en Wan2.2
Descubre cómo optimizar modelos de video Wan2.2 con destilación y cuantización de baja precisión. ¡Mejor calidad, menos pasos!
Límites inferiores teóricos para optimización estocástica con bits limitados
Descubre cómo los límites informacionales afectan la optimización estocástica con gradientes de baja precisión: reducción a estimación gaussiana.
Reconoce a tu orquestador: dinámica de entropía en MAS
La dinámica de entropía revela la fragilidad de los orquestadores y la trampa del razonamiento en sistemas multiagente. Identifica el colapso del rendimiento.
DASH: Destilación de Puntajes de Doble Rama para Modelos de Difusión Compactos
Descubre cómo DASH comprime modelos de difusión manteniendo calidad y guía, superando al entrenamiento desde cero.