Redirigiendo la atención auditiva con instrucciones en modelos de audio
Nueva técnica de steering con instrucciones redirige la atención auditiva en IA. Localiza eventos sonoros sin entrenamiento, superando métodos tradicionales. Descubre cómo.
#qwen2
Redirección de atención mediante instrucciones en modelos de audio-lenguaje
Descubre cómo redirigir la atención en modelos de audio-lenguaje para localizar eventos sonoros sin entrenamiento, con hasta 68% de precisión.
PoetryQwen: Traducción y emoción en poesía clásica china
Descubre PoetryQwen, el modelo fine-tuneado con LoRA que mejora un 9.7% la traducción y comprensión emocional de poesía clásica china. Nuevo dataset.
CLP: Predicción de Longitud de Colocación para Inferencia Multi-Token Adaptativa
CLP acelera inferencia de LLMs hasta 1.29x sin pérdida. Predice longitud de colocación para decodificación multi-token adaptativa.
ASA: Representación sin Entrenamiento para Agentes de Herramientas
ASA mejora la precisión de agentes en herramientas sin reentrenar. Reduce falsos positivos un 66% y eleva F1 de 0.18 a 0.50 con solo 20KB.
Dispuesta pero incapaz: Abliteración en LLMs de código
La abliteración elimina la negativa en LLMs de código, permitiendo inyectar vulnerabilidades como SQL injection. Resultados en Qwen2.5-Coder.
Ruta de razonamiento como entrada: uniendo post-razonamiento a compresión de CoT
Descubre cómo el post-razonamiento y UCoT comprimen cadenas de pensamiento en LLMs, reduciendo tokens un 50% sin perder rendimiento. ¡Mejora la eficiencia!
Resumen del Desafío de Recuperación Multimodal EReL@MIR 2025 (Track 1)
Descubre los resultados del EReL@MIR 2025: sistemas de recuperación multimodal que combinan texto e imágenes. Conoce a los ganadores y sus innovadoras soluciones.
Alucinaciones sintéticas, ganancias reales: negativos duros para mitigar FIM
Descubre cómo los modelos frontera generan alucinaciones sintéticas como negativos duros para entrenar modelos de código y reducir alucinaciones +18.8%.
Alternativa sin entrenamiento: LLMs puntúan procesos matemáticos
Descubre cómo LLMs listos para usar mejoran el razonamiento matemático sin entrenamiento, superando la votación mayoritaria hasta 28%.