Andamios visuales de grafos para razonamiento en LLMs
¿Sabías que los grafos visuales potencian el razonamiento de los LLMs? Un estudio revela cómo los andamios visuales superan al texto plano.
#razonamiento
ChatHealthAI: Alineando EHR y LLMs para razonamiento clínico
ChatHealthAI integra registros médicos electrónicos con modelos de lenguaje para lograr razonamiento clínico interpretable y preciso. Descubre cómo.
Más allá de la respuesta correcta: el sobrepensamiento dañino en modelos de razonamiento
Descubre cómo los modelos de IA con razonamiento extendido pueden desviarse tras alcanzar la respuesta correcta, y cómo detenerse a tiempo mejora la precisión hasta un 21%.
Inducción de primitivas de razonamiento a partir de trazas de agentes
Induce primitivas de razonamiento desde trazas de agentes y mejora el rendimiento hasta +44pp. Técnica de un solo paso que supera al agente original.
CORE: Razonamiento Orientado a Conflictos para Detección Multimodal
Descubre cómo el marco CORE detecta manipulación multimodal y noticias falsas mediante razonamiento de conflictos. ¡Aprende más!
Precio sombra del razonamiento: asignación óptima de presupuesto para LLMs
Descubre CLEAR optimiza la asignación de presupuesto en inferencia de LLMs, logrando hasta 3x más precisión que asignación uniforme con recursos limitados.
EvoTrainer: Coevolución de políticas LLM y arneses
Descubre EvoTrainer, un marco que coevoluciona políticas LLM y arneses de entrenamiento para superar al RL humano en tareas complejas de software.
GTBench: Benchmarck curricular para evaluar LLMs en teoría de grafos
Nuevo benchmark curricular GTBench evalúa LLMs como asistentes en teoría de grafos. GPT-5 lidera, Llama falla.
Percepción antes de razonar: marco PRPF para agentes móviles
El marco PRPF optimiza la intervención de agentes móviles proactivos al percibir antes de razonar, reduciendo falsos positivos y mejorando la eficiencia. Descubre cómo.
Destilación de reglas ASP desde LLMs para VQA neurosimbolico
Aprende a destilar reglas de programación lógica desde LLMs para VQA interpretable, con solo pocos ejemplos. Alternativa eficiente al aprendizaje de reglas tradicional.
Resultado negativo: transferencia de activación entre modelos Pythia
¿Puede un modelo transmitir activaciones a otro? En nuestro experimento con Pythia, la alineación no basta para comunicación causal. Resultado negativo.
LEAP: Potenciando LLMs para matemáticas formales con marcos agentivos
Descubre cómo LEAP, un marco agentivo, potencia LLMs para resolver problemas formales de matemáticas, superando récords en competiciones como Putnam e IMO.
CP-Agent: Razonamiento multimodal contextual para fenotipado celular
CP-Agent: IA multimodal que interpreta morfología celular bajo fármacos, acelerando descubrimiento con reportes contextuales.
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.
Restricciones auxiliares para el seguimiento de instrucciones en LRMs
Reduce violaciones de restricciones en un 39% con CRGC. Mejora el seguimiento de instrucciones en modelos de razonamiento.
TSQAgent: Calidad de Series Temporales con Razonamiento Agéntico
Descubre TSQAgent, un marco de agentes de IA que evalúa la calidad de series temporales mediante razonamiento y herramientas analíticas. Mejora la selección de datos y el rendimiento.
Implicación no monótona en lógica defeasible de puntos de vista
Aprende cómo la lógica defeasible de puntos de vista permite implicaciones no monótonas con condicionales situados y cierres racional y lexicográfico.
Más que respuestas: Evaluación verificable del razonamiento químico paso a paso
Evalúa el razonamiento químico de los LLMs con ChemCoTBench-V2, un benchmark verificable paso a paso que detecta fallos en la lógica ocultos tras respuestas correctas.
Code-on-Graph: Razonamiento Programático con LLMs
Descubre Code-on-Graph, framework que combina LLMs y grafos de conocimiento para razonamiento programático flexible. Supera limitaciones de precisión y escalabilidad.
Desvelando la estructura del razonamiento Do-Cálculo mediante gráficos de derivación
Descubre cómo los gráficos de derivación simplifican el razonamiento del Do-Cálculo, permitiendo obtener estimadores más eficientes para la inferencia causal. ¡Lee más!