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.
#razonamiento
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!
Persistencia de subobjetivos en razonamiento latente jerárquico
Descubre cómo la persistencia moderada de subobjetivos (periodos de 3 a 6 pasos) mejora el razonamiento latente jerárquico.
PyraMathBench: Evaluando y mejorando capacidad matemática en LLMs
Descubre PyraMathBench: evalúa y mejora la capacidad matemática de los LLMs con 32,505 preguntas y técnicas como SOLVE e IRPO.
Estructura de razonamiento de los grandes modelos de lenguaje
Un nuevo benchmark de acertijos lógicos revela la estructura oculta del razonamiento en modelos de IA, más allá de la precisión.
Hedge-Bench: Benchmark de Agentes en Tareas Financieras Complejas
Hedge-Bench: solo el 16% de éxito en tareas financieras complejas para agentes de IA. ¿Qué tan lejos estamos del analista humano?
Entropía no es suficiente: aprendizaje por refuerzo visual con tokens anclados
La entropía falla en RL visual: VEPO selecciona tokens visual-informativos y supera en hasta 3.15 puntos. Descubre cómo.
Tokens de Percepción Imaginativa Mejoran Razonamiento Espacial
Los Tokens de Percepción Imaginativa (IPT) mejoran el razonamiento espacial en modelos multimodales sin generar imágenes. Aumento del 3.4% en precisión en conteo multivista.
TRAP: Secuestro del razonamiento CoT en VLA mediante parches adversariales
Descubre cómo TRAP usa parches adversariales para secuestrar razonamiento CoT en robots VLA y provocar comportamientos peligrosos. Vulnerabilidad crítica en IA.