T-POP: Personalización en tiempo real con preferencias en línea
Descubre T-POP, personalización rápida de LLMs sin reentrenamiento usando preferencias en línea y bandidos duelistas.
#retroalimentación
Ataques backdoor generalizables en RLHF con triggers emocionales
Descubre cómo GREAT genera ataques backdoor en RLHF usando desencadenantes emocionales. Revela nuevas vulnerabilidades en seguridad de IA.
CUPID en el Zoológico de Modelos: Matchmaking Online para Elegir tu LLM Ideal
CUPID: algoritmo de bandidos duelistas para seleccionar tu LLM ideal mediante aprendizaje activo, ahorrando tiempo y costos.
Aprendizaje on-policy enfocado en decisiones para optimización lineal contextual
Nuevo método de gradiente híbrido para optimización lineal contextual con retroalimentación parcial que reduce el arrepentimiento.
Nuevo método conecta representaciones sin recompensa con preferencias en RL offline
Nuevo marco de aprendizaje por refuerzo offline que aprende representaciones sin recompensa y las afina con preferencias humanas, superando a métodos tradicionales en eficiencia.
DAGGER: Redes Amplificadoras Transitorias sin Gradiente
Descubre DAGGER, el nuevo algoritmo sin gradiente que construye redes amplificadoras transitorias con restricciones de conectividad. Hasta 100 veces más rápido.
Refinamiento Selectivo Hacia Atrás para Aprendizaje Continuo Eficiente
SABER permite transferencia positiva de conocimiento hacia atrás en aprendizaje continuo sin olvidar, usando refinamiento selectivo eficiente.
¿Cómo mejora el feedback de usuarios la modernización de apps heredadas?
El feedback de usuarios es clave para modernizar apps heredadas. Descubre herramientas, métricas y cómo priorizar cambios.
Modelo bayesiano no negativo para mitigar hackeo de recompensas en RLHF
Descubre cómo el modelo bayesiano no negativo (BNRM) mitiga el hackeo de recompensas en RLHF, mejorando la robustez y la interpretabilidad de los modelos de lenguaje.
Optimización de ánodos de grafito guiada por IA con retroalimentación experimental
Descubre cómo un flujo de trabajo iterativo con IA transformó datos imperfectos en ánodos de grafito: 84.8% de celdas con alta capacidad, retención del 97.3%.
SIRIUS-SQL: Anclando Múltiples Candidatos con Feedback de Ejecución
SIRIUS-SQL mejora Texto-SQL anclando múltiples candidatos con feedback de ejecución. Logra 75.88% en BIRD y 91.20% en SPIDER. ¡Descubre cómo!
Exploración eficiente para optimización iterativa de preferencias Nash
La exploración explícita clave para optimizar preferencias Nash en modelos de lenguaje: nuevo algoritmo logra mejor equilibrio y menor arrepentimiento.
Mutación de prompts con doble retroalimentación para documentos de evidencia
HOPM: mutación de prompts con doble retroalimentación mejora documentos de evidencia +11% en tasa de victorias. Estudio de caso.
LLMs y trastornos alimentarios: fallos en adaptación a consultas
Evaluamos cómo los LLMs fallan al responder consultas sobre trastornos alimentarios, generando falsa seguridad. Un estudio con expertos clínicos revela los riesgos.
RuleEdit: edición de modelos IA guiada por fallos con vista previa
Mejora tu IA con RuleEdit: detecta fallos y previsualiza el impacto antes de editar. Aumenta el rendimiento humano+IA en un 14%.
SortingHat: Redefiniendo la educación en SO con IA
Descubre cómo SortingHat, un asistente digital con IA, transforma la educación en sistemas operativos con aprendizaje personalizado y evaluación automática.
Cómo evitar errores comunes al integrar agentes de IA autónomos
Descubre los errores más frecuentes al integrar agentes de IA autónomos y cómo evitarlos. Mejora tu flujo de trabajo con nuestras recomendaciones.
DRIFT: Optimización eficiente de modelos de lenguaje en múltiples turnos
DRIFT optimiza modelos de lenguaje en múltiples turnos con eficiencia de SFT y rendimiento de RL. Descubre cómo.
Cómo el feedback de usuarios mejora el chat en vivo con IA
Descubre cómo recopilar y priorizar el feedback de usuarios en tu chat con IA para mejorar respuestas, reducir fricciones y aumentar la satisfacción.
Teoría exacta de algoritmos de error feedback en optimización distribuida
Aprende cómo los algoritmos de error feedback logran convergencia óptima en optimización distribuida con compresión de gradientes. Análisis para EF y EF21.