Vistas de lago materializadas en Microsoft Fabric: tu medallón en un SELECT
Materialized Lake Views en Fabric: unifica 5 superficies en 1 capa declarativa. Sintaxis, nuevas capacidades GA y medallón en SELECT. Optimiza lakehouse.
#select
¿Repensar o Pensar Más? Verificación Selectiva para Razonamiento con Presupuesto
Mejora la precisión del razonamiento en IA con verificación selectiva, reduciendo cómputo hasta un 26% y evitando cambios dañinos. Optimiza tu presupuesto.
QUEST: Cuantificación de incertidumbre con regiones de alta densidad
QUEST: nuevo método para cuantificar la incertidumbre en ML usando regiones de alta densidad. Más preciso que la varianza y entropía.
Tutorial: scraping web dinámico sin selectores con IA visual
Descubre cómo hacer scraping de páginas web dinámicas sin usar selectores CSS. Usa IA visual con Opticparse y Gemini para extraer datos estructurados en
Google Calendar amplía paleta de colores para eventos
Google Calendar ahora ofrece hasta 200 colores personalizados para eventos. Descubre cómo usar el nuevo selector RGB y las 24 opciones predefinidas.
CodeBlock: supervisión de código con granularidad estructural
CodeBlock optimiza el ajuste fino de LLMs de código seleccionando bloques estructuralmente completos. Logra mejor rendimiento con solo el 1.9% de tokens
Incertidumbre epistémica por clase: más que solo cuánto
Descubre cómo descomponer la incertidumbre epistémica por clase reduce el riesgo en clasificación asimétrica. Mejora la predicción selectiva y la detección de
Olvido selectivo guiado por mecanismos para razonamiento inducido por RLVR
MAST: olvido selectivo guiado por mecanismos elimina razonamiento inducido por RLVR sin dañar otras habilidades, preservando precisión en GSM8K y MATH.
MGUP: Política de Actualización con Alineación Gradiente-Momentum
Descubre MGUP, un nuevo mecanismo de actualización selectiva que acelera y estabiliza el entrenamiento de modelos de IA. Integrable con AdamW, Lion y Muon.
MGUP: Alineación de gradiente de momento para optimización estocástica
Descubre MGUP: acelera el entrenamiento de modelos de IA con actualizaciones selectivas y garantías de convergencia. Mejora AdamW, Lion y Muon.
Pacientes con Personalidad: Simulación Realista y Controlable para LLMs
Descubre cómo PatientsWithPersonality simula pacientes virtuales realistas con personalidad HEXACO para mejorar el testeo de LLMs en aplicaciones clínicas.
Aprendizaje de Ensambles Credales mediante Optimización Robusta a Distribuciones
CreDRO aprende ensambles credales que capturan incertidumbre epistémica real, mejorando la detección de anomalías y clasificación selectiva en aplicaciones
SKILL.nb: Formalización Selectiva y Ejecución Controlada para Agentes Duraderos
Descubre SKILL.nb, un framework que usa evidencia calibrada para gobernar flujos de trabajo de agentes, logrando un 53.7% de éxito y alta durabilidad.
PAEC: Calibración de entropía posicional para razonamiento en LLM con RLVR
PAEC calibra la entropía solo en posiciones clave para evitar el colapso y mejorar el razonamiento de LLMs en problemas matemáticos. ¡Aumenta el rendimiento!
El límite de la supervisión humana en agentes de IA
La fatiga del revisor humano crea un efecto de U invertida: supervisar más puede reducir la seguridad de los agentes IA. Aprende a calibrar guardas óptimas
Destilación de Caché Semántica: Transferencia Eficiente con Reúso y Parcheado
Acelera 2.65x la inferencia de LLMs con Destilación de Caché Semántica. Reutiliza y parchea para transferencia eficiente de estado sin degradar calidad.
ANN Filtrado como Transición de Fase: Error y Arrepentimiento
Descubre cómo el error en la estimación de selectividad causa pérdida de recall en búsquedas ANN filtradas, con transiciones de fase y regiones críticas.
Fronteras algorítmicas: equidad y precisión con datos selectivos
Descubre cómo identificar y estimar la frontera entre equidad y precisión en algoritmos cuando solo observas resultados de individuos seleccionados. Métodos de
Modelos de código grandes: corrección funcional con generación selectiva
Descubre cómo la generación selectiva con pruebas unitarias dinámicas reduce alucinaciones en código, mejorando corrección funcional. Conoce FuzzEval.
Falsa seguridad en clasificación selectiva de señales: auditoría de límites
Auditamos la falsa seguridad en clasificación selectiva: descubre cuándo fallan los límites y cómo la intercambiabilidad afecta el control de riesgo en IA.