ECI: Información Contrastiva Efectiva para Evaluar Negativos Difíciles
Descubre cómo ECI clasifica fuentes negativas sin entrenamiento, mejorando la recuperación densa en modelos como DistilBERT y Contriever. Basado en arXiv.
#sin entrenamiento
EasyLens: Amplificador sin Entrenamiento de Lesiones Sutiles para Modelos Médicos
Descubre EasyLens, un método plug-and-play que amplifica señales de lesiones sutiles en modelos médicos de IA, mejorando la detección sin necesidad de entrenamiento extra.
SARDI: Recuperación autoaumentada para modelos de difusión
SARDI usa tokens de baja confianza para guiar recuperación en desruido. Logra alta precisión en preguntas multi-salto sin entrenamiento.
No hay que entrenar tu modelo fundacional de RDB
Descubre cómo usar modelos fundacionales de IA para predicción en bases de datos relacionales sin necesidad de entrenar ni ajustar. Con RDBLearn, resultados robustos de inmediato.
MolE-RAG: Generación Aumentada con Recuperación de Estructura Molecular
Descubre cómo MolE-RAG mejora la predicción molecular mediante recuperación de literatura, contexto y estructuras similares, sin entrenamiento.
SSSD: Decodificación Especulativa Simple y Escalable
Descubre SSSD, un método gratuito que acelera la inferencia de LLM hasta 2.9x sin necesidad de entrenamiento ni modelos auxiliares. Robusto en cambios de idioma y contexto largo.
SSSD: Decodificación Especulativa Simplemente Escalable
Descubre SSSD, un método de decodificación especulativa sin entrenamiento que acelera la inferencia de LLMs hasta 2.9x con menor latencia y alta robustez.
Pensamiento Especulativo: grandes modelos mejoran el razonamiento
Mejora la precisión de modelos pequeños hasta un 6.2% usando guía de modelos grandes sin entrenamiento. Descubre Speculative Thinking.
Mid-Think: Razonamiento Intermedio sin Entrenamiento via Disparadores de Token
Descubre Mid-Think, un método sin entrenamiento que mejora el equilibrio precisión-longitud en modelos de razonamiento híbrido usando tokens disparadores. Ideal
Modelos de difusión sin entrenamiento para una sola imagen
Generación de imágenes de alta calidad sin entrenamiento con modelos de difusión basados en parches. Logra resultados de vanguardia en segundos para megapíxeles y minutos para gigapíxeles.
Fusión léxico-densa sin entrenamiento para memoria conversacional
Descubre cómo fusionar BM25 con búsqueda densa late-interaction sin entrenamiento mejora hasta +17.2 puntos la recuperación de memoria en conversaciones largas. Estudio detallado.
Predicción de movilidad eficiente y basada en evidencia con agente LLM
Descubre cómo AgentMob, un agente basado en LLM sin entrenamiento, predice ubicaciones de forma adaptativa y eficiente, mejorando la precisión en movilidad urbana.
GeM-NR: Edición multivista con conciencia geométrica para cambios no rígidos
Descubre GeM-NR, un método innovador para editar imágenes multivista con cambios drásticos de geometría y apariencia, sin necesidad de entrenamiento previo. Mejora la consistencia en escenas 3D.
Calibración sin entrenamiento para MoE: evitando ruptura de enrutamiento
Descubre cómo HARC corrige la ruptura de enrutamiento en MoE fusionados sin entrenamiento, usando curvatura hessiana. Ideal para razonamiento y código.
Aprendizaje sin entrenamiento: Dinámica implícita del aprendizaje en contexto
Descubre cómo los transformers aprenden en contexto sin entrenamiento: la dinámica implícita que modifica pesos MLP durante la inferencia.
Supervivencia sin censura con modelos fundacionales tabulares
Aprende cómo aplicar modelos fundacionales tabulares al análisis de supervivencia sin entrenamiento. Resultados competitivos con Cox y AFT. ¡Entra!
Mezcla de agentes sin entrenamiento para resumir documentos con LLMs y grafos
Descubre cómo un framework sin entrenamiento combina LLMs y grafos de conocimiento para resumir múltiples documentos con alta precisión y adaptabilidad.
KnapSpec: Decodificación Especulativa con Selección Adaptativa de Capas
KnapSpec acelera inferencia LLMs hasta 1.47x sin entrenamiento. Selecciona capas adaptativas como problema mochila. Optimiza rendimiento en secuencias.
HARVE: Edición Robusta del Vector de Cabeza de Recompensa
Descubre HARVE, método sin entrenamiento que edita el vector de cabeza de recompensa para proteger modelos de lenguaje del hackeo, manteniendo su rendimiento.
Composición LoRA multiconcepto sin entrenamiento con ponderación por prompt
Aprende a combinar LoRAs sin entrenamiento con ponderación por prompt para lograr composiciones de múltiples conceptos con alta fidelidad.