GuidedBridge: Mejora de modelos puente sin entrenamiento con guía previa
Prior Guidance (PG) y FMPG: mejora modelos puente de traducción de imágenes sin entrenamiento, usando guía previa y modulación de frecuencias. Ideal para inpainting.
#sin entrenamiento
Red ligera contextual sin entrenamiento para texto en escenas
Descubre cómo una red ligera y sin entrenamiento logra segmentar y reconocer texto en escenas con alta eficiencia, reduciendo costos computacionales y manteniendo precisión.
R3-CoVR: marco zero-shot de razonamiento para videos compuestos
Descubre R3-CoVR, un marco zero-shot sin entrenamiento que alcanza 91.9% R@1 en recuperación de videos compuestos mediante razonamiento multimodal y reordenamiento.
Aprendizaje por imitación sin entrenamiento con políticas de difusión cerradas
Aprendizaje por imitación sin entrenamiento: políticas de difusión cerradas logran inferencia en tiempo real en CPU móvil con rendimiento competitivo.
Anclaje de Contexto Resonante: Desacoplando Atención y Señal en Inferencia
Descubre cómo el Anclaje de Contexto Resonante (RCA) reduce alucinaciones en LLMs sin sacrificar fluidez, una técnica ligera de inferencia.
FSA: De características a dinámicas en predicción zero-shot de series temporales
Descubre FSA: método que transforma características en dinámicas para predecir series temporales nunca vistas, superando a Transformers con menos datos.
GPTQ-intrinsic LoRA: algoritmo cuasióptimo para cuantización y adaptación de bajo rango
GPTQ-intrinsic LoRA combina cuantización de baja precisión y adaptación de bajo rango para comprimir redes neuronales. Algoritmo sin entrenamiento mejora modelos como Qwen3 y DeiT.
LookWise: Saber cuándo y dónde mirar en modelos multimodales
LookWise mejora el razonamiento visual detallado en modelos multimodales sin entrenamiento, logrando 4x más velocidad y mayor precisión en benchmarks. ¡Descúbrelo!
Guía para edición perceptual de bajo nivel en modelos de difusión incondicional
Edición perceptual de bajo nivel en difusión incondicional. Mejora imágenes sin reentrenar con parcheo de cuello de botella y guía libre de clasificador.
Decodificación Fundamentada: Fusión de Probabilidades para RAG Fiel
Descubre Grounded Decoding, un método sin entrenamiento que fusiona probabilidades para mejorar la precisión factual en sistemas RAG. Resultados superiores en ALCE, NQ y FActScore.
EMoE: desacuerdo de expertos sin entrenamiento para difusión texto-imagen
Predice la calidad de tus prompts con EMoE: incertidumbre sin entrenamiento en difusión texto-imagen.
SkillAdaptor: Habilidades auto-adaptables para agentes LLM
Descubre SkillAdaptor, un marco sin entrenamiento que adapta habilidades de agentes LLM paso a paso, mejorando éxito en WebShop, PinchBench y Claw-Eval.
Alternativa sin entrenamiento: LLMs puntúan procesos matemáticos
Descubre cómo LLMs listos para usar mejoran el razonamiento matemático sin entrenamiento, superando la votación mayoritaria hasta 28%.
THRD: Defensa sin entrenamiento para ataques multi-turno en LLMs
Descubre THRD, el primer marco sin entrenamiento que detecta ataques multi-turno en LLMs analizando riesgo acumulativo. Reduce éxito de ataques a menos del 4%.
STaR-KV: Compresión de caché KV en modelos de lenguaje visual para GUI
STaR-KV comprime la caché KV en modelos GUI sin entrenamiento, reduciendo memoria GPU un 40% sin penalizar precisión. Descubre cómo.
DOA: Política sin entrenamiento para traducción simultánea de formato largo
Nueva política DOA permite traducción simultánea sin entrenamiento. Baja latencia, calidad cercana a offline con SpeechLLMs.
TunerDiT: Generación de video multi-evento sin entrenamiento adicional
Descubre TunerDiT: método sin entrenamiento para videos multi-evento con transformadores de difusión. Mejora consistencia y separación de eventos.
PRISM: Selección Intrínseca de Datos Multimodales sin Entrenamiento
Descubre PRISM, un método que selecciona datos de instrucción visual sin entrenamiento, reduciendo costes y mejorando el rendimiento de modelos multimodales.
Autovectores de expertos: enrutamiento sin colapso y sin entrenamiento
Descubre cómo SSMoE aprovecha los autovectores de los expertos para un enrutamiento sin colapso, mejorando modelos SMoE sin entrenamiento adicional.
Duda compartida: estimación de confianza cero-shot en modelos multilingües
Descubre cómo los LLMs multilingües comparten dudas entre idiomas: una sonda lineal logra estimación de confianza zero-shot sin reentrenamiento.