Lo que los Agentes de IA Nunca Deben Hacer por Sí Mismos
Descubre qué acciones nunca deben realizar los agentes de IA por sí solos y cómo establecer reglas para mantenerlos efectivos y seguros.
#supervisión
Midiendo la legibilidad débil-a-fuerte en modelos de razonamiento
Evalúa la legibilidad débil-a-fuerte en modelos de razonamiento: cadenas de pensamiento claras para supervisión segura de IA.
Auditoría de incentivos de engagement en kidfluencers: supervisión débil multimodal
Auditoría con IA a 5,051 videos kidfluencers: explotación infantil (trabajo performativo, cebo emocional) genera 4.4x más vistas. Desafía políticas actuales.
CoralBay: modelo base de TC con auto-supervisión
Descubre CoralBay, modelo auto-supervisado para TC que aprende representaciones 3D. Mejora el diagnóstico radiológico con un nuevo benchmark.
Bandidos contextuales con supervisión humana para precios de alquiler temporal
Bandidos contextuales con aprobación humana reducen el cold-start de 150 a 30 episodios. Aprende la estrategia warm-up histórico.
Filtrar, luego repesar: Nueva granularidad en destilación on-policy
FiRe-OPD mejora la destilación on-policy con filtrado de trayectorias y repesado suave de tokens. Obtén +6.25 en AIME 2024 y +18.81 en Miner ¡Optimiza tus LLMs!
Respuesta a Incidentes de IA Agéntica: Rollback de Agentes Autónomos
Descubre cómo implementar un sistema de rollback para agentes autónomos, con snapshots, kill switch y supervisión humana. Evita daños en producción.
Supervisión Feynman-Kac ruidosa para entrenar PINNs
Aprende cómo la supervisión Feynman-Kac mejora PINNs, reduce el mal condicionamiento y ofrece cotas de error. Ejemplos en Poisson, Schrödinger y más.
Supervisión de UAV de ala fija con Q-learning residual y filtro HJB
Nuevo método de aprendizaje por refuerzo reduce error de trayectoria en UAV de ala fija en un 86.77% respecto al autopiloto clásico. Descubre cómo el filtro HJB mejora la supervisión.
Aprendiendo dinámicas caóticas mediante supervisión geométrica de segundo orden
Descubre cómo la supervisión de segundo orden mejora el aprendizaje de sistemas caóticos, preservando atractores con bajo costo computacional.
Reconsiderando la supervisión posicional en modelos de difusión enmascarada
Los modelos de difusión enmascarada (MDLM) son sensibles a pequeños desplazamientos posicionales. Descubre cómo CTC mejora el ajuste fino y supera a la entropía cruzada en cuatro benchmarks.
Score × Decoder: visión unificada para mitigar alucinaciones sin supervisión
Descubre cómo combinar scores (perplejidad, contraste, verificación) con decodificadores para reducir alucinaciones en LLM sin supervisión. Resultados con Qwen3-1.7B.
Funciones de Confianza: Generalización Débil a Fuerte sin Pérdidas
Aprende cómo las funciones de confianza filtran etiquetas débiles para lograr generalización casi sin pérdidas. Mejora tu IA.
TrOPD: Destilación On-Policy con Región de Confianza
TrOPD estabiliza la destilación on-policy de LLMs usando regiones de confianza, superando la divergencia profesor-alumno. Mejora razonamiento, código y benchmarks.
DenseMLLM: LLM multimodal estándar para predicción densa
Descubre cómo DenseMLLM permite a los LLM multimodales estándar realizar predicciones densas sin decodificadores adicionales. Resultados competitivos en segmentación y profundidad.
Detector de anomalías discriminativo y generalizable para grafos dinámicos
Descubre un nuevo framework que aprende a detectar anomalías en grafos dinámicos con pocos datos etiquetados, logrando alta precisión y generalización.
Mejora de planificadores de difusión con SAGE y autosupervisión
Descubre SAGE, un nuevo método de reordenamiento que mejora la robustez de los planificadores de difusión mediante autosupervisión y energías, sin necesidad de reentrenamiento.
Conflictos de optimización entre reidentificación por imagen y texto
Descubre cómo resolver conflictos de optimización entre ReID por imagen y texto. Un entrenamiento desacoplado mejora representaciones compartidas.
CAST: Autoenseñanza no privilegiada con inversión de ventaja para GRPO
CAST optimiza el RLVR con autoenseñanza no privilegiada y asignación de ventajas token en grupos de varianza cero. Mejora el razonamiento.
Críticas débiles hacen aprendices fuertes: destilación on-policy para supervisión escalable
Descubre cómo las críticas de modelos débiles pueden potenciar modelos de lenguaje fuertes mediante destilación on-policy, mejorando razonamiento y alineación para supervisión escalable.