TempoVLA: Políticas de Visión-Lenguaje-Acción con Velocidad Controlable
TempoVLA controla la velocidad de robots manipuladores: acelera en zonas seguras y desacelera en contacto. Aumenta eficiencia y seguridad.
#trayecto
DiffSlack: Aprendizaje con restricciones no lineales mediante variables slack
Aprende cómo DiffSlack impone restricciones no lineales en redes neuronales para planificación de trayectorias, mejorando tasa de éxito en vehículos autónomos.
RL mejorado con Transformers: fundamentos y aplicaciones en redes
Descubre cómo los Transformers mejoran el RL en redes: fundamentos, recursos, enrutamiento y seguridad. ¡Optimiza tu red con IA!
Alerta temprana de fallos con evidencia escasa en diálogos y agentes LLM
Descubre cómo identificar fallos en diálogos y agentes LLM con solo información parcial. Nuestro método de atención mejora la precisión temprana hasta un 42%.
RHO: Optimización Autosupervisada del Arnés de Agentes LLM
RHO optimiza el arnés de agentes LLM usando solo trayectorias pasadas, sin etiquetas. Un solo ciclo mejora la tasa de acierto del 59% al 78% en SWE-Bench Pro.
Aprendizaje de autocorrección en modelos visión-lenguaje mediante aumento de trayectorias
Descubre cómo Octopus-8B logra autocorrección eficiente en VLMs mediante aumento de trayectorias, superando a otros modelos con un 1.0 de puntuación y menor tiempo de entrenamiento.
Dos canales F-Transform para caracterización temprana en correlación iterada
El descriptor F-Transform de dos canales caracteriza trayectorias tempranas en correlación iterada con alta precisión y baja dimensionalidad.
Modelos Mundiales de Difusión Autoregresiva para Evaluar Agentes LLM
Descubre ADWM, un marco de evaluación offline que simula entornos interactivos para estimar el rendimiento de agentes LLM sin necesidad de ejecución en línea.
AsyncWebRL: RL multi-paso eficiente para agentes web visuales
Descubre AsyncWebRL: un enfoque asíncrono que acelera el entrenamiento de agentes web visuales con RL multi-paso, logrando hasta 2.9x más rapidez y mejor rendimiento.
Vulnerabilidad en inferencia: más allá de la seguridad superficial
Descubre cómo la seguridad superficial en LLMs es superada por inyecciones en medio de la generación. Nuevo método alinea modelos en trayectorias para mayor robustez.
AgenticDiffusion: Navegación UAV con difusión y visión multiángulo
Descubre AgenticDiffusion: un marco que combina razonamiento lingüístico, visión multiángulo y difusión para lograr un 80% de éxito en navegación UAV en interiores.
Síntesis de restricciones semánticas para optimización de trayectorias con LLMs
Descubre cómo los LLMs traducen requisitos de misión en código de optimización de trayectorias para misiones espaciales más seguras y eficientes.
Predicción híbrida métrica-consciente para el desafío Lorenz CTF4Science
Descubre cómo un sistema híbrido métrica-consciente logró alta precisión en el desafío Lorenz al asignar diferentes predictores según la métrica: reconstrucción, pronóstico corto y largo plazo.
Cómo el condicionamiento de éxito optimiza políticas de IA
El condicionamiento de éxito resuelve un problema de optimización con restricción de divergencia, mejorando políticas de IA sin degradar el rendimiento. ¡Descúbrelo!
Flow Matching con Transporte Óptimo por Diseño
Aprende cómo reformular el problema de Flow Matching con transporte óptimo reduce curvatura y permite generación de imágenes de alta calidad en pocos pasos.
Replanteando la internalización de experiencia continua en agentes LLM
Descubre cómo evitar el colapso de capacidad en agentes LLM autoevolutivos mediante tres dimensiones clave: granularidad, inyección y régimen de internalización
Reutilizar trayectorias en gradientes de política permite convergencia rápida
El nuevo algoritmo RT-PG reutiliza trayectorias off-policy para acelerar la convergencia en métodos de gradientes de política, mejorando la eficiencia muestral.
Reconciliando causalidad y termodinámica con modelos causales hamiltonianos
Nuevos modelos causales hamiltonianos reconcilian causalidad y termodinámica de no equilibrio. Aprende cómo miden la irreversibilidad en sistemas físicos.
Traj-Evolve: Sistema multiagente autoevolutivo para detección de cáncer pulmonar
Traj-Evolve: un sistema autoevolutivo que mejora la detección temprana del cáncer de pulmón usando IA.
Trayectorias de interacción efectivas para entrenar agentes terminales
Descubre por qué los agentes de IA más débiles pueden ser mejores maestros. Las trayectorias guiadas por el entorno logran eficiencia de datos excepcional.