LARK: Selección de trayectorias de razonamiento basada en aprendibilidad
Descubre LARK: selecciona trayectorias de razonamiento basadas en la aprendibilidad del estudiante para una destilación eficiente. ¡Optimiza tus modelos!
#trayecto
Reutilización de habilidades como compresión en RL agentivo
ReuseRL aplica el principio de compresión para que agentes de IA generalicen mejor. Aumenta el éxito en ALFWorld y TextWorld. ¡Descúbrelo!
¿Qué se descubre primero? Análisis de difusión para texto desde gráficos
Estudio revela que MDLMs descifran entidades primero en generación texto-gráfico. SFT puede fallar, pero decodificación lambda recupera +9.4 BLEU.
SKETCH: Predicción a largo plazo de trayectorias de buques
Mejora la predicción de trayectorias de buques a largo plazo usando puntos clave semánticos con SKETCH. Evita desviaciones y mantiene consistencia direccional.
Perspectiva de energía cinética del Flow Matching
Descubre cómo la energía cinética revela fidelidad semántica en modelos de flujo. El principio de Goldilocks y KTS optimizan la generación.
CellBRIDGE: Alineación consciente de interacciones para trayectorias celulares
CellBRIDGE integra comunicación célula-célula en el transporte óptimo para mejorar trayectorias celulares en scRNA-seq. Ideal para perturbaciones in silico.
GSAM: Marco robótico seguro y generalizable para objetos articulados
Descubre GSAM, un marco robótico que mejora un 36% la tasa de éxito en manipulación de objetos articulados, reduciendo colisiones. ¡Lee más!
Escondite en trayectorias: detección de señales de fallo para monitoreo VLA
Aprende cómo Hide-and-Seek logra detectar fallos en robots VLA sin anotaciones paso a paso, mejorando la fiabilidad en tiempo real.
DARTS: Modelado Distribucional Activo para Acelerar RL en LLMs
Descubre cómo DARTS acelera el aprendizaje por refuerzo en LLMs al modelar trayectorias de rollout con conciencia distribucional, reduciendo verbosidad y mejorando eficiencia hasta 1.77x.
¿Juega la información visual un papel decisivo en la conducción de modelos VLA?
Analizamos la relación entre información visual y comportamiento de conducción en modelos VLA mediante perturbaciones controladas. Implicaciones para sistemas más seguros.
Evitación de colisiones en multitudes: simulación basada en datos
El modelo CPGAN integra la física de colisiones en la función de pérdida para simular evitación de colisiones en multitudes, reduciendo drásticamente los choques en flujos bidireccionales.