DOME: Variables de dominio transferibles con supervisión dispersa
Descubre cómo DOME aprende variables de dominio transferibles con supervisión dispersa para mejorar la adaptación en tiempo de prueba.
#tro
Traducción con LLM de código Fortran a JAX: modelo de superficie terrestre
Descubre cómo un pipeline con LLM traduce código Fortran a JAX, acelerando 24x modelos de superficie terrestre con optimización por gradientes.
Robustez adversarial del control de activación en LLMs
Los ataques adversariales reducen un 64% la robustez del control de activación en LLMs y colapsan la confianza. Descubre su fragilidad estructural.
Cherry-pick Override: Compromiso direccional no seguro en LLM
Cuando la evidencia es mixta, los jueces LLM ignoran la opción CONFLICTING y eligen un bando. Conoce este fallo de seguridad y sus soluciones.
Cherry-pick Override: Compromiso Direccional Inseguro en Jueces LLM
¿Sabías que los LLM pueden dar veredictos sesgados ante evidencia contradictoria? El Cherry-pick Override revela un riesgo crítico. Aprende a evitarlo.
Larch: Optimización Aprendida para Predicados Semánticos
Descubre cómo Larch optimiza filtros semánticos en SQL usando IA y embeddings, reduciendo costos de tokens hasta 19x comparado con soluciones existentes.
¿Qué sucede cuando los agentes de IA se ejecutan en cómputo descentralizado?
Descubre cómo los agentes de IA en redes descentralizadas evitan lock-in, reducen costos y mantienen el control de datos. Visión práctica.
Descubrimos que el seguimiento nutricional no es un problema de nutrición
El problema real del control de nutrición no es saber qué comer, sino la fricción. mealRoaster usa fotos por WhatsApp.
Agentes de IA: no funcionan con hype, sino con energía, billeteras y raíles de liquidación
Los agentes de IA necesitan más que software: energía, billeteras, identidad y raíles de liquidación. Descubre la infraestructura que los sostiene.
Larch: Optimización de Consultas Semánticas con IA
Descubre cómo Larch optimiza filtros semánticos en SQL con IA, reduciendo costos de tokens hasta 19x. Ideal para grandes volúmenes de datos no estructurados.
La Neutralidad Muerde: Representación de Género en Fábulas IA
Descubre cómo los LLM generan un sesgo masculino en cuentos de animales, incluso al intentar ser neutrales. ¿Es la neutralidad una forma de borrado? Lee más.
PRISM: Muestreo de Acciones Guiado por Prior en Modelos del Mundo
Descubre PRISM, un marco que mejora el muestreo de acciones en modelos del mundo. Aumenta el éxito hasta un 35% en control continuo.
Garantía de Quórum Semántico: Certificación para IA No Determinista
Reduce aprobaciones inseguras de 18.5% a solo 0.3% con SQA. Conoce cómo esta certificación colectiva protege infraestructuras de IA no deterministas.
SafeECGMatch: Clasificación de ECG semi-supervisada con calibración
Descubre SafeECGMatch, un framework SSL que mejora la precisión y calibración en clasificación de ECG, manejando clases no vistas sin etiquetas. Ideal para
CARE: Capa de seguridad conforme para resúmenes médicos
CARE es una capa de seguridad que ofrece garantías formales contra alucinaciones y omisiones en resúmenes médicos de IA. Reduce la carga de revisión hasta 5x.
Stage-1: control de entropía, no del resultado
Descubre cómo el Stage-1 en el post-entrenamiento de VLMs controla el régimen de entropía, pero no mejora significativamente el resultado final. Estudio con
Ve más, piensa más profundo: Evidencia visual expandida y reflexión guiada
Aprende cómo CoVER revoluciona la comprensión de videos largos con evidencia visual expandida y reflexión guiada.
Una visión unificadora sobre la incertidumbre de recompensa en RLHF
Descubre cómo la incertidumbre en RLHF se unifica con un modelo distribucional, mitigando el reward hacking. Clave para optimización robusta.
Hibridación de propagación de equilibrio con máquinas Ising
Entrena redes neuronales con propagación de equilibrio y máquinas Ising, reduciendo el consumo energético. Logra rendimiento comparable a backpropagation.
Decodificando la intención de cruce peatonal con modelos de visión y lenguaje
Investigación que utiliza modelos de lenguaje y visión para predecir intención de cruce peatonal desde vídeos egocéntricos, con un 14.5% más de precisión.