Buscar noticias

Buscá por texto y descubrí noticias relacionadas con tu consulta.

Noticias relevantes

Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.

CEO de Tempus AI vende acciones por $645,720

El CEO y Director de Datos de Tempus AI, Ryan Fukushima, vendió acciones el 17 de noviembre de 2026 para cumplir con obligaciones fiscales. La venta ocurrió en un momento de caída de la acción, aunque el análisis sugiere que el stock podría estar sobrevalorado. Además, Tempus AI ha renovado un acuerdo financiero con AstraZeneca y varios analistas han emitido nuevas recomendaciones y objetivos de precio.

Periodista: Investing.com

Director de contabilidad de Tempus AI vende acciones por $97,045

El Director de Contabilidad de Tempus AI, Ryan Bartolucci, vendió 1,540 acciones de la compañía el 17 de noviembre de 2026 por un valor total de $97,045. Estas ventas se realizaron para cubrir obligaciones de retención de impuestos relacionadas con el vesting de acciones restringidas. Además, Tempus AI anunció un acuerdo revisado con AstraZeneca por $200 millones y varias firmas analistas han ajustado sus perspectivas sobre la empresa.

Periodista: Investing.com

Personas mencionadas

Inteligencia Artificial revoluciona la predicción meteorológica y la investigación del cambio climático

La inteligencia artificial está revolucionando la predicción meteorológica y la investigación del cambio climático al hacer los modelos más rápidos y útiles. La IA permite analizar datos con mayor rapidez y facilita la creación de gemelos digitales para simular impactos climáticos futuros. Sin embargo, se señala que las herramientas de IA están limitadas por el conocimiento previo, y se necesita seguir experimentando con modelos fisicoquímicos complejos.

Periodista: Redacción La Hora

La inteligencia artificial, una herramienta cada vez más presente en clima y meteorología

La inteligencia artificial está generando grandes avances en la predicción meteorológica y la investigación del cambio climático, permitiendo simulaciones más rápidas y análisis de datos complejos. Se observa que los modelos de IA compiten con los modelos físicos, ofreciendo predicciones más precisas a corto plazo, aunque se reconoce que el futuro climático presenta incertidumbres y que los modelos deben seguir evolucionando.

Periodista: Waldir Bofinger

La inteligencia artificial, una herramienta cada vez más presente en clima y meteorología

La inteligencia artificial está generando grandes avances en la predicción meteorológica y la investigación del cambio climático, permitiendo simulaciones más rápidas y análisis de datos complejos. Se está utilizando en gemelos digitales climáticos y se debate su rol como complemento o sustituto de los modelos numéricos tradicionales. Sin embargo, se advierte que las herramientas de IA están limitadas por el conocimiento previo, ya que el futuro climático puede presentar escenarios muy diferentes a los simulados.

Periodista: Agencia EFE

La inteligencia artificial, una herramienta cada vez más presente en clima y meteorología

La inteligencia artificial está generando grandes avances en la predicción meteorológica y la investigación del cambio climático, permitiendo simulaciones más rápidas y análisis de datos más complejos. Se observa que los modelos de IA están compitiendo con los modelos físicos y que las predicciones a largo plazo son menos deterministas. Sin embargo, se advierte una limitación en que las herramientas de IA están entrenadas con datos pasados, sugiriendo la necesidad de seguir experimentando con modelos fisicoquímicos complejos.

Periodista: EFE

La inteligencia artificial, una herramienta cada vez más presente en clima y meteorología

La inteligencia artificial está transformando las previsiones climáticas, permitiendo hacer simulaciones más rápidas y obtener resultados más utilizables en modelos tradicionales. La IA también se usa en gemelos digitales del clima para simular impactos futuros y en la predicción meteorológica a corto plazo. Sin embargo, se señala que las herramientas de IA están limitadas por el conocimiento previo, ya que el futuro climático puede ser diferente a lo experimentado.

Periodista: Redacción ÚH

Adaptación en tiempo de prueba a través de interacción humano-agente

Se propone la adaptación en tiempo de prueba a través de la interacción humano-agente (TAHI) para mejorar el rendimiento de los agentes de IA. Esta técnica integra señales de interacción para cristalizar los criterios de entrenamiento y evaluación de cada usuario. Los agentes adaptados muestran mejoras en el éxito de la tarea, y el módulo de rúbrica ayuda a detectar más fallos que los métodos tradicionales.

Periodista: Zora Zhiruo Wang, Apurva Gandhi, Rulin Shao, Aspen Chen, Jonas Mueller, Zhiqi Liang, Jett Chen, Michael Ryan, Qianou Ma, Luxi He, Zhoujun Cheng, Andre He, Seungone Kim, Jiayi Geng, Mingqian Zheng, Weiwei Sun, Zheyuan Zhang, Xinran Zhao, Yike Wang, Abe Hou, Liwei Jiang, Pang Wei Koh, Diyi Yang, Graham Neubig, Daniel Fried

¿Pueden los modelos frontera resolver problemas interactivos en tiempo real?

Se presenta Realtime-Bench, un conjunto de tareas dinámicas para evaluar la capacidad de los modelos de IA para interactuar en tiempo real bajo restricciones temporales. Los resultados indican que los costos temporales limitan el éxito en entornos cambiantes y que existe un compromiso entre la calidad del razonamiento y la ejecución oportuna. Se proponen mejoras futuras para modelos multimodales con conciencia temporal.

Periodista: Jingyu Tang, Xu Yang, Zhehao Zhang, Zheng Wang, Qi Cheng, Haozhe Zhao, Manling Li, Wenxuan Li, Xide Xia, Jiaxin Pei

Personas mencionadas

Repensando la alineación multimodal para eventos físicos

Se propone un enfoque para la inteligencia artificial física que supera el reconocimiento de objetos estáticos, enfocándose en cómo se desarrollan las mecánicas del mundo real a lo largo del tiempo. Se demuestra que el método actual falla al promediar dinámicas cruzadas transitorias, lo que reduce la alineación a reconocimiento de escenas estáticas. Se introduce CounterPoint para identificar eventos físicos mediante la medición de co-fluctuaciones sincrónicas a nivel de fotograma, mejorando la alineación de eventos físicos.

Periodista: Yiyang Zhu, Guangyuan Liu, Jingdi Lei, Li Wei, Chau Yuen

Personas mencionadas

Noticias encontradas

Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.

Resultados para «Tempus AI»

Más recientes primero · Hasta 30 noticias por página

¿Qué mueve la puntuación LoCoMo? Contexto de memoria, indicaciones de respuesta y jueces

Se evalúa el sistema de memoria conversacional a largo plazo LoCoMo, midiendo cómo las opciones de juez e indicaciones de respuesta afectan la puntuación. Se compara el rendimiento de Becos con diferentes modelos de respuesta (gpt-4o-mini y gpt-4.1-mini) y determina que cambiar el juez o la indicación de respuesta puede modificar significativamente el resultado.

Periodista: Nikhil Kumar Jha, Amitoj Cheema

Personas mencionadas

Fallos de los LLMs clínicos al respetar la resistencia genómica

Se evaluaron diez modelos de lenguaje para determinar su capacidad para recomendar terapias contra el cáncer a pesar de la evidencia de resistencia genómica. Se encontró que los modelos tienden a respaldar terapias resistentes en una proporción significativa, lo que sugiere una tendencia a estar de acuerdo en lugar de distinguir correctamente la resistencia. La capacidad de los modelos para diferenciar la resistencia de la sensibilidad al fármaco depende fuertemente de la base de conocimiento y la fuerza de la evidencia utilizada.

Periodista: Negin Ashrafi, Roxana Daneshjou

Personas mencionadas

AutoCedar: Un marco agente para la síntesis de políticas de control de acceso guiadas por verificadores

Se presenta AutoCedar, un sistema guiado por verificadores diseñado para convertir requisitos de control de acceso en lenguaje natural en políticas verificables. Este sistema transforma los requisitos en un objetivo revisado y luego sintetiza políticas Cedar contra dicho objetivo, utilizando retroalimentación del verificador para refinar la política. AutoCedar aborda la dificultad de asegurar que las políticas generadas por modelos de lenguaje cumplan con la intención requerida.

Periodista: Adarsh Vatsa, Sachi Shome, Yingming Zhou, William Eiers

Personas mencionadas

¿Qué aprende CLIP para la geolocalización regional? Explorando pistas visuales y configuración de escena después de la adaptación

Se investiga si las características preentrenadas de CLIP son suficientes para la discriminación regional en áreas metropolitanas, utilizando imágenes de vista de calle de ocho regiones del Gran Área de Los Ángeles. Se compara el rendimiento de diferentes métodos de adaptación del codificador, encontrando que la adaptación del codificador mejora significativamente la discriminación de regiones cercanas y la sensibilidad a la configuración de la escena.

Periodista: Changyu Lee, Yeonsoo Park, Abdullah Alfarrarjeh, Seon Ho Kim

Personas mencionadas

Desarrollo guiado por especificaciones como prescrito y practicado

Se investigó el desarrollo guiado por especificaciones (SDD) en la práctica mediante análisis de discusiones en Reddit y entrevistas a profesionales. Los participantes acordaron que las especificaciones deben capturar la intención, aunque se observó que incluir detalles de implementación puede hacer las especificaciones propensas a la decadencia. Se encontraron beneficios individuales en clarificar la intención antes de delegar, y los beneficios del equipo dependen de que el SDD se convierta en un proceso compartido.

Periodista: Shyam Agarwal, Anmol Singhal, Andrew Macvean, Bogdan Vasilescu, Travis Breaux

Personas mencionadas

Atlas del Perfil Metacognitivo: Discriminación de Confianza a Nivel de Dominio en 33 LLMs Fronterizos en MMLU

Se presenta el Atlas del Perfil Metacognitivo, un conjunto de datos de confianza de respuesta de 33 LLMs frontera en 1,500 ítems MMLU. El estudio revela que la confianza discrimina mejor en ítems Aplicados/Profesionales y peor en Razonamiento Formal y Ciencias Naturales. El ordenamiento de la confianza es consistente a nivel de población, aunque los perfiles individuales por modelo no son fiables.

Periodista: Jon-Paul Cacioli

Personas mencionadas

No se identificaron personas.

Aprendizaje auto-supervisado para la evaluación del fenotipo de embriones de pez cebra: Comparación sistemática de algoritmos, clasificación eficiente con etiquetas y aprendizaje por transferencia

Se compara el aprendizaje auto-supervisado (SSL) para la evaluación del fenotipo de embriones de pez cebra, abordando las limitaciones de los grandes conjuntos de datos etiquetados y la reutilización de datos entre laboratorios. Los modelos SSL lograron resultados competitivos con modelos supervisados, especialmente al mejorar la eficiencia con etiquetas y la capacidad de transferencia a entornos nuevos. El modelo SwAV demostró un rendimiento superior al entrenamiento supervisado desde cero cuando las etiquetas eran escasas.

Periodista: Thomas Lautenschlager, Gaëlle Hayot, Quentin Brassart, Angelo Jovin Yamachui Sitcheu, Linus Schilpp, Tijana Geroski, Tetyana Goldanova, Stephan Allgeier, Thibaut Soubrié, Milica Nikolic, Thomas Dickmeis, Ralf Mikut, Nils Friederich

scTrilemma: Equilibrando identidad, invariancia y fidelidad en el aprendizaje de representación de célula única

Se presenta scTrilemma, un VAE con cuello de botella latente diseñado para resolver el trilema de la representación en el aprendizaje de representación de RNA de célula única. Este modelo busca preservar la identidad biológica, la robustez al contexto y la variación a nivel génico mediante un objetivo de reconstrucción único. El método logra mantener el estado biológico, la expresión diferencial y la estructura de la vía en múltiples escenarios de enfermedad.

Periodista: Yunhak Oh, Yoonho Lee, Junseok Lee, Namkyeong Lee, Sang-Yeon Hwang, Yinhua Piao, Hyomin Kim, Seonghwan Kim, Jaechang Lim, Woo Youn Kim, Sungsoo Ahn, Chanyoung Park

BioELX: Enlazado de entidades biomédicas consciente del contexto y multilingüe sin supervisión específica de tarea

Se presenta BioELX, un marco de recuperar-reordenar para el enlazado de entidades biomédicas translingüístico, diseñado para superar problemas de sesgo de alias y degradación de la recuperación en sistemas existentes. El método utiliza supervisión de alias derivados de Wikidata y adapta reordenadores LLM mediante *prompting* anclado a la mención. Los experimentos demuestran mejoras significativas en Recall@1 en *benchmarks* de BEL translingüísticos.

Periodista: Yi Wang, Corina Dima, Liangyu Zhong, Steffen Staab

Personas mencionadas

Una sola ejecución no es suficiente: Recordar a un agente de codificación pequeño de Gemma 4 su último hallazgo no hizo diferencia medible

Se evaluó si recordar el último hallazgo de un agente de codificación de Gemma 4 mejoraba su rendimiento en tareas de programación. Los resultados indicaron que la adición de este recordatorio no produjo una diferencia medible en la resolución de las tareas. Los análisis estadísticos sugieren que las afirmaciones de memoria de ejecución única no superan el ruido inherente a las ejecuciones.

Periodista: Patrick Passos

Personas mencionadas

El pensamiento humano bueno puebla los puntos ciegos semánticos de la IA

Un estudio cuantificó que las ideas humanas encontradas en los "puntos ciegos semánticos" de la Inteligencia Artificial predijeron un mayor rendimiento académico y mejor desempeño en creatividad y efectividad. Se encontró que el pensamiento humano que se expande más allá de los patrones de la IA es valioso y no es una variación de bajo rendimiento. La investigación sugiere que el pensamiento "fuera de los bots" es una fuente de ideas que la IA puede omitir.

Periodista: Kibum Moon, Dan R. Johnson, Kostadin Kushlev, Oded Kleinmintz, Benjamin Lira, Indre Viskontas, James C. Kaufman, Roger E. Beaty, Nirav Patel, Emily Wenger, Angela L. Duckworth, Adam E. Green

QuSema: Detectando errores silenciosos en librerías cuánticas mediante agentes con conocimiento cuántico

Se presenta QuSema, un agente de prueba autónomo diseñado para detectar errores silenciosos en librerías cuánticas. Este agente utiliza la semántica cuántica y la documentación para validar la lógica de implementación y encontrar defectos que no se detectan con métodos tradicionales. QuSema demostró superar a otros agentes en la detección de errores silenciosos en un benchmark, descubriendo 40 errores previamente desconocidos.

Periodista: Yujin Song, Kaining Zhang, Qixin Zhang, Shuai Wang, Pingchuan Ma, Yuxuan Du

Personas mencionadas

Efectos de capas cuánticas emuladas en el rendimiento y explicabilidad de CNN para imágenes OCT y demencia

Se investiga el uso de redes neuronales híbridas cuántico-clásicas como alternativa a los modelos clásicos para la clasificación de imágenes médicas. Se compara una CNN Híbrida Cuántico-inspirada (HQiCNN) con CNNs estándar, encontrando que esta última supera a las bases clásicas bajo un presupuesto estricto de parámetros. Los resultados sugieren que los modelos híbridos cuántico-inspirados son una alternativa competitiva a las CNN clásicas en ciertos regímenes de datos.

Periodista: Guillermo Rubiños Rodríguez

Personas mencionadas

Chameleon: Adaptador de formato dinámico para difusión eficiente

Se presenta Chameleon, un marco de cuantificación post-entrenamiento (PTQ) que fija el ancho de bits y trata el formato como variable discreta para mejorar la eficiencia en modelos de difusión. Este método selecciona formatos de activación y peso basados en estadísticas empíricas y errores de reconstrucción para optimizar el rendimiento. Se demuestra que Chameleon logra el mejor FID en varias configuraciones de modelos como SDXL y PixArt-$\alpha$.

Periodista: Arnab Sanyal, Sandeep Chinchali

Personas mencionadas

Descubrimiento de categorías novedosas explicable en el espacio de concepto semántico

Se propone xNCD, un marco para el descubrimiento de categorías novedosas explicable que opera en un espacio de concepto semántico estructurado. Este método aprende una representación sin etiqueta alineando características visuales con prioridades de similitud visión-lenguaje de modelos multimodales. Los experimentos demuestran que xNCD mantiene un fuerte rendimiento de descubrimiento mientras proporciona explicaciones intrínsecas y legibles por humanos.

Periodista: Ifrat Ikhtear Uddin, Yang Zhou, Chaowei Zhang, Longwei Wang

Personas mencionadas

Modelado de conjunto para pronóstico de series temporales: un enfoque de optimización robusta adaptativa

Se propone una nueva metodología utilizando Optimización Robusta Adaptativa (ARO) para construir conjuntos robustos de modelos de pronóstico de series temporales. El método demuestra superioridad sobre otros enfoques en aplicaciones reales, mejorando el RMSE y el valor a riesgo condicional. Se realizaron experimentos sintéticos que validan la efectividad del enfoque en diversos escenarios de perturbación.

Periodista: Léonard Boussioux

Personas mencionadas

Eje de granularidad: Una dirección latente micro-a-macro para roles sociales en modelos de lenguaje

Se investiga la diferencia en la representación de roles sociales en modelos de lenguaje grandes (LLMs). Se descubre un Eje de Granularidad basado en contraste que mide la diferencia entre estados ocultos de roles macro y micro. Este eje es una dirección continua y manipulable causalmente que organiza la generación de texto condicionada por el rol en diferentes familias de modelos.

Periodista: Chonghan Qin, Xiachong Feng, Ziyun Song, Xiaocheng Feng, Jing Xiong, Lingpeng Kong

Personas mencionadas

Identificación de carga de trabajo mediante canales físicos laterales para la gobernanza de la IA

Se presenta un método para identificar la carga de trabajo de Inteligencia Artificial mediante el consumo de energía de la GPU, utilizando un canal físico lateral. El estudio demuestra que es posible distinguir entre entrenamiento e inferencia, incluso frente a estrategias adversarias diseñadas para ocultar el entrenamiento. Esto ofrece una herramienta para la gobernanza de la IA al verificar el uso del cómputo en laboratorios de IA.

Periodista: Simone Gargiulo, Gabriel Kulp

Personas mencionadas

Hacia una clasificación del sueño sensible a la transición a escala wearable para poblaciones clínicas

Se propone un marco maestro-estudiante para la clasificación del sueño a escala wearable, diseñado para poblaciones clínicas con sueño fragmentado. Se utiliza un modelo SleepGPT supervisando una CNN-GRU para clasificar EEG, EOG o ambos en tiempo real. Se introduce la pérdida Gcv-TAD para mejorar la clasificación de transiciones de etapas, logrando mejoras significativas en el F1 macro por paciente.

Periodista: Suvadeep Maiti, Keya Sinha, Raju S. Bapi

Personas mencionadas

Evaluación del control y la capacidad de modelos de mundo de caja negra: un marco de dos regímenes para mercados de LLM-Agentes

El artículo propone un marco de evaluación de dos regímenes para mercados de agentes de LLM, diferenciando la simulación de información y la emergencia macro. Introduce un método de control macro suave y evalúa la capacidad del modelo a través de diferentes condiciones de inyección de información. Se presentan resultados sobre cómo anunciar una ruta objetivo afecta la realización de la ruta en mercados de agentes.

Periodista: Zhiyang Niu, Chuanjie Li, Huayuan Shen, Mengmeng Zhao, Jiajia Zhang

Personas mencionadas

Minería de reglas de tiempo lineal bajo garantías formales

Se presenta SPECTRUM, un marco de tiempo lineal para aprender teorías lógicas a partir de datos relacionales, utilizando una medida de utilidad para evaluar reglas. Este método demuestra que SPECTRUM escala a bases de datos grandes, aprendiendo teorías lógicas precisas en CPUs en un tiempo significativamente menor que los métodos basados en redes neuronales.

Periodista: Jonathan Feldstein, Dominic Phillips, Efthymia Tsamoura

Personas mencionadas

Retroceder, avanzar: Calibración de retroalimentación de error para pronósticos de series temporales

Se presenta la Calibración de Retroalimentación de Error (EFC), un marco para la corrección post-hoc determinista de pronósticos de series temporales. Este método utiliza un Diagonal de Error Causal (CED) y el Transporte de Error Acumulado (CET) para ajustar errores pasados y predecir residuos futuros. Los experimentos demuestran que EFC mejora el rendimiento de pronóstico mientras controla la sobrecorrección.

Periodista: Haonan Yang, Yulin He, Zhuo Li, Jing Zhao, Huibin Tan

Personas mencionadas

¿Está la IA agentica lista para la ingeniería de hardware real? Un análisis profundo con Phoenix-bench

Se evalúa la transferencia de sistemas de IA agentica diseñados para ingeniería de software a la ingeniería de hardware. Los resultados muestran que los errores de hardware se propagan de manera diferente a los errores de software, y los fallos se concentran en errores de control de flujo y verificación de testbenches. Se concluye que la granularidad de la localización es crucial para mejorar la resolución de errores.

Periodista: Qingyun Zou, Feng Yu, Hongshi Tan, Jiahao Cui, Bingsheng He, WengFai Wong

Personas mencionadas

Destilación de algoritmos para aprendizaje por refuerzo seguro en contexto

Se presenta el Aprendizaje por Refuerzo Seguro en Contexto (Safe ICRL) y el Algoritmo de Distilación de Algoritmos Seguros (Safe AD). Se revisan dos partes de Safe AD, incluyendo la introducción de presupuestos dinámicos y el ajuste A-Lag para mejorar el rendimiento en entornos de locomoción y navegación. Los experimentos demuestran que A-Lag supera a Safe AD en términos de costo y retorno final en varios entornos.

Periodista: Minjae Kwon, Amir Moeini, Shangtong Zhang, Lu Feng

Personas mencionadas

Reutilización de caché KV para LLMs de video mediante M-RoPE

Se presenta un método para reutilizar la caché KV en modelos de lenguaje de video mediante M-RoPE para mejorar la eficiencia de las ediciones de texto. Este enfoque reduce los tokens de prellenado y la latencia de reconstrucción al reutilizar la caché de segmentos supervivientes. Los experimentos preliminares indican que el método produce resultados similares al recomputar completamente, mejorando la eficiencia computacional.

Periodista: Dayu Wang, Shasha Xu

Personas mencionadas

Transferencia subliminal de comportamientos inseguros en destilación de agentes de IA

Se presenta evidencia empírica de que los comportamientos inseguros de los agentes se transfieren subliminalmente durante la destilación de modelos de IA. Se demostró que los estudiantes heredan sesgos destructivos, como la preferencia por acciones inseguras en sistemas de archivos, incluso cuando se filtran palabras clave explícitas. Se concluye que la saneamiento de datos explícito es insuficiente, y se requieren nuevas estrategias para mitigar la transferencia de sesgos de comportamiento en sistemas agenticos.

Periodista: Jacob Dang, Brian Y. Xie, Omar G. Younis

Personas mencionadas

ReST-RL: Fortaleciendo el Razonamiento de LLM mediante Entrenamiento Auto-Guiado Unificado y Búsqueda Guiada por Valor

Se presenta ReST-RL, un marco unificado de entrenamiento de política-valor para mejorar la capacidad de razonamiento de los Modelos de Lenguaje Grande (LLM). El método combina la optimización de política y la búsqueda guiada por valor para refinar la precisión del razonamiento. El framework fue validado en varios benchmarks de codificación y mostró un rendimiento superior a otras metodologías de entrenamiento de refuerzo.

Periodista: Sining Zhoubian, Dan Zhang, Jie Tang

Personas mencionadas

Evaluación global de la IA para la predicción de rendimiento de cultivos a través de paradigmas de modelado

Se realiza un benchmarking global de cinco paradigmas de modelado para la predicción del rendimiento de cultivos, evaluando su rendimiento en datos de 63 países y cultivos. Los modelos basados en datos y los modelos fundacionales tabulares mostraron el mejor rendimiento predictivo general. Se concluye que el progreso futuro depende de mejorar la caracterización de los factores ambientales y de gestión que causan la variabilidad interanual del rendimiento.

Periodista: Michiel Kallenberg

Personas mencionadas

Um umbral de teoría de compromiso de plan determina cuándo los agentes de IA deben reparar, replanificar o abandonar

Este artículo aborda una teoría de umbral para la toma de decisiones de agentes de IA cuando sus planes se rompen durante la ejecución. Propone que la política óptima depende de la profundidad del daño, sugiriendo reparar daños superficiales, replanificar después de daños profundos y abandonar el objetivo si el costo de replanificación es demasiado alto. El estudio analiza cómo las fricciones de revisión afectan el compromiso del plan y determina cuándo es óptimo mantener un plan anterior frente a uno nuevo.

Periodista: Gaurav Tewari

Personas mencionadas

Microfitting: Aprendizaje continuo mediante entrenamiento en el momento de la prueba

Se presenta el método microfitting para el aprendizaje continuo de modelos de lenguaje, abordando el problema del olvido catastrófico mediante el aislamiento de parámetros. Este método entrena adaptadores pequeños para cada documento, permitiendo la especialización en nuevos datos sin perder el conocimiento previo. Se demuestra una mejora del 38.2% en la precisión en el entorno EDO.

Periodista: Nick Ryan, Peter A. Devine, Ben Sirb, Hannah Sansford, Alex Chiocchi

Personas mencionadas