Buscar noticias

Buscá por texto y descubrí noticias relacionadas con tu consulta.

Noticias relevantes

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

No encontramos noticias relacionadas por su significado.

Noticias encontradas

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

Resultados para «Jiaming Li»

Más recientes primero · Hasta 30 noticias por página

Gobierno reduce pérdidas de proyectos de tuberías a RM3 mil millones, reasigna RM5 mil millones a proyectos de agua

El gobierno ha reducido sus pérdidas por la terminación de los proyectos de tuberías MPP y TSGP a RM3 mil millones. Esto se logró reasignando RM5 mil millones en préstamos para financiar proyectos de suministro de agua en Perak y Penang. El acuerdo fue firmado entre SSER y CEXIM para reasignar estos fondos.

Periodista: Bernama

Repensando la IA en la imagenología médica: Supuestos, realidad y reformulación; hacia el razonamiento agentico centrado en el médico

Se analiza la brecha entre la investigación en IA para imagenología médica y su aplicación práctica clínica. Se identifica un desalineamiento estructural entre el diseño de los sistemas de IA y la toma de decisiones médicas. Se propone una solución enfocada en desarrollar soluciones de IA centradas en el médico con razonamiento agentico para complementar el juicio clínico.

Periodista: Arman Rahmim, Nourhan Bayasi, Xiaoxiao Li, Babak Saboury, Fereshteh Yousefirizi

Personas mencionadas

Agentes de borrador, no solo tokens: Mejora recursiva especulativa para sistemas agentes

Se propone Speculative Recursive Self-Improvement (SpecRSI), un marco de dos niveles que combina la búsqueda de agentes en el bucle interno con el aprendizaje del mejorador en el bucle externo. Este método busca mejorar agentes mediante revisiones sucesivas, asegurando que se utilicen solo versiones evaluadas para avanzar. Los resultados demuestran que SpecRSI supera a MetaRSI-v1 en puntuación del sistema y mejora la ganancia terminal en optimización científica.

Periodista: Xin Xu, Ke Cheng, Hao Wang, Yangru Huang, Yanghao Xiao, Zhichao Chen, Zhisheng Zhong, Xun Liu, Yi Li, Qian Li, Haibin Lv, Jun Zhang, Jie Jiang, Zhouchen Lin

Chain on Demand: Organización de evidencia diferida para memoria conversacional a largo plazo

Se presenta Chain on Demand (CoD), un marco de organización de evidencia en tiempo de consulta para la memoria conversacional a largo plazo. Este método organiza la evidencia de manera diferida, asignando un presupuesto de anclaje basado en la relevancia de la consulta. Los resultados demuestran que la memoria a largo plazo puede conservar la conversación original mientras se pospone la organización de la evidencia hasta que se requiere la información.

Periodista: Di Lu, Zechen Li, Hao Xue

Personas mencionadas

Evaluación de la memoria de un agente en su punto de uso

Se presenta MemUse, una herramienta que evalúa la memoria de un agente de LLM en el momento de su uso en trayectorias registradas. La evaluación mide la relevancia, precisión y efecto de las memorias entregadas por el agente. Los resultados indican que la mayoría de las entradas entregadas fueron irrelevantes y que muchas entradas relevantes no fueron utilizadas.

Periodista: Changran Xu, Zeju Li, Qiang Xu

Personas mencionadas

MedCUA-Bench: Un benchmark de solo captura de pantalla para agentes de uso de computadora clínica

Se presenta MedCUA-Bench, un benchmark interactivo diseñado para evaluar la fiabilidad de los agentes de uso de computadora en entornos clínicos. Este benchmark cubre 18 escenarios clínicos en 10 dominios médicos, utilizando interfaces reconstruidas para simular entornos reales. El estudio compara el rendimiento de agentes de IA, mostrando diferencias significativas entre modelos de código cerrado y abierto en la ejecución de tareas clínicas. El objetivo es identificar la brecha entre los agentes actuales y el software clínico fiable.

Periodista: Jia Yu, Zilong Wang, Xinyang Jiang, Dongsheng Li, Shuo Wang

Personas mencionadas

PRIME: Enrutamiento Predictivo de Intervenciones Mediante Modelado de Efectos para la Ideación Científica

Se presenta PRIME, una capa de decisión de revisión para sistemas de LLM en ideación científica, diseñada para mejorar la iteración basada en retroalimentación. PRIME aborda el problema del desajuste diagnóstico-intervención, permitiendo construir intervenciones basadas en el modelado de efectos y la comparación de riesgos. Los resultados validan que PRIME mejora la calidad del sucesor y la fiabilidad del enrutamiento en comparación con las líneas base existentes.

Periodista: Fengxian Ji, Xie Yu, Zhexuan Cui, Yuke Li, Zirui Song, Fan Zhang, Qian Jiang, Jingpu Yang, Xiuying Chen, Preslav Nakov, Zhuohan Xie

Las barreras de seguridad predictivas no siempre hacen a los agentes de LLM más seguros

Se investiga el *pipeline* de predicción a acción en agentes de LLM para evaluar barreras de seguridad predictivas. Los hallazgos indican que la mayor implicación de la predicción no garantiza ganancias de seguridad y puede aumentar el costo de inferencia. Además, las predicciones del modelo del mundo son insuficientemente fiables, lo que sugiere una brecha fundamental entre la previsión y la acción.

Periodista: Weixiang Zhao, Zhihao Liu, Guancheng Li, Yanyan Zhao, Bing Qin, Ting Liu

Personas mencionadas

Degeneración espectral de la auto-atención bajo geometría de puntuación isotrópica

Se estudia la estructura espectral de la matriz de auto-atención en modelos Transformer mediante un modelo espectral idealizado. El modelo reemplaza la orientación aleatoria de la matriz de puntuación por su representante singular canónico. Los resultados demuestran que el mapa softmax transforma esta estructura en una matriz de atención degenerada, preservando modos dominantes y concentrando los modos restantes en cero.

Periodista: Mengda Li, Jianfeng Yao

Personas mencionadas

Adaptación Regional Antropogénica en Modelos Multimodales Visión-Lenguaje

Se presenta la Adaptación Regional Antropogénica, un nuevo paradigma para optimizar la relevancia de los modelos visión-lenguaje a contextos regionales específicos manteniendo la generalización global. Se introduce el método GG-EZ, que utiliza filtrado de datos regionales y fusión de modelos para lograr esto. Los experimentos en Asia Sudoriental mostraron ganancias del 5 al 15% en relevancia cultural sin perder la mayor parte del rendimiento global.

Periodista: Samuel Cahyawijaya, Peerat Limkonchotiwat, Tack Hwa Wong, Hitesh Laxmichand Patel, Amit Agarwal, Manuel Antonio Rufino, Carlos Rafael Catalan, Muhammad Reza Qorib, Vicky Feliren, Holy Lovenia, Aye Hninn Khine, Frederikus Hudi, David Anugraha, Alham Fikri Aji, Romrawin Chumpu, Viet-Thanh Pham, Minghan Wang, Mohamed Fazli Imam, Ruochen Zhang, Joseph Marvin Imperial, Khumaisa Nur'aini, Do Xuan Long, Musa Izzanardi Wijanarko, Joel Ruben Antony Moniz, Patrick Amadeus Irawan, Hanif Muhammad Zhafran, Isaiah Flores, Salsabila Zahirah Pranida, Jun Kevin, Jostin Jerico Rosal, Patricia Nicole Monderin, Kun Kerdthaisong, Ahmad Mustafid, My Chiffon Nguyen, Natchapon Jongwiriyanurak, Siva Worajitwannakul, Haochen Li, Adrian Xuan Wei Lim, Bin Wang, Muhammad Ravi Shulthan Habibi, Lynnette Hui Xian Ng, Mithil Bangera, Yeshil Bangera, Priyaranjan Pattnayak, Dun Li Chan, Sherissa Caren Djuniwar, Cho Chan Myei Oo, Hee Ming Shan

CoworkOS: Agente de Trabajo Escalable para la Automatización en el Mundo Real

Se presenta CoworkOS, un marco general para el trabajo de largo horizonte que separa la estrategia de la tarea de la gestión de la ejecución. Este sistema permite la colaboración humano-IA mediante la inspección y revisión conjunta de artefactos como documentos y modelos, permitiendo la participación humana a través de conversación o modificación directa. CoworkOS demuestra competitividad con agentes de vanguardia en múltiples benchmarks.

Periodista: Jiajie Jin, Guanting Dong, Chengjun Pan, Xin Deng, Zhuohui Sheng, Guoqiang Wang, Tao Gui, Yutao Zhu, Yujia Chen, Shihong Yi, Binze Hu, Zhixiong Yang, Zhichao Sun, Rui Wang, Han Han, Mingyu Ma, Junhao Huang, Xiaotao Wang, Huicheng Jiang, Yuyang Hu, Xinyu Yang, Wanghan Xu, Yajie Yang, Zhecan Wang, Honglin Guo, Xiaoyu Xing, Xiaoqian Zhang, Yulun Zhu, Xiaoxi Li, Jiahang Lin, Shaofan Liu, Shihan Dou, Zhiheng Xi, Qi Zhang, Yu-Gang Jiang, See-Kiong Ng, Yang Zhang, Tat-Seng Chua, Ji-Rong Wen, Zhicheng Dou

Enrutamiento dinámico de precisión mixta para una interacción eficiente de LLM

Se propone el Enrutamiento Dinámico de Precisión Mixta (DMR) para mejorar la eficiencia de la interacción de modelos de lenguaje grandes (LLM) en tareas agenticas de largo horizonte. DMR selecciona adaptativamente entre versiones de alta y baja precisión del LLM en cada paso de decisión, identificando pasos críticos para optimizar el rendimiento y reducir el costo de inferencia. Este enfoque logra una aceleración de decodificación promedio de 2.44x sobre FP16 en benchmarks de agentes.

Periodista: Yuanzhe Li, Jianing Deng, Jingtong Hu, Tianlong Chen, Song Wang, Huanrui Yang

Personas mencionadas

La ilusión de alineación: Cómo BadReward corrompe la generación de texto a imagen

Se explora la posibilidad de envenenar el proceso RLHF en modelos de texto a imagen mediante un ataque llamado BadReward. Este ataque manipula las señales de recompensa para incrustar comportamientos maliciosos en el contenido generado. Los experimentos demuestran que esta manipulación corrompe la señal de recompensa y es efectiva en arquitecturas modernas de texto a imagen.

Periodista: Kaiwen Duan, Hongwei Yao, Yufei Chen, Ziyun Li, Tong Qiao, Zhan Qin, Cong Wang

Personas mencionadas

Prueba programable inspirada en memoria de trabajo para el seguimiento de estado acumulativo en modelos de lenguaje grandes

Se presenta una sonda inspirada en memoria de trabajo para evaluar el seguimiento de estado acumulativo en modelos de lenguaje grandes (LLM). Los resultados indican que la precisión depende significativamente de los protocolos de salida y la cantidad de actualizaciones permitidas. Se demuestra que una fuerte aritmética de un solo paso no asegura un seguimiento acumulativo fiable.

Periodista: Dengzhe Hou, Lingyu Jiang, Deng Li, Zirui Li, Fangzhou Lin, Kazunori D Yamada

Personas mencionadas

VCoT-SQL: Mejorando la generación de Text-to-SQL mediante entrenamiento con validación de Cadena de Pensamiento Dual

Se presenta VCoT-SQL, un marco diseñado para mejorar la generación de Text-to-SQL mediante la supervisión de pasos intermedios validados de Cadena de Pensamiento (CoT) y un validador SQL dedicado. Este enfoque busca permitir que modelos pequeños de código abierto superen a modelos de código cerrado al verificar rigurosamente los pasos de razonamiento. El sistema logra altas tasas de precisión en conjuntos de datos desafiantes, demostrando la efectividad de la validación a nivel de paso sobre el escalamiento del modelo maestro.

Periodista: Rui Zhang, Yujia Su, Ruixuan Li, Yuhua Li, Yixin Su

Personas mencionadas

Marco de detección de defectos fotovoltaicos autoevolutivo

Se propone SEPDD, un marco de detección de defectos fotovoltaicos autoevolutivo para escenarios industriales en evolución. Este marco optimiza la tubería de entrenamiento y evaluación mediante un mecanismo que reoptimiza el proceso ante indicadores de fallo o cambio en el entorno. Los experimentos demuestran que SEPDD supera a las líneas base existentes en la detección de defectos en conjuntos de datos públicos y privados.

Periodista: Haoyu He, Yu Duan, Wenzhen Liu, Hanyuan Hang, Boyu Qin, Qiantu Tuo, Xiaoke Yang, Rui Li

Personas mencionadas

Descubrimiento guiado por conjeturas: SCOPE y ClosureBench

Se presenta SCOPE, un marco que permite múltiples trayectorias de investigación guiadas por conjeturas mediante agentes científicos que modelan ecuaciones y prueban hipótesis. Se introduce ClosureBench, un punto de referencia interactivo para tareas de descubrimiento de cierre, incluyendo métricas para evaluar la fidelidad de la evidencia y la efectividad experimental. SCOPE demuestra una mayor precisión en el descubrimiento de ecuaciones tanto en benchmarks como en casos científicos reales.

Periodista: Yuxiao Hu, Qian Li, Ding Wang, Siheng Chen, Linfeng Zhang, Jinyue Yan, Yuntian Chen

Personas mencionadas

MAS-Guard: Barreras unificadas desde agentes individuales hasta sistemas de LLM multiagente

Se presenta MAS-Guard, un marco unificado para proteger aplicaciones de IA de agentes individuales y multiagentes. Este sistema aborda riesgos como acciones inseguras y manipulación adversaria mediante capas de defensa local y a nivel de sistema. Las evaluaciones indican que MAS-Guard reduce significativamente la tasa de éxito de ataque en comparación con agentes sin protección.

Periodista: Mohammad Kachuee, Phu Mon Htut, Sheng Li, Nikolaos Pappas, Miguel Ballesteros, Yassine Benajiba, Sujith Ravi, Dan Roth

Personas mencionadas

Marco de diagnóstico formal para sistemas de reparación de grafos

Se presenta un marco de diagnóstico formal para métodos de reparación de grafos, abordando la necesidad de rigor en la calidad de las representaciones de datos basadas en grafos. El método propuesto utiliza un sistema de reescritura abstracta para introducir sistemáticamente violaciones del esquema y evaluar el rendimiento de diferentes métodos de reparación. Los resultados demuestran la efectividad del marco para diferenciar el rendimiento de distintos métodos bajo diversas restricciones.

Periodista: Tung-Wei Lin, Gabe Fierro, Han Li, Tianzhen Hong, Pierluigi Nuzzo, Alberto Sangiovanni-Vinentelli

Personas mencionadas

Ajuste por fases de MLLM para generación de código WebUI multi-framework

Se estudia el ajuste fino supervisado para la generación de código WebUI en múltiples frameworks (React, Vue, Angular) utilizando un método de ajuste por fases para MLLMs. El método propuesto utiliza señales de compatibilidad y heterogeneidad para derivar grupos de entrenamiento y su orden. Los experimentos demuestran que este método mejora la calidad de generación y la tasa de éxito de compilación en comparación con los métodos de referencia.

Periodista: Haoran Ma, Linxiao Li, Chenyue Wang, Haochen Sui, Jiechao Gao

Personas mencionadas

Razonamiento basado en conceptos con localización impulsada por prompts para generación de informes estructurados

Se propone el marco CORAL para mejorar la generación de informes médicos mediante un proceso de razonamiento basado en conceptos con localización. Este marco integra la fundamentación espacial y la supervisión a nivel de concepto para lograr una mejor alineación con los procesos de decisión clínica. Los experimentos demuestran mejoras en la precisión diagnóstica y la calidad del informe en comparación con otros modelos MLLM.

Periodista: Xinyue Xu, Hongbin Lin, Juangui Xu, Hualiang Wang, Lehan Wang, Lijie Hu, Adrian Weller, Xiaomeng Li

Personas mencionadas

NeMo-DCR: Refit Delta-Comprimido Exacto para RL Agéntico Escalable a Escala de Trillones de Parámetros

Se presenta NeMo-DCR, un método de refit delta-comprimido exacto para el aprendizaje por refuerzo (RL) escalable a escalas de trillones de parámetros. Este método envía solo los cambios, permitiendo a los receptores obtener los bits de un refit denso. Se demuestra que NeMo-DCR es 7 veces más rápido que AReaL-DTE y es significativamente más rápido en escenarios de estrés.

Periodista: Songlin Jiang, Zhiyu Li, Terry Kong, Yu Yao, Youngeun Kwon, Bernard Nguyen, Ashwath Aithal, Mario Di Francesco

Personas mencionadas

Replay Counterfactual: Entornos Forkables como Recompensas de Proceso Gratuitas para Agentes de Ingeniería de Software

Se presenta el Counterfactual Rollout Replay (CRR), un procedimiento de entrenamiento que utiliza entornos ejecutables forkables para obtener contrastes de retorno a nivel de paso en agentes de ingeniería de software. Este método mejora el rendimiento en benchmarks como SWE-bench Verified, logrando una mejora del 5.0 puntos porcentuales en comparación con métodos anteriores. El CRR no requiere etiquetas de proceso humanas ni modelos de recompensa aprendidos, enfocándose en la eficiencia del cómputo.

Periodista: Yuanhao Li, Hongbo Wang, Xuhong Chen, Yiming Cao, Xunzhu Tang

Personas mencionadas

Distilación de auto-enseñanza consciente de la búsqueda con alineación de hermanos para recomendación generativa

Se propone un marco llamado SA-OPSD para mejorar la supervisión del entrenamiento en la recomendación generativa mediante la transferencia de conocimiento del auto-maestro a los estados visitados durante la búsqueda en haz del estudiante. Se introducen técnicas como el Muestreo de Límite Evolutivo y la Destilación de Rama Desacoplada por Confianza para manejar desafíos relacionados con la retención de estados y las preferencias de las ramas competidoras. Los experimentos realizados en diferentes dominios demuestran un fuerte rendimiento del método propuesto.

Periodista: Rongfeng Guo, Zhuang Zhuang, Ji Dai, Peng Zhao, Shijie Li, Jie Chen, Teng Long, Vincent Tao Hu, Fei Pan

Personas mencionadas

Reconstrucción como Evaluación Espacial: Diagnostizando la Inteligencia Espacial entre Múltiples Vistas en Modelos de Lenguaje-Visión Grandes

Se presenta RECONSPATIAL, un punto de referencia para evaluar la inteligencia espacial de los modelos de lenguaje-visión (LVLM) mediante la reconstrucción 3D de escenas multi-vista. Se investiga la brecha entre la estructura relativa de la escena y la precisión métrica de la reconstrucción. Los resultados indican que la consistencia relacional no asegura la exactitud métrica, limitando el éxito de la navegación.

Periodista: Junfei Wu, Qiuyue Wang, Xuhong Huang, Qihang Peng, Mingsheng Li, Jian Guan, Qiang Liu, Shu Wu, Liang Wang, Shuai Bai, Tieniu Tan

Comportamiento similar al de un solucionador en Modelos de Lenguaje Grandes como Formalizadores

Se investiga el comportamiento similar al de un solucionador (SLB) en modelos de lenguaje grandes (LLMs) que actúan como formalizadores. Se encontró que el rastro de razonamiento realiza gran parte del trabajo del solucionador, aunque el programa generalmente recalcula la respuesta. Se sugiere evaluar a los formalizadores por el camino que siguen sus programas, no solo por el resultado final.

Periodista: Rikhil Amonkar, Stuti Mohan, Kevin Nguyen, Ceyhun Efe Kayan, Ronan Le Bras, Li Zhang

Personas mencionadas

WebHarbor: Entornos de sitios web ejecutables para entornos de agentes GUI en evolución

Se presenta WebHarbor, un conjunto de 153 entornos de sitios web ejecutables y dockerizados diseñados para proporcionar entornos realistas y estables para el entrenamiento y evaluación de agentes GUI. Esta plataforma permite la reconstrucción fiel de interfaces y flujos de trabajo funcionales de servicios web reales bajo control determinista. Se demuestra que un agente GUI entrenado con RL en WebHarbor generaliza bien a tareas no vistas, superando a agentes de código abierto en varios benchmarks.

Periodista: Zhaoyang Wang, Qianhui Wu, Boyu Gou, Demi Wang, Jiacheng Zhang, Peichun Hua, Qize Li, Shi Qiu, Yifan Jiang, Yifan Zhang, Zexu Jin, Baolin Peng, Bolin Shen, Chetan Bansal, Dehan Kong, Deren Lei, Dongshen Peng, Fengqing Jiang, Hao Cheng, Haoqing Wang, Jiaming Shan, Jicheng Wang, Jingguang Zhou, Jixuan He, Kaide Zeng, Kangyu Zhu, Lama Moukheiber, Mufan Qiu, Peng Xia, Qihan Sun, Qingwei Lin, Qiushi Sun, Ruichen Zhang, Shuqing Luo, Si Qin, Sicheng Fan, Tao Xiong, Wenlin Yao, Xinyu Zhang, Xinyue Zeng, Xuanrui Li, Xuchao Zhang, Yian Wang, Yichao Liu, Yiming Liang, Yiyang Zhou, Yizhu Jiao, Yuetai Li, Yurun Chen, Yuxuan Zhang, Zheyuan Yang, Zhiyuan Yao, Zhongyang Li, Zihao Li, Zili Wang, Jianfeng Gao, Huaxiu Yao

SQL-o1: Síntesis de programas Text-to-SQL automático mediante búsqueda heurística con auto-recompensa

Se presenta SQL-o1, un marco de búsqueda heurística basado en agentes y búsqueda MCTS para mejorar las capacidades de razonamiento de los modelos Text-to-SQL. Este método logra una mejora de 10.8 puntos en la precisión de ejecución en el conjunto de datos BIRD, superando a modelos basados en GPT-4. SQL-o1 demuestra una fuerte generalización few-shot y una robusta transferibilidad entre diferentes LLMs de código abierto.

Periodista: Shuai Lyu, Haoran Luo, Ripeng Li, Zhonghong Ou, Yifan Zhu, Tiesunlong Shen

Personas mencionadas

CUA-Master: Escalando Agentes de Uso de Computadora a través de Mejoras Recursivas de Mundo Abierto

Se presenta CUA-Master, un marco de mejora recursiva de doble bucle para abordar las limitaciones de los agentes de uso de computadora (CUAs) en diversidad y fiabilidad de datos. El sistema utiliza un modelo de datos del mundo exterior para guiar la construcción de datos, y un mecanismo interno para propagar semillas de mundo abierto. Los experimentos demuestran que CUA-Master-27B alcanza un rendimiento competitivo en varios benchmarks, mejorando la calidad y eficiencia de la síntesis de datos.

Periodista: Xinlei Yu, Gen Li, Ji Zhao, Zhangquan Chen, Congcong Wang, Shuai Dong, Zelin Peng, Yuqi Xu, Hongrui Wu, Kaiwen Tuo, Cheng Yang, Kaituo Feng, Yifan Wu, Jiayi Zhang, Dongming Wu, Wenqi Shao, Jiaqi Wang, Xiangyu Yue

Aprendizaje por Refuerzo Guiado por Optimización Evolutiva de Políticas para Programación de Satélites de Observación Terrestre Heterogéneos Ajustables por Preferencia

Se propone un marco de optimización de política evolutiva para la programación de satélites de observación terrestre ágiles (AEOS) heterogéneos, abordando las dificultades de modelar restricciones dependientes del satélite. El método utiliza aprendizaje por refuerzo para seleccionar operadores de búsqueda, logrando una utilidad ponderada mayor y una convergencia más estable que los métodos metaheurísticos. Este enfoque busca optimizar la asignación de tareas y la secuenciación de observaciones bajo múltiples restricciones operativas.

Periodista: He Wang, Junyu Wu, Hui Li, Yanjie Song, Witold Pedrycz, Liang Li

Personas mencionadas