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 «Soledad Tassi Modelos»
Más recientes primero · Hasta 30 noticias por página
Mapeo Cognitivo del Aprendizaje por Mecanismos de Pensamiento en Modelos de Lenguaje Grande
El artículo propone un Marco Cognitivo de Aprendizaje por Pensamiento (LbT) para mapear cuatro mecanismos (Razonamiento Reflexivo, Memoria Sintética, Simulación Interna y Autoorganización Conceptual) en los modelos de lenguaje grandes (LLMs). Se analiza cómo métodos como el prompting de cadena de pensamiento pueden aproximar estos mecanismos, aunque también se identifican fallos como la alucinación y el colapso del modelo. El marco ofrece una base para diseñar sistemas de aprendizaje autónomo más fiables.
AnalogRetriever: Aprendizaje de Representaciones Cross-Modal para Recuperación de Circuitos Análogos
Se presenta AnalogRetriever, un marco de recuperación tri-modal unificado para la búsqueda de circuitos analógicos, diseñado para superar las limitaciones de los métodos existentes que solo manejan una modalidad. El sistema utiliza modelos vision-lenguaje y redes neuronales para codificar esquemáticos y netlists, logrando un Recall@1 del 75.2% en las pruebas. Se demuestra que esta técnica mejora las tasas de éxito funcional al integrarse en el marco AnalogCoder.
Medición de agentes de codificación fronterizos en tareas de ingeniería de software autorizadas por expertos en bases de código desconocidas
Se presenta ExpertCrowd-SWE, una métrica para evaluar agentes de codificación autónomos en tareas de ingeniería de software complejas en bases de código desconocidas. El estudio compara siete modelos fronterizos, destacando a Claude Opus 5.5 y GPT-6 Astra como líderes. Los resultados muestran que no todos los modelos resuelven todas las tareas, con puntuaciones que varían significativamente según el modelo utilizado.
Aprendizaje por refuerzo sobre trayectorias de pacientes para el razonamiento clínico en modelos fundacionales de EHR
Se propone un marco de ajuste fino por aprendizaje por refuerzo (RL) para mejorar las capacidades de razonamiento clínico de los modelos fundacionales de registros de salud electrónicos (EHR) entrenados con trayectorias longitudinales de pacientes. Este enfoque busca superar las limitaciones de la predicción de siguiente token en datos incompletos. Los resultados indican que el ajuste fino por RL mejora el rendimiento y facilita la transferencia de conocimiento entre tareas.
Darmok: Solución de crucigramas criptográficos del campeonato mediante ajuste de restricciones y orquestación resiliente
Se presenta Darmok, un sistema automatizado que alcanzó un rendimiento superior al humano en crucigramas criptográficos británicos. Este sistema utiliza la verificación cruzada de pistas entre tres modelos de IA independientes para lograr alta precisión y velocidad. El sistema demostró resiliencia al mantener la solución incluso bajo condiciones de fallo del modelo principal, superando a los competidores humanos en el campeonato.
GraphToolbox: Un marco configurable para la evaluación controlada de la predicción de redes neuronales gráficas
Se presenta GraphToolbox, un framework de Python de código abierto que unifica la construcción de grafos, la selección de modelos y la interpretación para la previsión de carga y carga neta de electricidad mediante Redes Neuronales Gráficas (GNNs). El framework se utilizó para comparar arquitecturas y modelos en la predicción de carga y carga neta en niveles regionales y nacionales. Los resultados indican que los modelos de grafos superan a las líneas de base tradicionales en la predicción de carga neta.
Hacia RTL autónomo y optimización de síntesis: Evaluación y agentes auto-mejorables
Un artículo examina avances en modelos de lenguaje grandes y agentes autónomos para la optimización del diseño de hardware, enfocándose en la optimización autónoma de RTL y síntesis. Se presentan tres enfoques: benchmarking realista, optimización basada en herramientas y optimización específica del diseño. Se demuestra que un marco multiagente, Dr. RTL, logra mejoras significativas en WNS/TNS y reducción de área en diseños de RTL reales.
No se identificaron personas.
Reducción de varianza para gradientes de modelos de difusión
Se presenta CARV, un marco de contabilización de varianza consciente del cómputo para reducir la varianza de gradientes en modelos de difusión utilizados en tareas como texto a 3D y atribución de datos. Este marco utiliza muestreo jerárquico y técnicas como el muestreo de importancia del paso de tiempo para amortizar el costo computacional de las estimaciones Monte Carlo. Se demuestran mejoras significativas en el rendimiento computacional sin alterar el objetivo final.
RamanPFN: Marco de fundación espectral guiado por física para aprendizaje en contexto a través de diversas aplicaciones Raman
Se presenta RamanPFN, un marco de fundación espectral guiado por física diseñado para la inferencia en contexto unificada mediante aprendizaje espectral. Este modelo aborda las limitaciones de los modelos de aprendizaje automático al integrar la mezcla aditiva de espectros y la localidad de las bandas vibracionales. Los resultados demuestran que RamanPFN supera a otros métodos en múltiples tareas de regresión y clasificación, mejorando significativamente la precisión y la eficiencia del análisis cuantitativo de datos espectroscópicos.
Intervenciones de modelado propio pueden modular el desalineamiento emergente
Se investigan intervenciones de modelado propio, como el autoconocimiento y los autoinformes, para modular el desalineamiento emergente (EM) en modelos de lenguaje grande. Los experimentos demuestran que el ajuste fino del autoconocimiento reduce el desalineamiento sin afectar métricas individuales, sugiriendo que la fortificación del carácter es clave para la prevención. Los resultados reencuadran el EM como una desestabilización del carácter alineado del modelo, en lugar de la adopción de una persona mal alineada.
Brasilidade: Medindo la identidad brasileña para modelos de lenguaje grandes
Se presenta una nueva metodología de evaluación llamada Brasilidade para medir las limitaciones de los Modelos de Lenguaje Grandes (LLMs) en portugués brasileño. La investigación demuestra que el tamaño del modelo no es el factor determinante del rendimiento, y que modelos de tamaño mediano superaron a los modelos más grandes en los protocolos evaluados. Esto subraya la necesidad de nuevos benchmarks para mejorar el entrenamiento de modelos en este dialecto.
Modelo multimodal para la diferenciación de características para el descubrimiento y control
Se presenta MMDiff, un marco para descubrir y controlar el comportamiento de los Modelos de Lenguaje Grande Multimodales (MLLMs) mediante el entrenamiento de Autoencoders Esparsos (SAEs) multimodales. Este método permite aislar características específicas, detectar características causales y controlar dichas características para mejorar la seguridad y la capacidad de los MLLMs. Los resultados demuestran que la eliminación de estas características reduce el rendimiento en tareas específicas, mientras que su dirección mejora la precisión en tareas espaciales y OCR.
Estimación Geométrica Panorámica Unificada mediante Modelos Fundacionales Multi-Vista
Se presenta PaGeR, un marco para elevar modelos fundacionales 3D diseñados para imágenes de perspectiva al dominio del panorama, permitiendo la reconstrucción de escenas 360 grados a partir de una sola imagen panorámica. El método combina un transformador preentrenado para la reconstrucción 3D para predecir profundidad, normales de superficie y máscaras de cielo a partir de imágenes de perspectiva y omnidireccionales. El método demuestra un rendimiento de vanguardia y un excelente rendimiento cero-shot en diversos entornos.
Dinámicas topológicas bajo supervisión no estacionaria: Homología persistente de la evolución de pesos de redes neuronales
Se investiga la evolución de la topología persistente de las nubes de puntos de pesos de redes neuronales bajo supervisión estable y no estacionaria. Se comparan modelos entrenados con etiquetas correctas frente a modelos con permutaciones aleatorias de etiquetas, encontrando que los modelos con etiquetas correctas muestran una mayor persistencia topológica. No se demostró una mejora predictiva incremental en este contexto.
Modelos de aprendizaje de acción con efectos condicionales y cuantificados mediante exploración guiada por incertidumbre
Se presenta el Aprendizaje de Modelos de Acción Condicional Online Guiado por Hipótesis (OHCAM), un enfoque en línea para aprender modelos de acción con efectos condicionales y cuantificados. Este método reduce la incertidumbre seleccionando acciones informativas y es robusto al ruido de observación. Los experimentos validan que OHCAM es eficiente en muestras y aplicable en entornos reales con robots.
Evaluación de modelos del mundo generados por LLM para el razonamiento neuro-simbólico
Se evalúan modelos del mundo generados por LLM para el razonamiento neuro-simbólico, examinando si pueden ser juegos estocásticos parcialmente observables. Se analiza la validez mecánica y el acuerdo estructural de estos modelos en escenarios de juego, situacionales y culturales. Los resultados indican que la validez mecánica es necesaria pero insuficiente para que los modelos generados por LLM representen fielmente el problema de decisión previsto.
No se identificaron personas.
Gabriel Rolón explica por qué el miedo a la soledad es parte del ser humano
El psicoanalista Gabriel Rolón analizó los vínculos de pareja y el miedo a la soledad, señalando que este factor empuja a sostener relaciones dañinas. El especialista explicó que el miedo a la soledad es intrínseco al ser humano y que el deseo es incómodo porque señala una carencia. Además, reflexionó sobre cómo vivir con la incomodidad y la conciencia de la finitud de la vida es una condición humana.
ALTO: Violencia basada en género facilitada por tecnología en África y Levante
Se desarrolló un enfoque comunitario para hacer crowdsourcing de instancias de violencia basada en género facilitada por tecnología (TFGBV) en árabe levantino, francés africano y suajili, en colaboración con organizaciones de la sociedad civil de Jordania, África Occidental francófona y Kenia. Se creó un conjunto de datos llamado ALTO para mejorar la detección de este tipo de violencia en estos idiomas. Los experimentos indican que los modelos existentes tienen un rendimiento deficiente y mejoran con el ajuste fino, aunque los errores son mayores en suajili.
Retroalimentación procesable: Mejorando las capacidades del modelo a partir de datos editados por el usuario en documentación clínica
Se aborda el desafío de utilizar las ediciones realizadas por clínicos en documentación clínica para mejorar los modelos de lenguaje grandes (LLMs). Se demuestra que una parte significativa de estas ediciones no es retroalimentación procesable y que el entrenamiento directo puede provocar alucinaciones en el modelo. Se propone un método para generar datos de edición semi-sintéticos y métodos de filtrado para identificar ediciones accionables, mejorando la alineación del modelo sin perder la fidelidad al contexto.
Mitigación de fugas de datos privados en LLMs con Whiteout
Se presenta Whiteout, una herramienta práctica diseñada para prevenir que los modelos de lenguaje grandes (LLMs) regurgiten información personal sensible (PSI) de usuarios, como fechas de nacimiento o direcciones, al ser solicitados. La herramienta sobrescribe esta información con muestras de ofuscación para mitigar riesgos de privacidad. Los resultados indican que Whiteout previene la divulgación de PSI, mantiene la utilidad y seguridad del modelo, y supera a métodos de mitigación existentes.
Examinando el impacto de los métodos de datos y entrenamiento en el desalineamiento emergente y subliminal
El estudio examina cómo los métodos de entrenamiento y los datos influyen en el desalineamiento emergente (EM) y el aprendizaje subliminal (SL) en modelos de lenguaje. Se analiza cómo el contexto temático y la tarea de los datos afectan la transferencia de desalineamiento entre datos y modelos. Los resultados indican que el EM se transfiere más fuertemente a prompts que comparten la tarea de los datos de ajuste fino.
SplitLite: Compresión Residual de Bajo Rango para Aprendizaje Dividido
Se presenta SplitLite, un método de ajuste fino federado LoRA que busca reducir los costos de comunicación en el aprendizaje dividido de LLMs en dispositivos. El método explota la estructura de bajo rango de los residuos de activación y gradiente para transmitir solo factores SVD truncados, logrando reducciones significativas en los costos de comunicación sin afectar el rendimiento del modelo. Los experimentos demuestran una reducción de hasta el 93.5% en los costos de comunicación de subida de activación.
Prune-and-Merge: Escalado sin entrenamiento de Vision Transformers
Se presenta Prune-and-Merge ViT, un marco sin entrenamiento para reducir la redundancia en Vision Transformers mediante poda basada en atención y fusión basada en similitud. Este método busca mejorar la eficiencia computacional manteniendo la robustez y la precisión de los modelos existentes. El análisis demuestra que la reducción híbrida de tokens mantiene la estabilidad de la predicción ante transformaciones comunes de imágenes.
Modelos del Mundo de Einstein
Se propone el Modelo del Mundo de Einstein (EWM) para sistemas de razonamiento basados en LLM, integrando simulaciones visuales-temporales en la traza de razonamiento. Este enfoque busca mejorar las capacidades de razonamiento de los LLMs al permitirles considerar fenómenos complejos que el lenguaje no puede capturar completamente. Los EWMs extienden la capacidad de los LLMs para usar herramientas, incorporando experimentos mentales visuales en su proceso de razonamiento.
No se identificaron personas.
LeapQuant: Atención Lineal Eficiente con Cuantización de Estado Recurrente Precisa
Se presenta LeapQuant, un método sin entrenamiento que logra un rendimiento casi sin pérdidas con cuantización de estado recurrente de 8 bits para modelos LLM que usan atención lineal. El método aborda la acumulación de errores mediante cuantización por ventana y conserva valores atípicos como tokens compensadores para reducir el error. Los experimentos demuestran que LeapQuant reduce significativamente los costos de memoria y cómputo durante la inferencia, ofreciendo ganancias de velocidad comparables a la precisión FP32.
Entendiendo los modelos de lenguaje Mixture-of-Experts más allá de los límites de los expertos
El artículo investiga la organización a nivel de neurona en modelos Mixture-of-Experts (MoE) utilizando la medida RAMP. Se encontró que los conjuntos de neuronas especializadas por dominio muestran un solapamiento significativamente mayor en muestras del mismo dominio que entre diferentes dominios. Se propone un método de poda (RAMPr) para seleccionar neuronas y preservar el rendimiento del modelo.
¿Cuánto de su VLA es kNN?
Un estudio demuestra que la recuperación de demostraciones cercanas y la reutilización de sus fragmentos de acción alcanzan un 91.7% de éxito en el benchmark LIBERO sin entrenamiento de políticas. Se investiga cómo el rendimiento de los modelos VLA se relaciona con la generalización de las demostraciones de entrenamiento. Además, se introduce la métrica LAC para medir la consistencia de acción local y guiar el entrenamiento de claves de recuperación.
Elucidación de los parámetros de un modelo de clasificación multicriterio
Se presenta un trabajo sobre la elicitación de parámetros para el modelo de Clasificación No Compensatoria (NCS) en el contexto de la ayuda a la toma de decisiones multicriterio (MCDA). Se proponen algoritmos de interrogación basados en algoritmos de exploración de grafos y dicotomía para determinar los parámetros del modelo. El estudio también compara la generalidad del modelo NCS frente a MR-Sort.
Decidir, Preguntar o Deferir: LLMs Clínicos bajo Evidencia Incompleta
Se evalúan modelos de lenguaje grandes (LLMs) clínicos (Qwen, Gemini, GPT) en la toma de decisiones diagnósticas bajo evidencia clínica incompleta. Se compara el rendimiento de diferentes formulaciones de decisión (DECIDE/ASK/DEFER) para determinar si la adquisición de información afecta la decisión autónoma. Los resultados indican diferencias significativas en la selección de acciones entre los modelos, revelando un compromiso entre la precisión diagnóstica y la seguridad de la decisión.
De la arquitectura al resultado: Probando los orígenes estructurales de la alucinación y el papel amplificador de los datos
Se investigan los orígenes estructurales de la alucinación en modelos de lenguaje, examinando cómo la estructura del modelo y los datos influyen en los errores de salida. Se prueban intervenciones que modifican la arquitectura del modelo para determinar cómo los defectos en la entrada se traducen en errores de salida. Se concluye que el componente de mezcla y el compromiso determinan si un defecto contextual se convierte en un error y cómo se propaga el error.