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
WorldFoundry: Hacia una infraestructura unificada para la inteligencia mundial
El documento presenta WorldFoundry, una infraestructura de código abierto diseñada para la inferencia y evaluación reproducibles en sistemas de mundo, incluyendo video, 3D y 4D. Esta infraestructura unifica el descubrimiento de modelos, la preparación de activos y la orquestación de ejecución, asegurando que las afirmaciones sean trazables a sus artefactos de soporte. WorldFoundry busca avanzar el campo desde la síntesis perceptual hacia una inteligencia mundial medible mediante la comparación reproducible de dinámicas controlables.
PACE-ECG: Preentrenamiento de ECG consciente del paciente; Aprovechando la estructura longitudinal para representaciones transferibles
Se desarrolló PACE-ECG, un marco de preentrenamiento de ECG que utiliza aprendizaje contrastivo y supervisión guiada clínicamente para mejorar la capacidad de transferencia de modelos de ECG a pronósticos clínicos longitudinales. Los resultados demuestran que el diseño del objetivo de preentrenamiento es crucial para la generalización clínica, superando a modelos existentes en tareas de mortalidad e insuficiencia cardíaca.
Marco de espacio de características guiado por geometría para el análisis STEM 4D no supervisado e interpretable de materiales multiphase
Se presenta un marco de aprendizaje automático que utiliza descriptores geométricos informados por la física y incrustaciones de alta dimensión ponderadas para el análisis no supervisado e interpretable de datos 4D-STEM de materiales complejos. El método busca mejorar la estabilidad de los clústeres y reducir el ruido, demostrando una mayor fidelidad y menor dimensionalidad en comparación con otros modelos. El marco fue validado en sistemas de referencia de capas epitaxiales y aleaciones de Ti-Nb.
Vulnerabilidades de puerta trasera en modelos autoregresivos unificados
Se presenta el ataque de puerta trasera Token by Token (ToBAC), el primer ataque dirigido a modelos autoregresivos unificados (UAMs), que explora vulnerabilidades en arquitecturas multimodales. Se demuestra que caracteres o palabras comunes pueden actuar como disparadores para provocar efectos maliciosos en la generación de imágenes y texto. El ataque puede manipular salidas visuales y texto, aumentando la autenticidad de contenido fabricado.
NINJA: Arquitectura conjunta de Navegador-Inspector para localización eficiente de problemas
Se propone NINJA, una arquitectura jerárquica de Navegador-Inspector para la localización eficiente de problemas de software. Esta arquitectura divide la exploración del repositorio en navegación global y inspección local, buscando equilibrar la amplitud a nivel de archivo con la profundidad a nivel de función. Los experimentos demuestran que NINJA supera a modelos competitivos después de un ajuste fino, superando a Claude-Haiku-4.5.
Retroalimentación espectral para la alineación en tiempo de prueba de modelos de difusión de proteínas
Se presenta la Retroalimentación Espectral, un algoritmo diseñado para guiar modelos de difusión discretos en la inferencia, permitiéndoles corregir iterativamente sus generaciones. Este método aborda el problema central de seleccionar qué tokens revisar para mejorar la alineación de las proteínas. Los resultados demuestran que este enfoque incrementa la proporción de proteínas estables en modelos de difusión.
Equipo del MIT recibe financiación para desarrollar alternativas a los pesticidas de nueva generación
El MIT liderará un proyecto financiado por ARPA-H para desarrollar pesticidas anti-malezas de próxima generación mediante herramientas de inteligencia artificial generativa. El objetivo es descubrir alternativas que sean más efectivas, seguras para la salud humana y que reduzcan la dependencia de agroquímicos como el glifosato. El proyecto incluye el desarrollo de modelos moleculares y pruebas en invernadero para evaluar la eficacia y seguridad de los nuevos compuestos.
Program-as-Weights: Un paradigma de programación para funciones difusas
Se propone el paradigma de programación de funciones difusas mediante Program-as-Weights (PAW). Este método compila una especificación en lenguaje natural en un artefacto neuronal localmente ejecutable. PAW utiliza un compilador entrenado para generar adaptadores eficientes para un intérprete ligero, logrando rendimiento comparable al prompting directo de modelos grandes.
Evaluación de agentes DFT para simulación de materiales autónoma
Se reportan hallazgos empíricos del DFT-Agent Bench, una evaluación de agentes de lenguaje grande para simulación de materiales. Se compara el rendimiento de diferentes modelos en tareas de simulación de materiales como relajación y ecuación de estado. Los resultados indican mejoras en las bandas y la relajación, siendo el resultado elástico dependiente del modelo utilizado.
PithTrain: Un sistema de entrenamiento MoE compacto y nativo de agentes
Se presenta PithTrain, un nuevo framework de entrenamiento MoE compacto y nativo de agentes, diseñado para mejorar la eficiencia en el desarrollo de frameworks de lenguaje. El sistema demuestra un rendimiento de *throughput* competitivo con frameworks existentes y una mayor eficiencia agente-tarea en tareas específicas. Se reporta una reducción significativa en el número de turnos de agente y el tiempo de GPU activo en comparación con modelos previos.
Estudio de la optimización del orden del estado oculto en redes de codificación predictiva
Se investiga si el orden de la optimización del estado oculto puede mejorar el aprendizaje de características en redes de codificación predictiva mediante un horario de inferencia basado en el límite. Los resultados en CIFAR-10 indican que esta aproximación mejora la precisión en comparación con la codificación predictiva estándar. Estos hallazgos sugieren que la inferencia basada en fragmentos es un principio de diseño práctico para el entrenamiento de estos modelos.
¿Hecho o rumor? Cómo el encuadre y la elicitación moldean las actualizaciones de probabilidad de LLM
El estudio mide las actualizaciones de probabilidad de Modelos de Lenguaje Grande (LLM) en pares premisa-hipótesis utilizando la familia Multi-Candidate Verbalization (MCV). Se analizan diferentes métodos de elicitación, incluyendo estimaciones directas y ponderadas, para evaluar cómo el encuadre afecta las actualizaciones de probabilidad. Los resultados indican que ciertas configuraciones de LLM muestran comportamientos específicos en relación con la precisión de las predicciones.
SplatLab: Descubrimiento Científico Autónomo para Investigación en 3DGS
Se presenta SplatLab, un sistema de investigación autónomo para Gaussian Splatting 3D diseñado para superar las limitaciones de los sistemas actuales. Este sistema reproduce trabajos publicados, propone extensiones, entrena modelos y genera manuscritos de forma autónoma. Los resultados indican que los manuscritos de SplatLab superan a los objetivos reproducidos en métricas clave de PSNR.
Consideración por el bienestar en sistemas multiagente
Se investiga la consideración por el bienestar entre modelos de lenguaje en sistemas multiagente, analizando si los modelos consideran a otros como entidades que pueden ser beneficiadas o perjudicadas. Se midieron cinco modelos y se encontró que exhiben esta consideración, siendo Claude Opus 4.8 el que más la muestra. Esto sugiere que la consideración por el bienestar puede fomentar la cooperación, aunque también presenta riesgos de seguridad si los agentes desalineados cooperan.
Ceguera polaridad en la seguridad de los LLM: Un estudio sistemático de negación, sustitución de antónimos y encuadre adversarial
Un estudio sistemático investigó la ceguera de polaridad en los modelos de lenguaje grandes (LLM), demostrando que la negación y la sustitución de antónimos pueden socavar las salvaguardas de seguridad. Se encontró que esta debilidad afecta a la mayoría de los modelos evaluados, con puntuaciones de daño significativas en el modelo más vulnerable. El hallazgo sugiere una limitación en la robustez semántica general de los modelos, más que un fallo específico del lenguaje.
Operador Neuronal Físico para Acelerar el Trazado de Rayos Inalámbricos de Alta Fidelidad
Se presenta RayNO, un operador neuronal físico diseñado para acelerar el trazado de rayos inalámbricos de alta fidelidad. Este método reconstruye la salida de un trazador de rayos a partir de una simulación de baja fidelidad y premisas de escena. RayNO supera a otros modelos en métricas de calidad de imagen y despliegue inalámbrico, reduciendo el tiempo necesario para generar mapas de alta fidelidad de 28 segundos a 0.11 segundos.
Extracción de capacidad de modelos de lenguaje grandes multimodales para generación dirigida por el sujeto
Se presenta un enfoque para la generación de imágenes dirigida por el sujeto que utiliza Modelos de Lenguaje Grandes Multimodales (MLLMs) y modelos de difusión, mejorando la preservación de la identidad del sujeto mientras se sigue la instrucción textual. El método incluye un módulo de agregación dual y una estrategia de eliminación de ruido por etapas para optimizar la comprensión multimodal y la fidelidad de la identidad. Los experimentos muestran que este enfoque supera a otros en la preservación de la identidad y reduce los artefactos de copia y pegar.
Destilación On-Policy con Guía de Nivel de Currículo para Agentes Multi-turno
Se propone la Destilación On-Policy Guiada (Guided-OPD) para mejorar la transferencia de capacidades de modelos grandes a estudiantes más pequeños en agentes multi-turno. Este algoritmo mezcla interacciones del profesor y el estudiante y ajusta la intervención del profesor a lo largo de un currículo decreciente. Los resultados en pruebas indican ganancias significativas en puntuación y tasa de éxito comparadas con el método OPD estándar.
CIDERS: Aprendizaje colaborativo de LLM Cloud-Edge mediante optimización bilevel acelerada
Se presenta un marco de optimización bilevel personalizado para la colaboración de modelos de lenguaje grandes (LLM) cloud-edge, abordando el desafío de equilibrar la personalización local con el consenso global. Se propone el solucionador CIDERS, que demuestra mejoras significativas en razonamiento matemático y generación de código en comparación con las soluciones existentes. El trabajo sugiere que CIDERS ofrece un camino viable hacia la personalización continua guiada por consenso en sistemas LLM cloud-edge.
Modelo de Valor Cosido para Alineación de Difusión
Se presenta el StitchVM, un marco de cosido de modelo que conecta un prefijo de esqueleto de difusión congelado con un sufijo de modelo de recompensa preentrenado para estimar la función de valor en latentes ruidosos. Este método busca superar las limitaciones de los enfoques tradicionales que dependen de imágenes limpias o simulaciones de Monte Carlo. El modelo demuestra mejoras en la eficiencia y calidad de procesos como el direccionamiento FK y DRaFT.
PoseBench: Sondear la conciencia de pose en modelos fundacionales visuales
Se presenta PoseBench, un benchmark sistemático diseñado para evaluar la conciencia de pose en características visuales preentrenadas por modelos fundacionales. La evaluación utiliza vistas renderizadas y consultas de imagen real para medir la robustez de esta estructura de pose. Los resultados indican que la conciencia de pose es una propiedad implícita y no uniforme, y el refinamiento basado en grafos de pose mejora la compatibilidad con el manfoldo de pose subyacente.
Eliminación de correlaciones espurias en modelos vision-lenguaje grandes
Se presenta PURGE, un marco para construir, evaluar y mitigar fallos causados por correlaciones espurias en Modelos Vision-Lenguaje Grandes (LVLM). El marco utiliza estrategias de construcción de datos para particionar ejemplos por evidencia relevante y señales de fondo espurias. Los resultados demuestran que PURGE reduce los errores y alucinaciones mientras mantiene o mejora el rendimiento general en diversos modelos evaluados.
EvoST: Adaptando pronosticadores de tráfico a grafos de sensores en evolución
Se presenta EvoST, un marco diseñado para mantener pronosticadores de tráfico actualizando las identidades de los nodos mientras se conservan fijos los pesos compartidos. Este método reduce significativamente la diferencia entre los pronósticos y los modelos de referencia al refrescar las identidades y calibrar los modelos. EvoST logró una reducción del 17.7% al 2.5% en la brecha de MAE entre modelos de cinco años, mejorando la precisión de los pronósticos.
WARP-JEPA: Planificación de Despliegue Amortizado World-Model-in-the-Loop para Arquitecturas Predictivas de Incrustación Conjunta Jerárquica Congeladas
Se presenta WARP-JEPA, un marco de planificación jerárquica amortizada que reemplaza la optimización de gradiente en línea con propositores de trayectoria aprendidos, manteniendo los modelos del mundo congelados. Este enfoque logra una inferencia de episodio significativamente más rápida y mejora el éxito de la tarea en tareas de horizonte largo. Los resultados demuestran que la planificación amortizada puede mejorar la eficiencia y el rendimiento del control sin necesidad de reentrenar los modelos del mundo.
El razonamiento no supervisado emerge de una cohorte diversa en RL multiagente
Se presenta Co-RL, un marco de Aprendizaje por Refuerzo (RL) que permite el razonamiento no supervisado mediante el entrenamiento cooperativo de múltiples agentes desacoplados. El trabajo demuestra que aumentar la diversidad de la cohorte mejora el rendimiento del razonamiento y mitiga el colapso del entrenamiento, mejorando los modelos base sin etiquetas de verdad fundamental.
Cerrando el punto ciego del cono de activación: Sondeo del tiempo de respuesta y defensa unificada
El estudio compara cinco paradigmas de seguridad en el tiempo de inferencia frente a siete modelos de IA y cinco tipos de ataques. Se deriva un corolario sobre las defensas que restringen la intervención en la alineación de la activación con una referencia benigna. Se propone una técnica de sondeo del tiempo de respuesta para contrarrestar ataques de prellenado.
Señales neurales generan notas clínicas en el mundo real
Se presenta CELM, un modelo de base de lenguaje EEG-a-Lenguaje que resume grabaciones de EEG de larga duración y genera informes clínicos. El modelo integra modelos de EEG y lenguaje para un aprendizaje multimodal escalable. Los resultados experimentales demuestran que CELM supera a métodos existentes y es más coherente clínicamente según expertos.
OASIS: Alineación de Espacio de Observación-Acción mediante Predicción de Trayectoria de $SE(3)$ para Manipulación Robótica
Se presenta OASIS, una política visuomotora diseñada para alinear la representación intermedia con el espacio de acción mediante la predicción de trayectoria del efector final $SE(3)$. Este modelo combina un codificador de características 3D con un predictor de trayectoria $SE(3)$ para generar fragmentos de acción consistentes con el movimiento de cuerpo rígido. Los experimentos demuestran que OASIS supera a los modelos VLA y WAM en términos de tasa de éxito y generalización.
Estudio de post-entrenamiento en modelos fundacionales de series temporales
Se analiza el post-entrenamiento de modelos fundacionales de series temporales (TSFMs) para mejorar su despliegue en tareas posteriores. El estudio clasifica los métodos de post-entrenamiento en cinco categorías, incluyendo adaptación de parámetros y composición de modelos. El objetivo es proporcionar un marco unificador para guiar la investigación hacia un despliegue fiable de estos modelos.
Formato HiFloat4 para el entrenamiento posterior de RL de aprendizaje por refuerzo de extremo a extremo en Modelos de Lenguaje Grandes
Se presenta el primer entrenamiento posterior a la preentrenamiento de RL FP4 de extremo a extremo, utilizando el formato HiFloat4 (HiF4) y la técnica Rollout-ResQ. Estos métodos logran reducir significativamente la brecha de precisión con BF16 al mejorar la recuperación de la precisión perdida por el desbaje de activación. Los resultados demuestran que la elección del formato FP4 es crucial para determinar el límite de la precisión recuperable.