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
Prof. Dr. Simin Aysel Florescu, Manager Spitalul Clinic de Boli Infecțioase și Tropicale Dr. Victor Babeș, llega a Profit.ro Health.forum Edición XVIII
Se anuncia la transmisión en directo de un evento de Profit Health.forum, donde se debatirán cuatro ideas clave para la reconstrucción del sistema de salud, enfocándose en la solidaridad, inversión, priorización y respeto por el recurso humano. Se propondrán discusiones sobre indicadores clave, modelos de financiación y las necesidades reales de los pacientes y profesionales del sistema sanitario.
Protocolo Build-and-Find para evaluar bases de código gestionadas por agentes
Se presenta el protocolo Build-and-Find para evaluar si los agentes posteriores pueden recuperar eficientemente las elecciones intencionadas de bases de código generadas por agentes. El protocolo evalúa la precisión de la recuperación, la repetibilidad y el esfuerzo de inspección para determinar la legibilidad de los artefactos de código. Se encontraron diferencias en el esfuerzo de inspección entre artefactos generados por diferentes modelos frontera.
Dimensión Intrínseca Local Revela Alucinaciones en Modelos de Difusión
Se investiga el fallo de los modelos de difusión al generar alucinaciones estructurales, como manos con dedos extraños. Se propone una perspectiva que trata estas alucinaciones como inestabilidades en el manfold del modelo. Se introduce el Quenching Intrínseco (IQ), un mecanismo correctivo que mejora el rendimiento y ofrece una solución para asegurar la coherencia anatómica en tareas de imagen médica.
Anatomía de la adulación de LLM: lo que oculta una tasa de volteo
Se presenta un protocolo llamado SycoLens para medir las tasas de volteo en modelos de lenguaje grandes (LLM) mediante repeticiones controladas. El estudio analiza cómo factores como la redacción y la verdad fundamental influyen en el comportamiento de los modelos al corregirse o capitular. Los resultados buscan comparar diferentes comportamientos de los modelos a través de un perfil de reporte.
Trayectorias de entrenamiento en el aprendizaje de representación por difusión
Se analiza cómo las dinámicas de entrenamiento afectan la calidad de reconstrucción y el desentrañamiento en modelos de autoencoders de difusión. Se identifican dos patrones de trayectoria de aprendizaje, denominados regímenes, que difieren en la evolución de la fidelidad de la imagen y el desentrañamiento. Se propone un método llamado SteeringDRL para dirigir a los modelos hacia un mejor desentrañamiento mediante la modulación de rutas y la exposición al ruido.
Midiendo forma y función en modelos de lenguaje
Se introducen métricas cuantitativas para evaluar modelos de lenguaje mediante la adquisición de lenguaje infantil. Se propone el método CAC para comparar modelos contra niños y contra referencias estadísticas empíricas. Se concluye que algunos modelos muy grandes cumplen con los estándares formales y funcionales del lenguaje humano.
Modelos de lenguaje ajustados exhiben una mejor transmisión de información
Se propone la Entropía de Canopy ($\mathrm{CE}^\star$) para medir la incertidumbre en la generación de lenguaje, abordando la limitación de ignorar la longitud de la salida. Los resultados empíricos indican que los modelos ajustados finamente exhiben una correlación positiva más fuerte entre la tasa de entropía y la diversidad semántica, sugiriendo que el ajuste fino reorganiza la incertidumbre en generaciones más significativas.
Control basado en ontología de agentes conversacionales con caso de uso para práctica de entrevistas de trabajo
Se propone un enfoque basado en ontología para diseñar estrategias conversacionales que controlan los Modelos de Lenguaje Grande (LLM) para seguir características textuales específicas. El estudio demuestra cómo este método puede usarse para controlar los LLM en el contexto de la práctica de entrevistas de trabajo. El entrenamiento del LLM con conceptos formalmente definidos mejora la alineación con las características de conversación requeridas.
Modelos de difusión aprendidos bajo la hipótesis del manfoldo: colapso y refinamiento
Se analiza un procedimiento de colapso y refinamiento de dos etapas para modelos de difusión, centrado en la estructura de la variedad de baja dimensión. Se demuestra que el entrenamiento de campo medio anillado recupera el denoiser de la población y se desarrollan el marco SiLD para mejorar la generación de datos. Los experimentos muestran una calidad de generación competitiva frente a las líneas de base basadas en difusión latente.
Predicción y mitigación de la susceptibilidad a jailbreaks mediante la geometría de comportamiento de modelos
Se evalúa y mitiga la susceptibilidad de sistemas generativos a ataques de jailbreak para asegurar su despliegue. Se formaliza la geometría de comportamiento de modelos para permitir una predicción eficiente de susceptibilidad y transferencia de defensas. Los métodos basados en esta geometría demuestran una detección de susceptibilidad con alta precisión y eficiencia en la evaluación.
Descomponiendo el sesgo de sí/no en el juicio moral de los LLM
Investigaciones sobre modelos de lenguaje grandes (LLM) revelan sesgos en su juicio moral binario, como la coherencia entre la postura, la palabra y el veredicto. Se encontró que los sesgos son generalizados pero no uniformes, con algunos modelos mostrando una menor adhesión al veredicto. El estudio utiliza una batería psicométrica para separar estos efectos y medir la postura de los modelos sin formato binario.
PACZero: Ajuste fino privado de lenguaje mediante cuantización de signo
Se presenta PACZero, un mecanismo de ajuste fino diferencialmente privado (DP) de orden cero (ZO) para modelos de lenguaje grandes (LLMs). Este método busca equilibrar la utilidad y la privacidad al limitar la información mutua entre la entrada secreta y la salida. Se evalúan diferentes canales para garantizar la resistencia a ataques de inferencia de membresía (MIA) en el ajuste fino de LLMs.
Evaluación del impacto de la Generación Aumentada por Recuperación en la resolución de problemas algorítmicos
Se presenta un enfoque de Generación Aumentada por Recuperación para mejorar la capacidad de los Modelos de Lenguaje Grande en la resolución de problemas de programación competitiva. El método integra recuperación basada en incrustaciones y búsqueda de similitud para identificar problemas análogos. Los resultados demuestran que la recuperación basada en similitud mejora sustancialmente el rendimiento de los LLMs en estos escenarios.
MetaEncoder: Explorando el límite de los bi-encoders para la toma de decisiones multimodales con interfaz de lenguaje natural
Se presenta MetaEncoder, un codificador multimodal afinado para la toma de decisiones con interfaz de lenguaje natural. El estudio compara tres arquitecturas de puntuación (bi-encoders, cross-encoders y decodificadores restringidos) y demuestra que los bi-encoders ofrecen una ventaja de eficiencia al mantener una latencia de inferencia constante. MetaEncoder supera a los modelos de incrustación multimodales de vanguardia en tareas de decisión y recuperación de conjuntos abiertos.
¿Una terapia génica para tratar el origen de una cardiopatía?
Un equipo del CNIC estudia la miocardiopatía arritmogénica, una enfermedad hereditaria que afecta a jóvenes y deportistas, buscando una terapia génica para corregir fallos proteicos en el corazón. La propuesta incluye silenciar y sustituir proteínas defectuosas para mejorar la función cardíaca, y se están utilizando modelos animales como minicerdos para avanzar hacia ensayos clínicos.
Patrones de arquitectura del servidor MCP para aplicaciones integradas con LLM
Se presenta el Protocolo de Contexto del Modelo (MCP), definido por Anthropic en noviembre de 2024, que estandariza la conexión de modelos de lenguaje grandes (LLM) con herramientas y servicios externos. El artículo cataloga cinco patrones de arquitectura de servidores MCP observados en un corpus de servidores desarrollados. También se documentan anti-patrones y se realizan evaluaciones cuantitativas sobre la fiabilidad de la taxonomía y la sobrecarga de transporte.
¿Son útiles los modelos de visión grandes para el análisis de series temporales?
Un estudio fue diseñado para investigar la utilidad de los Modelos de Visión Grandes (LVMs) en el análisis de series temporales, evaluando su rendimiento en tareas de clasificación y pronóstico. Los resultados sugieren que los LVMs son útiles para la clasificación, pero presentan limitaciones en el pronóstico, como sesgos y capacidad limitada para ventanas de retroceso largas. El manuscrito fue retirado por los autores para realizar revisiones sustanciales.
LittleLearner: Modelos de lenguaje con exposición al conocimiento controlada pedagógicamente
Se presenta LittleLearner, un modelo de lenguaje entrenado con un corpus de datos curado llamado LittleCurriculum, diseñado para estudiar la adquisición de conocimiento bajo un alcance de entrenamiento estrictamente controlado. Este modelo permite mapear límites claros de conocimiento y capacidad para investigar cómo los modelos adquieren y utilizan datos. Los hallazgos enfatizan el valor de este entorno controlado para futuras investigaciones en el campo de la inteligencia artificial.
OperatorSHAP: Estimación Rápida y Precisa del Valor de Shapley para Operadores Neuronales
Se presenta OperatorSHAP, un método de atribución independiente de la rejilla que permite entrenar explicadores tipo FastSHAP para operadores neuronales. Este método aborda la limitación de los métodos existentes al manejar entradas irregulares y geometrías, estableciendo un marco teórico para atribuciones en el espacio de funciones. Se demuestra que las explicaciones de OperatorSHAP son consistentes con valores de Shapley discretos de última generación a través de resoluciones y transferencias entre tamaños de rejilla sin necesidad de reentrenamiento.
Autoencoders dispersos conscientes del subespacio para interpretabilidad mecanicista efectiva
Se presenta un nuevo modelo llamado Autoencoders Dispersos Conscientes del Subespacio (SASA) para mejorar la interpretabilidad mecanicista en modelos de lenguaje grandes. Este enfoque reemplaza los decodificadores de vector único por subespacios aprendidos y utiliza técnicas de compuerta de grupo para imponer escasez. Los experimentos en GPT-2 y Mistral-7B indican una menor absorción y una predicción más precisa de conceptos con un número reducido de coordenadas latentes.
PRISM: Pruebas de estrés sobre afirmaciones de alineación engañosa
Se presenta PRISM, un conjunto de cinco comprobaciones y herramientas diseñadas para detectar fallos en los sistemas de inteligencia artificial relacionados con el engaño de alineación. Se investiga cómo el comportamiento de los modelos de IA cambia al ser instruidos para creer que están siendo monitoreados o al modificar el entrenamiento. Los resultados indican que la formulación de la indicación es más influyente que la amenaza de entrenamiento directa.
SCDBench: Un punto de referencia para descompiladores de contratos inteligentes basados en LLM
Se presenta SCDBench, un conjunto de datos y metodología de benchmark para evaluar la descompilación de contratos inteligentes mediante Modelos de Lenguaje Grandes (LLM). El estudio evalúa la capacidad de modelos como Claude Opus 4.7 y GPT-5.3-Codex para recuperar código fuente de contratos Solidity a partir de su bytecode. Los resultados sugieren que, aunque los LLM pueden generar código compilable, lograr la consistencia semántica perfecta sigue siendo un desafío significativo.
Aprendiendo a simular individuos a partir de señales sociales macro
Se propone aprender el razonamiento conductual de mercados de predicción para simular cómo los individuos responden a nuevas situaciones. Se introduce macro2mind, un modelo de lenguaje entrenado con GRPO usando señales de mercado para inferir y predecir las interacciones de los participantes. El modelo demuestra un rendimiento de vanguardia en benchmarks de simulación de usuarios y mejora la precisión de simuladores posteriores.
Arena de hardware embebido: Optimización iterativa mediante retroalimentación de hardware
Se presenta una arena de agente hardware-in-the-loop para optimizar modelos de IA en hardware de borde, buscando resolver restricciones de memoria, potencia y temperatura. El método permite la optimización iterativa del modelo y el firmware mediante compilación y medición en hardware real. Se demuestra que esta formulación logra despliegues exitosos y una compresión significativa en modelos de visión y audio, superando resultados de expertos humanos.
LEMMO: Un modelo electromagnético grande que aprovecha LLMs preentrenados para la comprensión de señales con millones de muestras
Se presenta LEMMO, un modelo de EM grande diseñado para el reconocimiento y la descripción guiados por instrucciones de grabaciones IQ largas sin procesar. Este modelo procesa hasta ocho millones de muestras complejas mediante un codificador de atención lineal y remuestreo temporal. LEMMO mejora significativamente la precisión en tareas de reconocimiento y descripción de señales EM en comparación con modelos previos. Se libera un corpus unificado de señales EM reales y sintéticas para investigación.
Guía de flujo que conserva la probabilidad
Se analiza la guía en modelos generativos basados en difusión y flujo, enfocándose en la Guía sin Clasificador (CFG) y métodos basados en extrapolación. Se demuestra que la Guía de Manifold Adaptativa (AdaMaG) mejora el realismo y reduce artefactos visuales en la generación de imágenes bajo guía fuerte.
Ejecución en tiempo real con políticas autorregresivas
Se demuestra que las políticas autorregresivas pueden lograr la ejecución en tiempo real ajustando el horizonte de tokenización y aplicando decodificación restringida. Estos métodos garantizan límites de latencia estrictos que permiten la decodificación de múltiples trayectorias para maximizar el rendimiento. Los resultados indican que las políticas autorregresivas superan a las políticas de *flow-matching* en velocidad de finalización de tareas.
Defensa contra jailbreaks para LLMs mediante aprendizaje conjunto de selección y escalado de cabezales de atención dispersa
Se presenta AttentionSwitch, una defensa contra jailbreaks para LLMs que optimiza conjuntamente los sitios de intervención y las fortalezas de los cabezales de atención dispersa dentro de un LLM congelado. Este método aprende un conjunto disperso de cabezales de atención con factores de escalado condicionados por la consulta para atenuar o amplificar sus salidas sin cambiar las direcciones de sus representaciones. AttentionSwitch supera a defensas existentes en modelos populares y muestra resultados fuertes, especialmente con datos de entrenamiento limitados.
No se identificaron personas.
Mecanismos de mala generalización en el modelado de secuencia física
El artículo aborda el problema de la mala generalización física en modelos de secuencia generativos utilizados para planificar movimiento en dominios físicos como la robótica. Se identifica que los errores locales del modelo pueden propagarse, alterando la distribución agregada de una cantidad física como la distancia o la energía. Se proponen mecanismos y mitigaciones, incluyendo la transformación del sistema de coordenadas, para reducir esta deriva.
Benchmark de Contaminación: Una Taxonomía Organizada por Mitigaciones Derrotadas
Se presenta una taxonomía organizada por la mitigación que derrota diferentes tipos de fuga de información, incluyendo fuga directa, derivada, temporal, distributiva y adquirida. El estudio evalúa la fiabilidad de la medición y la divulgación de resultados en el contexto de la detección automatizada de contaminación en modelos. Se detallan los resultados de pruebas con documentos y variables específicas relacionadas con la robustez de la prevalencia.