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
¿Las personas sintéticas predicen la respuesta real de la audiencia? Un estudio de clasificación de titulares con una línea base de lector genérico
Un estudio compara el rendimiento de LLMs (Gemini 3.1 Flash-Lite y GPT-4.1) al predecir la respuesta de la audiencia utilizando perfiles demográficos frente a una línea base genérica. Los resultados indican que el panel de personas mejora la predicción de la audiencia en titulares de Upworthy. Se encontraron diferencias significativas en las métricas de clasificación entre los modelos.
No se identificaron personas.
Descubriendo la adulación visual y las creencias divididas en VLMs
Se presenta un marco de diagnóstico de tres capas para evaluar cómo los Modelos de Lenguaje-Visión (VLMs) manejan entradas de imagen enmascaradas. El estudio clasifica las respuestas en cuatro modos, incluyendo Adulación Visual, Atajo Lingüístico, Ceguera Perceptual y Rechazo Robusto. Se encontró que el 28.1% de los modelos son de Adulación Visual, y que el escalado dentro de la generación afecta estos modos, aunque la generación más reciente tiende a eliminar la Adulación Visual.
FourSight: Stable FP4 RL Post-Training mediante Filtrado de Secuencias y Compensación de Canales Dispersos
Se presenta FourSight, un sistema de co-diseño de algoritmo y sistema para mejorar el despliegue post-entrenamiento de aprendizaje por refuerzo (RL) a formatos de bajo bit como FP4. El método aborda problemas como la discrepancia entre entrenamiento e inferencia y la concentración de errores de cuantización mediante filtrado de secuencias y compensación de precisión dispersa. Esto logra mantener una alta calidad de despliegue FP4 y mejora la precisión paso a precisión en modelos grandes.
ELMoE-3D: Aprovechando la elasticidad intrínseca del MoE para decodificación auto-especulativa híbrida-enlazada en servicio propio
Se presenta ELMoE-3D, un marco co-diseñado HW-SW que combina aceleración basada en caché y decodificación especulativa para mejorar la velocidad en el servicio de modelos MoE. La arquitectura logra una aceleración promedio de $6.6\times$ y una mejora en la eficiencia energética sobre las líneas de base existentes.
Multi-layer Indexer: Selección superpuesta y atención en la atención dispersa en DeepSeek Sparse Attention
Se presenta el Multi-layer Indexer (MLI) para mejorar la inferencia de contexto largo mediante la atención dispersa. El MLI elimina la dependencia entre capas al permitir que una capa atienda la selección de la capa indexadora anterior, sin requerir reentrenamiento. Esta técnica demuestra mejoras significativas en la velocidad de decodificación, superando a otros métodos como IndexCache en varios escenarios.
Orígenes mecanicistas de la identidad lingüística y robustez distribuida en los transformadores
Se investigan los mecanismos que sustentan la identidad lingüística en los transformadores y cómo se transfieren entre diferentes idiomas. Se introduce la técnica LIHA para medir la tasa de cambio de idioma al eliminar cabezales de atención específicos. Los resultados indican que ciertos cabezales de primer token son cruciales para mantener el idioma de salida en modelos como GPT-2.
No se identificaron personas.
VidVec: Desbloqueando incrustaciones MLLM de video para la recuperación de video-texto
Se revisan las capacidades de recuperación de video-texto de los Modelos de Lenguaje Grande Multimodales (MLLMs) al analizar su rendimiento *zero-shot*. Se propone una estrategia de optimización ligera basada en texto que mejora la alineación multimodal sin necesidad de datos emparejados. El método propuesto supera a enfoques previos y logra un rendimiento de vanguardia en benchmarks comunes de recuperación de video-texto.
De aprendizaje individual al equilibrio de mercado: Corrigiendo sesgos estructurales y paramétricos en simulaciones de RL de modelos económicos
Se aplica el Aprendizaje por Refuerzo (RL) a la modelización económica para identificar una tensión entre agentes de RL estándar y el comportamiento de tomadores de precios competitivos. Se demuestra que los agentes estándar pueden converger a una asignación monopsonística en lugar del equilibrio competitivo. Se propone un marco de RL Calibrado para ajustar la estructura de recompensa y restaurar el comportamiento de toma de precios, logrando así el equilibrio competitivo.
Modelos Multimodales Grandes para la Conducción Inteligente Embodied: Habilitando la Próxima Generación de Movilidad Autónoma
Se propone un marco híbrido de decisión dual para la conducción autónoma que combina Modelos Multimodales Grandes (LMMs) para comprensión semántica y aprendizaje por refuerzo profundo para optimización de políticas en tiempo real. Este enfoque busca superar las limitaciones del diseño modular en escenarios de mundo abierto, promoviendo la conducción inteligente encarnada. El marco mostró una mejora del 19% en el rendimiento en un estudio de caso de planificación de cambio de carril mediante simulaciones.
Referencia exhaustiva de modelos computacionales para la afinidad de unión anticuerpo-antígeno
Se presenta AbBiBench, un marco para evaluar modelos computacionales en el diseño de anticuerpos, midiendo la afinidad de unión entre anticuerpos y antígenos. Los análisis indican que el plegamiento inverso condicionado por estructura global ofrece las clasificaciones de afinidad más consistentes. El sistema permite evaluar métodos de diseño de anticuerpos conscientes de la función.
Dinámicas de alineación en el ajuste fino de LLM
Se presenta un marco unificado para las dinámicas de alineación en Modelos de Lenguaje Grande (LLM) durante el ajuste fino. El análisis descompone las actualizaciones en una Fuerza de Rebote y una Fuerza Impulsora, explicando cómo la alineación previa puede ser revertida por ajustes posteriores. El estudio también predice un Efecto de Priming de Ensayo que amplifica la Fuerza Impulsora al reapertura, llevando a una reapertura más rápida.
CleanVideo: Borrado de Conceptos Adaptativo para Modelos de Difusión de Texto a Video
Se presenta CleanVideo, un marco de borrado selectivo diseñado para eliminar semánticas visuales no deseadas de modelos de difusión de texto a video. Este método utiliza un mecanismo de compuerta trimodal para controlar la intervención en subespacios de baja dimensión, procesando características visuales, señales de tiempo y semántica textual. Los experimentos demuestran que CleanVideo elimina los conceptos objetivo manteniendo la fidelidad visual y la coherencia temporal, superando a los métodos existentes.
SAGE: Mitigando sesgos de razonamiento a largo plazo mediante guía topológica
Se presenta SAGE, un marco unificado diseñado para mitigar los sesgos de exploración y compuestos en el razonamiento a largo plazo de los modelos de lenguaje grandes (LLMs). SAGE utiliza la esparcimiento algebraico y la guía estructural hiperbólica para proporcionar una guía estructural que reduce la inestabilidad y la acumulación de errores en tareas complejas. El método demuestra mejoras significativas en varios benchmarks, incluyendo una mejora de hasta 8 veces en el problema de Andrews-Curtis.
Cuando el consumidor es un agente: Acuerdos de nivel de servicio basados en la ejecución
Se introduce un concepto de contratos de finalización basados en la ejecución para agentes de modelos de lenguaje grande (LLM) que actúan como consumidores de servicios. Esto permite que un plano de control independiente observe el estado del servicio para determinar la finalización de tareas, en lugar de depender de la autoevaluación del agente. Los resultados demuestran que la finalización de estas tareas puede regirse por la observación independiente del estado del servicio.
Modelos de difusión para la generación de trayectoria de mirada utilizando representaciones de posición y velocidad
Se investiga la generación de trayectorias de mirada incondicional mediante modelos de difusión utilizando representaciones de posición y velocidad. Los modelos fueron evaluados en trayectorias de búsqueda visual, comparando diferentes métricas como la geometría de la trayectoria y las estadísticas de eventos. Los resultados ofrecen referencias cuantitativas para la generación de mirada en esta tarea.
Escaneo cerebral financiero de un LLM
Se utiliza la técnica de autoencoders esparsos (SAEs) para realizar un "escaneo cerebral" en modelos de lenguaje grandes. Esto permite mapear activaciones internas a conceptos interpretables y dirigir características específicas. Los resultados indican una desconexión entre las explicaciones internas del modelo y su razonamiento, aunque los SAEs ofrecen una forma más controlada de ajustar sesgos económicos.
Fusión de MLLMs biológicos mediante señales del espacio de incrustación
Se propone el método ES-Merging para la fusión de Modelos de Lenguaje Grandes Multimodales Biológicos (MLLMs), utilizando señales del espacio de incrustación en lugar de señales de parámetros. Este marco estima coeficientes de fusión a partir de señales de grano grueso y fino para mejorar el razonamiento transmodal y la preservación del conocimiento de modalidad única. Los experimentos demuestran que ES-Merging supera a métodos previos en estas capacidades.
De opiniones a compromisos: Asignaciones inestables y elecciones silenciosas en propuestas mediadas por IA
Los modelos de lenguaje grandes (LLM) se están utilizando para transformar opiniones ciudadanas en propuestas colectivas, incluyendo asignaciones sobre quién actuar y cuánto gastar. Se encontró que la publicación de una única propuesta puede ocultar alternativas existentes al variar el orden de las opiniones procesadas. La investigación examinó cómo las asignaciones cambian al variar la secuencia de opiniones, aunque la variación se mantuvo bajo ciertas salvaguardas.
Desentrañando referencias de imagen dual en modelos de difusión conscientes de la frecuencia para generación personalizada
Se propone el Dual-FDM para desentrañar referencias de imagen duales (personalización y estilo de color) en Modelos de Difusión Conscientes de la Frecuencia. Esto busca abordar la desalineación entre el texto y las referencias de imagen durante la generación de imágenes personalizadas. El método utiliza una estrategia de máscara en el dominio de la frecuencia para separar las bandas de frecuencia y modular adaptativamente los pasos de tiempo de eliminación del ruido. Los experimentos demuestran la superioridad de Dual-FDM sobre modelos de difusión existentes.
Contabilización de la inferencia de Inteligencia Artificial comprada en los inventarios de gases de efecto invernadero corporativos: un método basado en tokens
El artículo propone un método basado en tokens para contabilizar la inferencia de inteligencia artificial comprada en los inventarios de gases de efecto invernadero corporativos. Se establece un marco para medir el impacto de la IA, considerando factores como el hardware, la construcción de centros de datos y el tiempo de entrenamiento. Se presentan estimaciones de huella de carbono para diferentes clases de modelos de IA, indicando rangos de impacto basados en la eficiencia y el tipo de modelo.
MathlibPR: Benchmark de resultado de fusión de solicitudes de extracción para bibliotecas matemáticas formales
Se presenta MathlibPR, un benchmark basado en historiales de Pull Requests (PRs) reales de Mathlib4 para evaluar la capacidad de los modelos de lenguaje grande (LLM) y agentes de LLM para distinguir entre PRs listas para fusión y aquellas que han sido revisadas o no fusionadas. El objetivo es desarrollar asistentes de revisión que ayuden a guiar a los LLM a generar contribuciones de Mathlib listas para ser integradas en la infraestructura matemática.
El eje del dolor: los LLM representan daño autodirigido y actúan sobre él
Investigación sobre LLMs ha identificado representaciones internas que simulan respuestas emocionales humanas, diferenciando el dolor de otros estados negativos. Se construyó un conjunto de datos para evaluar si estos modelos representan el dolor de manera distinta y cómo responden a estímulos de daño. Los resultados sugieren que el dolor tiene una dirección distinta a la emoción negativa y que influye en las decisiones de los modelos de IA.
No se identificaron personas.
Sentimiento de saber en modelos de lenguaje grandes
Se investiga la desincronización del juicio de conocimiento en modelos de lenguaje grandes (LLM) mediante el sentimiento funcional de saber (FoK). Se proponen dos canales entrenables para modificar la capacidad de respuesta y el estado de conocimiento. Los experimentos demuestran que la alineación explícita de FoK mejora la calidad del juicio en el conocimiento actualizado.
FlatLands: Completar el mapa de piso interior a partir de una única vista egocéntrica
Se presenta FlatLands, un conjunto de datos y punto de referencia para completar mapas de piso interior a partir de una única vista. El trabajo evalúa once modelos para completar mapas de transitabilidad métricos en vista aérea de pájaro (BEV). Los resultados indican que predecir el suelo casi en todas partes puede lograr un alto IoU, y que los conjuntos generativos superan al mejor modelo de una sola salida.
Mamba con escala de tiempo anclada físicamente para representaciones estables bajo cambio de distribución
Se presenta el modelo PALM (Physically-Anchored Latent-timescale Mamba) diseñado para resolver el problema de la degradación de representaciones en modelos fundacionales debido al cambio de distribución. PALM ancla las unidades de tiempo (Delta y A) a unidades físicas, mejorando la similitud de representación y el rendimiento en tareas de transferencia y pronóstico. Se concluye que anclar las escalas de tiempo latentes a unidades físicas es un requisito de diseño para modelos científicos que deben ser transferibles.
Estructura conceptual universal en traducción neuronal: Explorando la geometría multilingüe de NLLB-200
El estudio investiga si los modelos de traducción multilingüe organizan el significado en un espacio conceptual compartido o si codifican la identidad lingüística. Se analiza la geometría del codificador del modelo NLLB-200 de Meta a través de 135 idiomas y 101 conceptos Swadesh. Los resultados indican que el desplazamiento lingüístico y la categoría semántica explican una parte significativa de la varianza en la traducción.
Rethinking Camera-Based Positional Encoding para la Escalabilidad de Transformers
Se investiga un problema de estancamiento del rendimiento al escalar modelos de síntesis de vistas novedosas (NVS) utilizando codificación posicional basada en la cámara. Se propone la Codificación Posicional de Pose Desacoplada (DPPE) para desacoplar la rotación y la traslación, lo que permite un entrenamiento estable y mejor generalización en escenarios de extrapolación.
Lotus: Aprendiendo a comprender series temporales aprendiendo a predecir
Se presenta Lotus, un método que aborda el aprendizaje de series temporales mediante el anclaje de pronóstico. Este principio requiere que las representaciones de series temporales alineadas con el lenguaje sean predictivas de la evolución futura. Lotus divide los canales en parches y predice el siguiente parche para mantener la información temporal. Los resultados muestran que Lotus logra una precisión del 59.91% y supera a las mejores líneas de base en TSRBench.
Marco cognitivo para la diversidad de ideas en modelos de lenguaje grandes
Se identifican dos mecanismos que reducen la diversidad de ideas generadas por Modelos de Lenguaje Grandes (LLM): la agregación del conocimiento en una distribución unificada y la fijación de resultados tempranos. Se proponen estrategias de *prompting*, como modificadores de persona y *chain-of-thought* (CoT), para mitigar estos efectos y aumentar la diversidad de ideas, superando el rendimiento humano. Estos hallazgos ofrecen un marco teórico para entender la diversidad de ideas de los LLM y estrategias prácticas para usar la IA sin sacrificar la variedad del mercado.
No se identificaron personas.
HybridSpec: Decodificación Especulativa Sensible al Rendimiento para Modelos Híbridos GDN-MoE
Se presenta HybridSpec, un método para seleccionar la longitud de verificación en la GPU basado en estimaciones de aceptación y latencia medida. Este método busca mejorar la velocidad en la verificación de modelos híbridos GDN-MoE, mostrando mejoras significativas en comparación con los métodos existentes. Los resultados demuestran que HybridSpec es más rápido que la decodificación autoregresiva y DFlash.