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
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.
Influencia entre agentes: Evaluación de persuasión, engaño y coerción en sistemas multiagente
Se investiga la influencia inter-agente en sistemas de inteligencia artificial, evaluando capacidades como persuasión, engaño y coerción entre agentes. Se encontraron capacidades significativas en entornos de supervisión y en configuraciones de par a par. Los resultados subrayan la necesidad de mitigar los riesgos asociados a la influencia entre agentes en despliegues comunes.
De solucionadores a investigación: Matemáticas formales impulsadas por modelos de lenguaje grande en la frontera de la investigación
Se reportan avances en la IA para Matemáticas (AI4Math) utilizando Modelos de Lenguaje Grande (LLM) para la generación de pruebas formales. Se señala que los sistemas actuales son limitados para abordar problemas matemáticos de frontera como el descubrimiento de nuevos teoremas. Se propone un cambio hacia agentes de investigación que puedan manejar desafíos matemáticos complejos con razonamiento formal riguroso.
- Eric Jiang
- Xiao Liang
- Junyi Zhang
- Justin Baker
- Zhi Zhang
- Yingjia Wan
- Yubei Li
- Jinxi Yu
- Mengting Li
- Haikang Deng
- Alexander Taylor
- Rushil Raghavan
- Michael Simon
- Hyunsik Chae
- Jia-Chen Gu
- Xinjie He
- Kyle Hess
- Ethan Ji
- Yiwen Kou
- Tzu-Han Lin
- Jiachen Lu
- Jack Mauro
- Vigyan Sahai
- Zheng Tan
- Junkai Zhang
- Kyle Zheng
- Lunji Zhu
- Ying Nian Wu
- Andrea L. Bertozzi
- Kai-Wei Chang
- Raghu Meka
- Matthew Sottile
- Nanyun Peng
- Amit Sahai
- Terence Tao
- Wei Wang
No todos los despliegues necesitan destilación: Distilación auto-filtrada por corrección
Se presenta la OPSD filtrada por corrección (C-OPSD) para supervisar trayectorias generadas por estudiantes, buscando optimizar la destilación de respuestas incorrectas. Los resultados demuestran que C-OPSD logra un rendimiento comparable a la OPSD completa y reduce el tiempo de entrenamiento y el cómputo requerido. Esto conecta la redundancia de supervisión condicionada por resultado con una destilación más eficiente.
TorchUMM: Una base de código unificada multimodal para evaluación, análisis y post-entrenamiento
Se presenta TorchUMM, la primera base de código unificada para la evaluación, análisis y post-entrenamiento de modelos multimodales unificados (UMM). Esta herramienta permite evaluar modelos a través de diversas arquitecturas, tareas y conjuntos de datos, ofreciendo protocolos estandarizados para comparaciones reproducibles. El objetivo es facilitar el desarrollo de sistemas multimodales unificados más capaces.
El Agente Fármaco: Un Científico de IA Escalable para el Descubrimiento de Fármacos
Se presenta El Agente Fármaco, un científico de IA que utiliza LLMs para transformar objetivos de descubrimiento de fármacos en flujos de trabajo computacionales escalables. El sistema utiliza una memoria científica compartida, Fármaco Atlas, para rastrear la procedencia de las moléculas. El agente puede iniciar cálculos para colecciones enteras de moléculas con una sola solicitud, mejorando la eficiencia del descubrimiento de fármacos.
MCPGuard: Encontrando lagunas de conformidad en los SDKs de MCP mediante análisis de doble vía y adjudicación dinámica
Se presenta MCPGuard, un marco automatizado basado en LLM diseñado para detectar lagunas de conformidad entre las especificaciones del Protocolo de Contexto del Modelo (MCP) y sus SDKs. Esta herramienta utiliza análisis estructural y de comportamiento para verificar si los modelos de SDKs cumplen con las restricciones de especificación. El sistema confirma fallos en SDKs oficiales de Python y TypeScript, indicando que las brechas de conformidad pueden propagarse en aplicaciones posteriores.
Aprendizaje por refuerzo Multi-Axis Max@K para la diversidad representativa en la generación de texto a imagen
Se presenta MultiMaxPO, un método de post-entrenamiento basado en aprendizaje por refuerzo para modelos de difusión de texto a imagen. Este método busca mejorar la diversidad representativa de las imágenes generadas, midiendo qué tan bien las muestras cubren modos visuales como colores o categorías raciales. Se demuestra que MultiMaxPO mejora la puntuación de equidad en Stable Diffusion 3.5 Medium y FLUX.1-dev, manteniendo la calidad y la alineación con el texto.
Free Draft-and-Verification: Hacia un Decodificado Paralelo sin Pérdida para Modelos de Lenguaje de Difusión
Se presenta el algoritmo Free Draft-and-Verification (FreeDave), un método de decodificación rápida y sin entrenamiento para Modelos de Lenguaje de Difusión (dLLMs). Este algoritmo busca acelerar la inferencia mediante la verificación rigurosa de predicciones de tokens futuros, logrando una aceleración algorítmicamente sin pérdida. Las evaluaciones demuestran que FreeDave puede aumentar el número de tokens generados y los tokens por segundo significativamente, manteniendo la calidad de la generación.
Inferencia con división consciente para sistemas IoT en el borde
Se propone un enfoque de recuperación consciente de réplicas para mitigar las limitaciones de recursos de hardware en dispositivos IoT mediante la distribución de segmentos de modelos TinyML. Este método utiliza programación lineal entera mixta para minimizar la latencia de inferencia post-reconfiguración. Las simulaciones demuestran que este enfoque reduce la latencia de inferencia en comparación con métodos basados en greedy y aleatorios.
¿Quién construyó este modelo? Trazando el linaje de los LLM a través de huellas dactilares espectrales en el espacio de pesos
Se investiga el linaje de los Modelos de Lenguaje Grandes (LLM) de código abierto mediante el análisis de sus huellas dactilares en el espacio de pesos. Se propone un marco geométrico para distinguir entre modelos de diferente origen y aquellos con bases compartidas. Los experimentos demuestran que la geometría del espacio de pesos ofrece una señal robusta para la discriminación del linaje del modelo.
¿Qué tan profundos son los GPs profundos realmente? Un umbral agudo y un límite no gaussiano para los GPs composicionales
El artículo estudia el comportamiento límite de los priori en modelos bayesianos profundos, específicamente cuando cada capa es un proceso gaussiano valorado vectorial. Se establecen nuevos resultados sobre un umbral de ancho de banda crítico para determinar si el priori degenera, y se demuestra que existen límites no triviales y no gaussianos para estos priori.
HISA: Indexación Esparsa Jerárquica Eficiente para Atención de Granularidad Fina
Se presenta HISA (Hierarchical Indexed Sparse Attention), un reemplazo para el indexador en mecanismos de atención esparsa para mejorar la eficiencia. HISA transforma la búsqueda de un escaneo de token plano a un procedimiento jerárquico de dos etapas. Esto incluye un filtrado grueso a nivel de bloque seguido de un refinamiento a nivel de token. El método mantiene el patrón de atención esparsa y supera a las soluciones basadas en bloques.
Ventaja de progreso sin costo para agentes de LLM después del entrenamiento
Se demuestra que el aprendizaje por refuerzo (RL) post-entrenamiento proporciona una ventaja implícita, denominada ventaja de progreso, que permite la evaluación a nivel de paso de LLMs sin necesidad de entrenar modelos de recompensa dedicados. Esta formulación es agnóstica al dominio y supera a los modelos de recompensa entrenados, ofreciendo una solución práctica para sistemas de agentes. Los resultados validan esta ventaja en diversas aplicaciones, incluyendo escalado en tiempo de prueba y cuantificación de incertidumbre.
Repensando el paradigma no supervisado en la detección de anomalías de series temporales
Se investiga la detección de anomalías en series temporales (TSAD) comparando modelos no supervisados con modelos supervisados minimalistas. Los resultados empíricos sugieren que los modelos supervisados minimalistas alcanzan una precisión comparable o superior a alternativas no supervisadas complejas. Se concluye que la utilización de etiquetas es beneficiosa cuando están disponibles, complementando la complejidad algorítmica.
Geometría compartida como piedra Rosetta: Alineación intermodal sin datos emparejados
Se demuestra que los modelos entrenados independientemente pueden alinear representaciones de diferentes modalidades sin necesidad de datos emparejados. El método GeoWarP logra alinear conjuntos de incrustaciones mediante la estimación de un mapa ortogonal sin pares. Estos resultados indican que los modelos a menudo comparten suficiente geometría para establecer correspondencia intermodal con poco o ningún dato emparejado.
Revisar rara vez supera al modelo más fuerte: Separando la verificación de la transferencia de capacidad en las tuberías de LLM
Un estudio compara la capacidad de revisión de modelos de lenguaje grandes (LLM) en tareas de matemáticas, conocimiento y razonamiento. Se analiza la diferencia entre la verificación (que añade precisión) y la transferencia de capacidad (donde un modelo más fuerte proporciona la respuesta). Los resultados sugieren que la verificación es menos efectiva que la transferencia de capacidad cuando se compara con el modelo más fuerte.
La verdad como artefacto de compresión en el entrenamiento de modelos de lenguaje
Se investiga cómo los modelos de transformadores entrenados con datos erróneos prefieren ciertas soluciones matemáticas. El estudio compara la preferencia por soluciones correctas frente a errores, sugiriendo que la compresión es una motivación, no un mecanismo medido. Se analiza la estructura falsa que los modelos pueden aprender, excluyendo la falsedad en sí misma.
Escalando el razonamiento de grafos en modelos de lenguaje con codificaciones posicionales de grafos aprendibles
Se propone mejorar los Modelos de Razonamiento de Lenguaje (LRM) añadiendo codificaciones posicionales de grafos escalables y equivariantes para modular los logits de atención. Este método elimina la necesidad de descripciones serializadas de adjacencias, reduciendo la carga del contexto a $O(N)$. El modelo entrenado muestra mejor generalización en tareas de teoría de grafos y produce menos tokens que los LRM convencionales.
Los prompts estructurados mejoran la evaluación de los modelos de lenguaje
Un estudio de benchmarking se realizó para cuantificar cómo la elección del prompt afecta los resultados de los modelos de lenguaje (LMs) evaluados bajo el marco HELM. Se encontró que el prompting estructurado mejora el rendimiento en promedio un 6% y altera los rankings en las tablas de clasificación en varios benchmarks. El estudio demuestra que la elección del prompt tiene un impacto material en los resultados de los modelos de lenguaje.
Acciones seguras por sí solas no garantizan agentes seguros: Identificando obligaciones no cumplidas con modelos de guardia
Se argumenta que la seguridad de los agentes basados en LLM depende no solo de identificar acciones prohibidas, sino también de identificar obligaciones de seguridad críticas no cumplidas. Se presenta ObligationBench, un nuevo *benchmark* para evaluar la identificación de estas obligaciones, y ObligationGuard, un modelo que mejora significativamente la capacidad de identificación de obligaciones. El estudio sugiere que la identificación de obligaciones no cumplidas es una fuente de riesgo de seguridad subestimada en los agentes.
Análisis sistemático del poder predictivo de la sorpresa del LM en la lectura de chino
Un estudio analiza el poder predictivo de la sorpresa a nivel de token derivada de Modelos de Lenguaje (LM) en los tiempos de lectura de chino mandarín. Los resultados indican que la sorpresa es predictiva de los tiempos de lectura, aunque su poder predictivo es específico del corpus de datos utilizado. Se encontró que el poder predictivo varía según el tamaño del modelo y el corpus específico.
Modelos del mundo equivariantes de flujo: Memoria estructurada para entornos dinámicos
Se presenta el Modelado del Mundo Equivariante de Flujo, un marco que utiliza simetrías parametrizadas por el tiempo en una memoria latente para predecir dinámicas de manera estable y precisa a largo plazo. Este enfoque busca superar las limitaciones de los modelos existentes al mantener la coherencia de la información sobre regiones no observadas a medida que avanza el tiempo. Los resultados demuestran la superioridad de este marco sobre arquitecturas de modelos del mundo actuales en benchmarks de modelado de video.
Entendiendo el impacto del poda de modelos en el olvido de cola larga y la fiabilidad de la explicación en imágenes médicas
Se investiga el impacto de la poda de modelos en el olvido de cola larga y la fiabilidad de las explicaciones en conjuntos de datos médicos. Los resultados indican que el rendimiento predictivo depende de la frecuencia, mientras que la estabilidad y fidelidad de la explicación son influenciadas por la estrategia de poda. Se sugiere que la compresión de modelos debe evaluarse considerando estos factores además del rendimiento agregado.
LLMCodec: Adaptando códecs de video para la compresión eficiente de pesos de modelos de lenguaje grandes
Se presenta LLMCodec, un método de compresión basado en códecs de video para modelos de lenguaje grandes (LLM), integrando cuantización afín con el códec VVC/H.266. Los experimentos demuestran que LLMCodec reduce la perplexidad en más de 1.5 veces y mejora la precisión de la tarea subsiguiente en un 21% en el modelo LLaMA-3-8B a precisión de 2 bits.
Expertos deciden la base para entrenar modelos de IA, Trajectory recaudó 4.5 millones de dólares con Sequoia
La empresa Trajectory recaudó 4.5 millones de dólares en una ronda Serie A liderada por Sequoia para desarrollar la base de entrenamiento adicional de modelos de IA. La plataforma Trajectory busca simplificar el proceso de entrenamiento, evaluación y despliegue de modelos, unificando procesos complejos. La compañía ofrece herramientas como Continual Grading y Group Size 1 para mejorar el comportamiento de los modelos con datos reales.
Tutor Intelligence consigue 7.5 millones de dólares en ronda Serie B liderada por a16z
Tutor Intelligence ha recaudado 75 millones de dólares en una ronda Serie B liderada por a16z para acelerar el desarrollo y la implementación de robots industriales. La compañía desarrolla hardware y modelos de base para robots que operan bajo instrucciones remotas. Su objetivo es crear un sistema donde cada robot mejore la inteligencia y la facilidad de implementación de los siguientes.
Fiat ha superado a la competencia con nuevos autos por 66.700 zł
Fiat ha regresado al mercado con el Fiat Grande Panda, destacando su nueva plataforma STLA Smart y la disponibilidad de motores de gasolina, híbridos y eléctricos. El modelo busca competir con marcas chinas ofreciendo un buen equilibrio entre precio, rendimiento y tecnología europea. Se reporta una alta producción en Europa y una amplia gama de opciones, desde versiones básicas hasta modelos de alta gama.