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.

Periodista: Van Dai Do, Huu Hiep Nguyen, Minh Hoang Nguyen, Manh Nguyen, Hung Le

Personas mencionadas

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.

Periodista: Yuting Deng, Melanie Brucks, Olivier Toubia

Personas mencionadas

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.

Periodista: Haiyu Wang, Sai Qian Zhang, Zechun Liu, Steven Li

Personas mencionadas

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.

Periodista: Chandler Smith, Qi Guo, Cecilia Elena Tilli, Sophia Hatz, David Demitri Africa, Patricia Paskov, Christian Schroeder de Witt, Philip Torr, Lewis Hammond

Personas mencionadas

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.

Periodista: 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.

Periodista: Harrison Zhao, Lei Huang, Zhiyuan Zhao, Fei Liu, Wen Shi, Zijian Jin

Personas mencionadas

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.

Periodista: Yinyi Luo, Wenwen Wang, Hayes Bai, Hongyu Zhu, Hao Chen, Pan He, Marios Savvides, Sharon Li, Jindong Wang

Personas mencionadas

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.

Periodista: Marcel Müller, Mohammad Ghazi Vakili, Yoshihiro Ogura, Ella Ashoori, Shimeng Wang, Alessandro S. Nascimento, Eddie Calleja, Yutong Zhao, Yimeng Liu, Ella Miray Rajaonson, Aiwei Yin, Jiaru Bai, Yunheng Zou, Abraham C. Stern, Varinia Bernales, Alán Aspuru-Guzik

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.

Periodista: Xikai Sun, Kebin Liu, Fan Dang, Yawen Zheng, Zihao Yang, Yunhao Liu

Personas mencionadas

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.

Periodista: Ku Onoda, Paavo Parmas, Hiroki Furuta, Soichiro Nishimori, Yuta Oshima, Shohei Taniguchi, Yutaka Matsuo

Personas mencionadas

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.

Periodista: Shutong Wu, Jiawei Zhang

Personas mencionadas

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.

Periodista: Zied Jenhani, Nasrin Razmi, Admela Jukan

Personas mencionadas

¿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.

Periodista: Yiwei Chen, Bingqi Shang, Sijia Liu

Personas mencionadas

¿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.

Periodista: Mark Kozdoba, Shie Mannor

Personas mencionadas

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.

Periodista: Yufei Xu, Fanxu Meng, Fan Jiang, Yuxuan Wang, Ruijie Zhou, Zhaohui Wang, Jiexi Wu, Zhixin Pan, Xiaojuan Tang, Wenjie Pei, Tongxuan Liu, Di Yin, Xing Sun, Muhan Zhang

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.

Periodista: Changdae Oh, Wendi Li, Seongheon Park, Samuel Yeh, Tanwi Mallick, Sharon Li

Personas mencionadas

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.

Periodista: Zhijie Zhong, Zhiwen Yu, Kaixiang Yang, Yongheng Liu, Jun Jiang, C. L. Philip Chen

Personas mencionadas

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.

Periodista: Dominik Schnaus

Personas mencionadas

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.

Periodista: Yirui Zhang, Yash Raj Shrestha

Personas mencionadas

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.

Periodista: Konstantin Krestnikov

Personas mencionadas

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.

Periodista: Javier Porras-Valenzuela, Arush Arora, Alejandro Ribeiro

Personas mencionadas

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.

Periodista: Asad Aali, Muhammad Ahmed Mohsin, Vasiliki Bikia, Arnav Singhvi, Richard Gaus, Suhana Bedi, Hejie Cui, Miguel Fuentes, Alyssa Unell, Yifan Mai, Jordan Cahoon, Michael Pfeffer, Roxana Daneshjou, Sanmi Koyejo, Emily Alsentzer, Christopher Potts, Nigam H. Shah, Akshay S. Chaudhari

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.

Periodista: Youwei Feng, Yitong Zhang, Yuetong Liu, Jia Li

Personas mencionadas

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.

Periodista: Hongao Zhu, Muxiaoqiao Xu, Yikang Liu, Siyuan Song, Yuxia Wang, Byung-Doh Oh, Hai Hu

Personas mencionadas

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.

Periodista: Hansen Jin Lillemark, Benhao Huang, Fangneng Zhan, Yilun Du, Thomas Anderson Keller

Personas mencionadas

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.

Periodista: Nazish Khalid, Tausifa Jan Saleem, Amal Saqib, Donald C. Wunsch II, Mohammad Yaqub

Personas mencionadas

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.

Periodista: Rui Wang, Yan Zhao, Li Song, Zhengxue Cheng

Personas mencionadas

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.

Periodista: BRIDGE 編集部

Personas mencionadas

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.

Periodista: BRIDGE 編集部

Personas mencionadas

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.

Periodista: Tomasz Sewastianowicz