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 «Jingyi Zhang»
Más recientes primero · Hasta 30 noticias por página
The Stanford DailyNovatos lideran el esgrima a la victoria en el Invitational Western
Los estudiantes de nuevo ingreso de Stanford destacaron en el Invitational Western, liderando a sus equipos en varias disciplinas de esgrima. La esgrima épée femenina Chloe Tolsma tuvo un desempeño sobresaliente, y el equipo logró récords ganadores en varias armas. El equipo Cardinal obtuvo un fuerte desempeño general, asegurando récords ganadores al inicio de sus temporadas.
Tsinghua NewsCeremonia de premiación del Premio de Prensa y Educación Fan Jingyi y Foro del Decano de la Facultad de Comunicación y Prensa Internacional de 2026 en la Universidad de Tsinghua
Se celebró la ceremonia de premiación del Premio de Prensa y Educación Fan Jingyi y el foro del decano de la Facultad de Comunicación y Prensa Internacional de 2026 en la Universidad de Tsinghua. Este evento se enmarca en temas de formación de talento, investigación académica y cooperación.
Economica.netChina continúa la expansión a nivel mundial – El superávit comercial rompe la barrera de 1.000 mil millones de dólares
El superávit comercial de China con la UE creció un 28,6% en el período enero-octubre de 2026, alcanzando 310,67 mil millones de dólares. Las exportaciones chinas aumentaron un 35,2% en ritmo anual, impulsadas por la demanda de inteligencia artificial y vehículos eléctricos. Bruselas acusa a China de prácticas desleales y se llegó a un acuerdo sobre la limitación de exportaciones de vehículos híbridos.
The HinduChina supera el billón de dólares en superávit comercial para 2026
El superávit comercial de China superó el billón de dólares en octubre, alcanzando 1.04 billón de dólares en los primeros diez meses, impulsado por el fuerte crecimiento de las exportaciones, especialmente en productos relacionados con inteligencia artificial. Este desempeño económico ofrece un apoyo a Beijing mientras enfrenta problemas en el sector inmobiliario doméstico. Además, las exportaciones han generado tensiones comerciales con socios internacionales debido a la competencia de productos chinos de menor costo.
arXiv Computer Science AISpreadsheetBench 2: Evaluando agentes en flujos de trabajo de hojas de cálculo empresariales de extremo a extremo
Se presenta SpreadsheetBench 2, un punto de referencia a nivel de flujo de trabajo para agentes de hojas de cálculo, diseñado para evaluar tareas de generación, depuración y visualización utilizando datos empresariales reales. El benchmark incluye 321 tareas y evalúa modelos de lenguaje grandes bajo un andamiaje de agente unificado. Los resultados indican que los sistemas actuales tienen baja fiabilidad en flujos de trabajo empresariales complejos, señalando problemas en la inspección y selección de celdas.
Cuando la experiencia se convierte en una puerta trasera: Envenenamiento de agentes de LLM autoevolutivos mediante optimización de tareas consciente del fallo
Se estudia un problema de ataques de puerta trasera a nivel de tarea en agentes de LLM autoevolutivos, donde el atacante inyecta tareas de evolución envenenadas. Se proponen BadEvolve, un marco que diagnostica fallos en cuatro etapas de evolución y utiliza reversión para preservar el progreso y evitar actualizaciones ineficaces. Los experimentos demuestran la efectividad de este marco contra diversos marcos de autoevolución.
PEARL: Modelado de optimización interactivo Solver-in-the-Loop a partir del lenguaje natural
Se presenta PEARL, un sistema para el modelado de optimización interactivo de solucionador que utiliza ejecución de Python y solucionadores de programación matemática en un ciclo iterativo. Este sistema aprende a probar modelos parciales y revisar diagnósticos del solucionador para mejorar las formulaciones y el código antes de la finalización. PEARL demuestra un mejor acuerdo objetivo ejecutable y es competitivo con modelos de referencia existentes.
Muestreo estocástico consistente con SDE para el post-entrenamiento de RL en modelos de Flow-Matching
Se propone Precise, un nuevo muestreador estocástico que equilibra la exploración efectiva y la estabilidad en modelos de flow-matching. Este método mantiene la consistencia SDE de la trayectoria de eliminación de ruido mediante una aproximación que resuelve el problema del exceso de ruido. Los experimentos demuestran que esta formulación resulta en una optimización de recompensa más rápida y estable, logrando puntuaciones de alineación de vanguardia con menor tiempo de entrenamiento.
Aprendizaje universal de incrustaciones voxel a voxel mediante síntesis aleatoria para localización de puntos de referencia
Se propone UNIVERS, un marco entrenable de extremo a extremo que aprende incrustaciones voxel a voxel universales mediante síntesis aleatoria para la localización de puntos de referencia en escaneos de volumen multimodales. Este método utiliza datos pseudo sintetizados con aleatorización para hacer el modelo robusto a variaciones en el contraste y resolución de la imagen. Los resultados demuestran que UNIVERS supera a los métodos de última generación en la localización de puntos de referencia, especialmente en escenarios de multimodalidad.
EarthJev: Adquisición de evidencia visual eficiente y toma de decisiones para la comprensión del teledetección UHR
Se presenta EarthJev, un marco diseñado para la respuesta a preguntas visuales (VQA) en teledetección UHR, enfocado en la adquisición eficiente de evidencia visual. El sistema separa la puntuación de regiones de la generación de respuestas, utilizando señales de decisión específicas para mejorar la precisión y reducir la latencia. EarthJev superó a ZoomSearch en cinco puntos de referencia, logrando una precisión media del 53.06% con el modelo Qwen3.5-9B.
SkillDuet: Modelos y habilidades coevolutivos a través de feedback de respuesta
Se presenta SkillDuet, un marco que coordina la evolución de parámetros y habilidades mediante el feedback de respuesta del modelo. Este sistema extrae habilidades de trayectorias on-policy para guiar las actualizaciones de parámetros, consolidando las mejores habilidades en un conjunto global persistente. El framework demostró altas tasas de éxito en benchmarks como ALFWorld y WebShop, superando las líneas base existentes.
Inflación de tokens: Cómo los proveedores deshonestos pueden sobrecargar el uso de modelos de lenguaje grandes
El modelo de facturación por token es el estándar para los LLM comerciales, pero los proveedores pueden inflar sistemáticamente los recuentos de tokens facturados. Esto se debe a que ocultan componentes clave para proteger su propiedad intelectual y privacidad del usuario. Los resultados indican que la auditoría es defectuosa porque depende de la evidencia proporcionada por el propio proveedor. Se necesita verificación externa para asegurar la facturación honesta.
Complejidad de punto de equilibrio: Una nueva perspectiva sobre solucionadores de ecuaciones diferenciales parciales neuronales
Se propone un marco de evaluación centrado en la complejidad de punto de equilibrio para solucionadores de ecuaciones diferenciales parciales neuronales. Este marco busca considerar los costos totales, incluyendo la generación de datos y el entrenamiento, para determinar cuándo un solucionador neuronal es más eficiente que uno tradicional. Los resultados sugieren que los solucionadores de PDE neural son más efectivos cuando los problemas son más complejos en términos de costo y dimensión.
Puzles a paradigmas: Un estudio de la colaboración humano-agente en la innovación científica
Se presenta un estudio que analiza la colaboración entre humanos y sistemas de IA agenticos en flujos de trabajo científicos como la síntesis de literatura y la generación de hipótesis. El estudio propone un marco para examinar cómo varían las demandas de coordinación y los riesgos de fallo en diferentes contextos científicos. Se identifican cinco modos de fallo recurrentes y se sugiere enfocar las evaluaciones hacia la fundamentación y la fiabilidad científica a largo plazo.
HiLo-Token: Compresión de tokens de alta y baja frecuencia adaptativa de entrada para servir modelos de edición de imágenes eficientes
Se presenta HiLo-Token, un marco de compresión de tokens adaptativo para reducir la latencia en modelos de IA generativa para edición de imágenes. El método asigna tokens de manera diferente a regiones de alta y baja frecuencia para mejorar la eficiencia. Los experimentos validan que este método logra aumentos significativos en la velocidad sin afectar la calidad de la generación.
Respuestas correctas de historias insuficientes: Un estudio controlado de la evaluación de memoria de agentes
Se estudia la evaluación de memoria de agentes mediante el análisis de registros de dispositivo ejecutables para distinguir entre acuerdo de referencia, suficiencia de evidencia y comportamiento contextual. Los resultados comparan el rendimiento de modelos como Qwen3-32B y DeepSeek-V4-Flash en la coincidencia de referencias. Los hallazgos sugieren un diagnóstico de evaluación en configuraciones específicas de lector, sin implicar mejoras generales en sistemas de memoria.
Hallucination-Guided Unlearning: Usando rastros de alucinación para revelar memorias sobreajustadas
Se presenta el Olvido Guiado por Alucinaciones (HGU), una técnica para el olvido selectivo en modelos de lenguaje grandes, utilizando fallos del modelo como señales diagnósticas. Esta técnica localiza segmentos no soportados y edita neuronas específicas para lograr un olvido efectivo manteniendo la utilidad general. Los resultados demuestran que esta aproximación ofrece un mejor equilibrio entre la eficacia del olvido y la utilidad general sin necesidad de un reentrenamiento completo.
Aprendizaje por refuerzo eficiente en muestras para la mejora de políticas mediante anclas de acción reversadas por flujo
Se presenta AnchorQ, un método que utiliza la reversión del flujo para mejorar políticas de aprendizaje por refuerzo mediante una representación de acción latente estructurada. Este enfoque busca mejorar la eficiencia de muestras y la fiabilidad de las políticas de robot en tareas de manipulación. Los resultados demuestran una mejora del 37% en la tasa de éxito en el mundo real y un 97% mayor rendimiento en la tarea simulada.
Prism: Autoenseñanza bidireccional para modelos multimodales unificados
Se presenta Prism, un método post-entrenamiento de autoenseñanza bidireccional para Modelos Multimodales Unificados (UMMs). Este método deriva supervisión de la auto-generación de trayectorias intercaladas, evaluando la fiabilidad de las cadenas de texto e imagen para construir objetivos de entrenamiento. Los experimentos demuestran mejoras en la comprensión y generación en modelos como SenseNova-U1 y BAGEL.
RELAY: Destilación Selectiva con Transferencia Adaptativa para Aprendizaje por Refuerzo Basado en Rubricas
Se presenta RELAY, un método de aprendizaje por refuerzo que utiliza destilación selectiva con transferencia adaptativa. Este método busca mejorar el rendimiento sobre GRPO al seleccionar simulaciones específicas y monitorear la pérdida de destilación para decidir cuándo retirar un modelo profesor. RELAY superó a GRPO en varias configuraciones, mostrando mejoras significativas en el dominio y al destilar solo una parte de los tokens de respuesta.
El razonamiento latente no carece de señal, carece de invariancia
Se presenta el marco TILR para el refinamiento latente, diseñado para mejorar la robustez del razonamiento al controlar las correcciones dentro de un subespacio estable. Este método sin entrenamiento filtra variaciones inestables al proyectar actualizaciones contrastivas sobre un subespacio concentrado. Los resultados demuestran que TILR aumenta la robustez a perturbaciones de entrada y mejora la precisión en benchmarks de razonamiento.
AutoQS: Diseño de Estrategia de Cuantización Automatizada con Modelos de Lenguaje Grande
Se presenta AutoQS, un método basado en LLMs para automatizar el diseño de estrategias de cuantización en modelos de lenguaje grandes (LLMs). Este enfoque busca equilibrar la calidad del modelo con los costos de almacenamiento y despliegue. El sistema utiliza proxies de calidad para guiar propuestas de cuantización, buscando mejorar la precisión en tareas específicas.
Recuperación interactiva de personas con retroalimentación visual en tiempo real
Se presenta VFI-PR, un nuevo paradigma de recuperación interactiva de personas que utiliza retroalimentación visual de los candidatos recuperados como evidencia para la siguiente ronda de preguntas. El marco VFI-ReID adapta la recuperación y la generación de preguntas para incorporar esta retroalimentación visual, mejorando consistentemente la recuperación en comparación con métodos previos. Los experimentos demuestran la utilidad de la retroalimentación visual para refinar la recuperación interactiva de personas.
Estabilizando el Aprendizaje por Refuerzo en MoE al alinear enrutadores de entrenamiento e inferencia
Se propone el método Rollout Routing Replay (R3) para estabilizar el entrenamiento de aprendizaje por refuerzo (RL) en modelos Mixture-of-Experts (MoE). Este método registra las distribuciones de enrutamiento de la fase de inferencia y las repite durante el entrenamiento, reduciendo la divergencia KL y previniendo el colapso del entrenamiento. Los experimentos confirman que R3 estabiliza el entrenamiento de RL y supera a otros métodos existentes.
Aprendizaje eficiente de políticas MPC diferenciables en la GPU mediante ADMM suavizado y RL de primer orden
Se presenta un método para el aprendizaje diferenciable de políticas de control predictivo de modelo (MPC) en la GPU, combinando SQP con ADMM suavizado para obtener gradientes suaves. Este enfoque se acopla con RL de primer orden (FORL) para entrenar las políticas, logrando una mejora significativa en el rendimiento de entrenamiento y velocidad en tareas de carreras. El método demuestra una aceleración de 46 veces en comparación con MPC PPO.
¿Saben los modelos de lenguaje cuáles son las restricciones que pertenecen juntas?
El texto analiza cómo los modelos de lenguaje pueden identificar grupos de restricciones que pertenecen juntas en problemas de programación entera mixta. Se compara la capacidad de estos modelos con métodos basados en la observación de límites y predicciones basadas en la lectura del modelo. Se demuestra que los modelos de lenguaje son efectivos para nombrar grupos de margen cero en instancias de modelos MIPLIB-NL.
SaliMory: Orquestando la memoria cognitiva para agentes conversacionales
Se presenta SaliMory, un marco diseñado para gestionar y utilizar una memoria cognitiva estructurada para agentes conversacionales. Este marco aborda problemas de degradación del razonamiento al expandir ventanas de contexto y cuellos de botella en el aprendizaje por refuerzo. Los resultados muestran que SaliMory logra una alta tasa de personalización y una precisión de QA superior, produciendo memorias más factuales.
Alineando modelos de lenguaje con predicción selectiva
Se propone mejorar la fiabilidad de los Modelos de Lenguaje Grandes (LLM) mediante la predicción selectiva (SP), una estrategia que equilibra el compromiso entre riesgo y cobertura para reducir la tasa de error. Se introduce un marco de alineación llamado RLSR, que utiliza el área bajo la curva riesgo-cobertura (AURC) como objetivo para lograr un mejor equilibrio entre riesgo y cobertura en tareas de IA.
Conociendo lo que falta: Memoria conversacional eficiente mediante seguimiento explícito de brechas de evidencia
Se propone MemR$^3$, un controlador de bucle cerrado que reformula la recuperación de memoria conversacional como toma de decisiones con estado explícito, manteniendo un estado de brecha de evidencia. Este método busca mejorar la eficiencia de la memoria conversacional al condicionar al modelo con un resumen compacto del progreso en lugar de la historia completa. Los experimentos demuestran que MemR$^3$ supera a los métodos de recuperación de múltiples pasos implícitos y es eficiente en el uso de tokens.
De estados ocultos a confesiones: Auditoría de engaño en modelos de razonamiento
Se presenta StateWitness, un decodificador de auditoría diseñado para monitorear el comportamiento engañoso en modelos de lenguaje grande (LLM). Este sistema lee los estados ocultos del modelo objetivo para generar informes detallados de posibles fallos o violaciones. El sistema demuestra un rendimiento superior en la detección de engaño, ofreciendo evidencia a nivel de token o oración para la inspección humana.