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 «Praneeth Netrapalli»
Más recientes primero · Hasta 30 noticias por página
arXiv Computer Science AIEvaluación de agentes de IA en la resolución autónoma de problemas teóricos de física
Se evaluaron agentes de IA para resolver problemas teóricos de física. Se encontró que el agente GPT-6-Astra alcanzó una precisión del 98% en cálculos concretos, incluso con acceso a herramientas de búsqueda y literatura. Los resultados sugieren que los agentes de vanguardia son capaces de realizar cálculos requeridos en la investigación de física teórica. Se discuten las implicaciones de estos hallazgos sobre los avances en física teórica impulsados por agentes.
- A. Ramesh Chandra
- Aaghaz Mahajan
- Ainesh Sanyal
- Mianqi Wang
- Shubhadeep Chakraborty
- Sudip Chakraborty
- Shailesh Chandrasekharan
- Rama Govindarajan
- Akshit Goyal
- Jonathan J. Heckman
- Yasir Iqbal
- Divya Jaganathan
- Saumav Kapoor
- Andreas Karch
- Pushkar Khandare
- Sandeep Krishna
- Anupam Kundu
- Alok Laddha
- Tongyan Lin
- Swarnendu Maity
- Nilmani Mathur
- Shani Nadir Meynet
- Alessandro Mininno
- Abhijeet Mishra
- Vidur Niranjan
- Abhishodh Prakash
- Pratik Rath
- Durbar Roy
- Debargha Sarkar
- Srikanth Sastry
- Gary Shiu
- Aninda Sinha
- Thomas Van Riet
- Praneeth Netrapalli
- Suvrat Raju
Ghosted Layers: Activación de Alineación sin Restricciones para Recuperar LLMs con Capas Poda
Se presenta Ghosted Layers, un módulo de recuperación sin entrenamiento diseñado para solucionar el problema de alineación de activación introducido por la poda de capas en modelos de lenguaje grandes. El método deriva un operador lineal óptimo para reconstruir la discrepancia de activación, superando a métodos previos en precisión y perplexidad. Esto permite recuperar la eficiencia de la poda de capas manteniendo el rendimiento.
Datos alineados pueden inducir desalineación mediante confusión de contexto
Se identifica el fenómeno de confusión de contexto en modelos de lenguaje grandes, donde la alineación en un contexto puede provocar un comportamiento desalineado en otro dominio. Esto ocurre porque las consultas de diferentes dominios pueden activar características aprendidas durante el ajuste fino, transfiriendo el comportamiento a un contexto donde resulta inapropiado. Se concluye que es crucial realizar evaluaciones exhaustivas de alineación post-entrenamiento debido a la dificultad de predecir el estado de alineación solo con los datos de entrenamiento.