modelos de lenguaje grande
Todas las noticias con este tag · Estados Unidos.
Ver estadísticas de este tema
Noticias por hora
Últimas 24 horas · hora argentina
Consultar los valores por hora
| Hora | Noticias |
|---|---|
| 12 nov 2026, 8:00 a. m. | 0 |
| 12 nov 2026, 9:00 a. m. | 0 |
| 12 nov 2026, 10:00 a. m. | 0 |
| 12 nov 2026, 11:00 a. m. | 0 |
| 12 nov 2026, 12:00 p. m. | 0 |
| 12 nov 2026, 1:00 p. m. | 0 |
| 12 nov 2026, 2:00 p. m. | 0 |
| 12 nov 2026, 3:00 p. m. | 0 |
| 12 nov 2026, 4:00 p. m. | 0 |
| 12 nov 2026, 5:00 p. m. | 0 |
| 12 nov 2026, 6:00 p. m. | 0 |
| 12 nov 2026, 7:00 p. m. | 0 |
| 12 nov 2026, 8:00 p. m. | 0 |
| 12 nov 2026, 9:00 p. m. | 0 |
| 12 nov 2026, 10:00 p. m. | 0 |
| 12 nov 2026, 11:00 p. m. | 0 |
| 13 nov 2026, 12:00 a. m. | 0 |
| 13 nov 2026, 1:00 a. m. | 0 |
| 13 nov 2026, 2:00 a. m. | 1 |
| 13 nov 2026, 3:00 a. m. | 0 |
| 13 nov 2026, 4:00 a. m. | 0 |
| 13 nov 2026, 5:00 a. m. | 0 |
| 13 nov 2026, 6:00 a. m. | 0 |
| 13 nov 2026, 7:00 a. m. | 0 |
| 13 nov 2026, 8:00 a. m. | 0 |
Noticias por día
Últimos 30 días, incluido hoy · hora argentina
Consultar los valores por día
| Día | Noticias |
|---|---|
| 2026-10-15 | 0 |
| 2026-10-16 | 0 |
| 2026-10-17 | 0 |
| 2026-10-18 | 0 |
| 2026-10-19 | 0 |
| 2026-10-20 | 0 |
| 2026-10-21 | 0 |
| 2026-10-22 | 0 |
| 2026-10-23 | 0 |
| 2026-10-24 | 0 |
| 2026-10-25 | 0 |
| 2026-10-26 | 0 |
| 2026-10-27 | 0 |
| 2026-10-28 | 0 |
| 2026-10-29 | 0 |
| 2026-10-30 | 0 |
| 2026-10-31 | 0 |
| 2026-11-01 | 0 |
| 2026-11-02 | 0 |
| 2026-11-03 | 5 |
| 2026-11-04 | 2 |
| 2026-11-05 | 0 |
| 2026-11-06 | 0 |
| 2026-11-07 | 0 |
| 2026-11-08 | 0 |
| 2026-11-09 | 2 |
| 2026-11-10 | 1 |
| 2026-11-11 | 0 |
| 2026-11-12 | 1 |
| 2026-11-13 | 1 |
Los gráficos cuentan por fecha de publicación y respetan los filtros. El archivo incluye todo el histórico.
Noticias de modelos de lenguaje grande
12 noticias · De más nuevas a más antiguas.
arXiv Computer Science AIAgon: Un sistema de investigación multidisciplinario autónomo construido sobre la economía de prompts
Se presenta Agon, un orquestador de investigación diseñado para explorar los límites de la investigación automatizada mediante modelos de lenguaje grande. Agon se basa en seis principios de diseño, incluyendo la economía de prompts y el paralelismo masivo, demostrando escalabilidad en la investigación. El sistema sugiere un nuevo paradigma donde las máquinas escalan y los humanos dirigen la investigación.
The Daily TexanInvestigadores desarrollan herramienta de IA para predecir mejor el comportamiento humano
Investigadores desarrollaron la herramienta HuMCal, que utiliza modelos de lenguaje grande para medir las preferencias humanas de manera más precisa, comparando sus resultados con datos humanos reales. El objetivo es crear versiones digitales de humanos que puedan predecir comportamientos, buscando superar las limitaciones de las predicciones actuales de los LLMs. Se reconoce que las estimaciones de los LLMs pueden ser imprecisas y se necesita más trabajo para mejorar la representación del comportamiento humano.
Atribución a nivel de oración para salidas de Modelos de Lenguaje Grande de caja negra mediante sustitutos basados en energía
Se propone un intérprete de atribución post-hoc independiente del modelo que opera a nivel de oración para evaluar la consistencia entre la instrucción y la respuesta de Modelos de Lenguaje Grande (LLM) propietarios. Se entrena un Modelo Basado en Energía (EBM) como sustituto para medir la consistencia generativa y luego se entrena una red intérprete para estimar la influencia de las oraciones de la instrucción en la salida. Los experimentos demuestran que el enfoque captura dependencias generativas complejas y logra una calidad de atribución competitiva con eficiencia en parámetros.
Evaluación del impacto de la Generación Aumentada por Recuperación en la resolución de problemas algorítmicos
Se presenta un enfoque de Generación Aumentada por Recuperación para mejorar la capacidad de los Modelos de Lenguaje Grande en la resolución de problemas de programación competitiva. El método integra recuperación basada en incrustaciones y búsqueda de similitud para identificar problemas análogos. Los resultados demuestran que la recuperación basada en similitud mejora sustancialmente el rendimiento de los LLMs en estos escenarios.
Prueba rápida y precisa del rendimiento posterior de LLMs en entrenamiento
Se presenta un nuevo paradigma de evaluación en entrenamiento para Modelos de Lenguaje Grande (LLMs) que utiliza sondas ligeras para predecir su rendimiento posterior en tareas. Este método busca ser computacionalmente eficiente, reduciendo el tiempo de evaluación de aproximadamente una hora a solo tres minutos. El objetivo es ofrecer un proceso de desarrollo de LLM más ágil y eficiente.
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.
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.
Estudio sobre el compromiso entre energía y precisión de los Modelos de Lenguaje Grande en tareas de respuesta a preguntas médicas
Se investiga el consumo de energía y la huella de carbono de los Modelos de Lenguaje Grande (LLMs) utilizados en sistemas de respuesta a preguntas médicas. El estudio demuestra cómo estimar el consumo de energía y las emisiones para modelos disponibles en el leaderboard OpenMedical-LLM. Se enfatiza la necesidad de evaluar el compromiso entre energía y precisión para seleccionar modelos más eficientes y sostenibles.
Usar Geometría de Dirección de Activación para Reducir la Búsqueda de Hiperparámetros
Se presenta un método basado en la geometría de dirección de activación ($d'$) para controlar el comportamiento de los Modelos de Lenguaje Grande (LLM) y reducir la búsqueda de hiperparámetros. El estudio demuestra que $d'$ es eficaz para identificar capas de rendimiento en tareas de respuesta a preguntas de opción múltiple y en la selección de capas para la generación de texto abierto. Se concluye que las conclusiones obtenidas en escenarios de un solo token no siempre son aplicables a la generación de texto abierto.
LLM en bucle de anotación iguala a agentes de codificación a la mitad de costo
Se compara un agente de modelo de lenguaje grande (LLM) con agentes de forma libre para la anotación de imágenes médicas (TC de aorta). Se desarrolló un arnés llamado Taurus para automatizar la revisión de etiquetas, buscando mejorar la precisión y reducir el costo de la anotación. El resultado final mostró que la automatización del pase de revisión es clave para la competitividad del sistema.
Skill++: Hacia agentes de aprendizaje permanente a través de la refinación de habilidades consciente del enrutamiento
Se presenta Skill++, una solución para el enrutamiento de habilidades en modelos de lenguaje grande (LLM) que aborda el problema del aprendizaje continuo incremental. Skill++ reescribe el nombre y la descripción de las habilidades entrantes para mantener la selectibilidad de habilidades anteriores mientras se incorporan nuevas. Este método logra una selección de habilidades significativamente mayor en comparación con enfoques previos.
RSIFlow: Flujos de trabajo de auto-mejora adaptativa con un meta-agente en evolución
Se presenta RSIFlow, un marco de auto-mejora recursiva que integra la orquestación adaptativa de flujos de trabajo con la evolución de la capacidad del meta-agente. Este marco diagnostica cuellos de botella de rendimiento para seleccionar dinámicamente flujos de trabajo de mejora específicos. Los experimentos demuestran que RSIFlow alcanza el rendimiento promedio SOTA en todos los puntos de referencia evaluados.