8857 artículos
El artículo presenta ARLArena, un marco unificado para analizar la estabilidad en el aprendizaje por refuerzo agéntico (ARL), y propone SAMPO, un método de optimización que garantiza un entrenamiento estable y de alto rendimiento en diversas tareas.
CryoNet.Refine es un modelo de difusión de un solo paso que automatiza y acelera el refinamiento de estructuras moleculares a partir de mapas de densidad de criomicroscopía electrónica, superando en velocidad y precisión a los métodos tradicionales como Phenix y Rosetta.
Este artículo introduce el concepto de "investigación de ambiente" (vibe researching) mediante agentes de IA equipados con habilidades especializadas, argumentando que, aunque estos sistemas pueden automatizar gran parte del proceso investigativo, su delegación óptima depende de una frontera cognitiva basada en la codificabilidad y el conocimiento tácito, lo que plantea riesgos de estratificación y una crisis pedagógica que requieren principios de uso responsable.
El artículo propone la "bipredictabilidad" como una medida fundamental que distingue la capacidad de actuar (agencia) de la verdadera inteligencia, demostrando que los sistemas actuales carecen de esta última y proponiendo una arquitectura de retroalimentación inspirada en la biología para restaurarla.
El artículo presenta AVDE, un marco ligero y eficiente que utiliza un modelo autoregresivo y aprendizaje contrastivo para decodificar señales EEG en imágenes con alta fidelidad, superando a los métodos anteriores en rendimiento y reduciendo significativamente la complejidad computacional.
El estudio descompone la discrepancia entre médicos en la evaluación de IA médica, revelando que la mayor parte de la varianza es estructural y no explicada por factores observables, aunque la incertidumbre reducible (como la falta de contexto) duplica las probabilidades de desacuerdo, lo que sugiere que mejorar el diseño de las evaluaciones para cerrar brechas de información podría reducir el conflicto en casos no inherentemente ambiguos.
El artículo presenta CeRA, un adaptador paralelo que supera las limitaciones lineales de LoRA en tareas de razonamiento complejo mediante la expansión de variedades y el uso de puertas SiLU, logrando una eficiencia espectral superior y evitando el colapso de rango.
Este trabajo propone un enfoque de planificación generalizada que aprende modelos de transición explícitos mediante redes neuronales para predecir estados intermedios, logrando una mayor generalización fuera de distribución y una mayor eficiencia en el uso de muestras en comparación con los métodos actuales basados en Transformers que predicen secuencias de acciones directamente.
Este artículo presenta un enfoque para mejorar la relevancia de la búsqueda en la App Store mediante el uso de un modelo de lenguaje grande (LLM) especializado y ajustado para generar millones de etiquetas de relevancia textual, lo que permitió optimizar simultáneamente la relevancia conductual y textual, resultando en un aumento estadísticamente significativo del 0,24% en la tasa de conversión global y mejoras notables en consultas de cola.
Este artículo presenta Attn-QAT, el primer estudio sistemático de entrenamiento consciente de la cuantización (QAT) para atención a 4 bits, que logra una inferencia estable y rápida en GPUs FP4 mediante la corrección de la recomputación de precisión y los cálculos de gradiente, eliminando la necesidad de heurísticas para mitigar valores atípicos.
El artículo presenta PEPA, un agente encarnado con arquitectura cognitiva de tres capas que utiliza rasgos de personalidad para generar objetivos internos y lograr una autonomía persistente en entornos dinámicos, validado mediante el despliegue de un robot cuadrúpedo en un edificio de oficinas sin intervención humana continua.
Este trabajo presenta un marco reproducible y escalable para evaluar el razonamiento de modelos multimodales en señales de ECG, descomponiéndolo en percepción (verificación empírica de patrones mediante código) y deducción (alineación lógica con criterios clínicos estructurados) para superar las limitaciones de las métricas actuales.
Este artículo presenta un marco de predicción conforme que garantiza una cobertura segura para la extracción de entidades médicas mediante modelos de lenguaje grande, demostrando que la calibración de la confianza varía según el dominio clínico y requiriendo umbrales específicos para lograr una fiabilidad del 90% en etiquetas de la FDA y reportes de radiología.
Este informe técnico valida la generalidad del Espacio de Soluciones Explicables (ESS) mediante una evaluación transversal que incluye un sistema de asignación de recursos urbanos, demostrando que sus clasificaciones se adaptan sistemáticamente a diferentes roles de gobernanza y perfiles de riesgo más allá del dominio específico de la predicción de rotación de empleados.
Este artículo presenta un marco de dos capas que combina un modelo oculto de Markov para inferir el estado oculto de los rivales y una red neuronal profunda para optimizar la estrategia energética en la Fórmula 1 de 2026, permitiendo a los equipos detectar y contrarrestar tácticas engañosas bajo condiciones de observabilidad parcial.
HarmonyCell es un marco de agente automático que resuelve la heterogeneidad semántica y estadística en estudios de perturbación de células individuales mediante un unificador de metadatos impulsado por LLM y un motor de búsqueda adaptativa, logrando un rendimiento superior al de los diseños expertos sin necesidad de ingeniería específica por conjunto de datos.
Este trabajo propone un marco innovador impulsado por modelos de lenguaje grandes (LLM) que descubre opciones semánticas para mejorar la eficiencia de datos, la interpretabilidad y la transferibilidad del aprendizaje por refuerzo profundo, validando su superioridad en entornos complejos como Office World y Montezuma's Revenge.
Este artículo presenta una arquitectura de pipeline basada en detección que logra una segmentación glótica robusta y generalizable en videoendoscopias de alta velocidad, permitiendo la extracción precisa de biomarcadores cinemáticos para la evaluación clínica de patologías vocales.
Este trabajo propone un marco robusto que combina la arquitectura CoAtNet con la técnica de "model soups" para clasificar imágenes del Patrimonio Cultural Inmaterial del Delta del Mekong, logrando un rendimiento superior al reducir la varianza mediante el promediado de checkpoints diversos en un escenario de datos limitados.
Este estudio demuestra que, en agentes LLM con memoria, la calidad del método de recuperación es el factor determinante del rendimiento, superando significativamente a las estrategias de escritura y revelando que el almacenamiento de fragmentos brutos puede ser tan efectivo como técnicas más complejas.