9517 artículos
Este artículo introduce un marco teórico basado en el filtrado de partículas para analizar rigurosamente los métodos de inferencia paralela en modelos de lenguaje, identificando garantías no asintóticas, mejoras algorítmicas y límites fundamentales, aunque sus hallazgos empíricos sugieren que la precisión final depende de factores más allá del error de muestreo.
Este trabajo presenta VLM-SubtleBench, un nuevo benchmark que evalúa la capacidad de los modelos de visión y lenguaje para realizar razonamiento comparativo sutil en diferencias finas y diversos dominios, revelando brechas significativas entre su rendimiento y el humano.
Este artículo propone la segmentación de imágenes como banco de pruebas visual para estudiar la formación de coaliciones en juegos hedónicos, analizando cómo un parámetro de granularización afecta la estructura de equilibrio y la recuperación de objetos en benchmarks como el de Weizmann.
Este artículo presenta un nuevo enfoque que aprovecha la capacidad de LaCAM* para construir un mapa de tráfico dinámico y ligero durante su búsqueda, superando así las limitaciones computacionales y la rigidez de los métodos de guía estáticos anteriores y logrando una mayor calidad de solución en problemas de búsqueda de rutas para múltiples agentes.
Los autores presentan un marco de teoría de decisiones y un sistema de pronóstico híbrido que combina modelos de inteligencia artificial con expectativas agrícolas evolutivas para generar pronósticos probabilísticos del monzón más precisos, los cuales fueron implementados exitosamente en 2025 para guiar las decisiones de 38 millones de agricultores indios.
El artículo presenta SMGI, una teoría estructural de la inteligencia artificial general que formaliza el aprendizaje como la evolución controlada de la interfaz de aprendizaje mediante un meta-modelo tipado, demostrando que paradigmas existentes son instancias restringidas de este marco y estableciendo condiciones matemáticas para la estabilidad y la capacidad de generalización.
El artículo presenta EveryQuery, un modelo fundacional de registros de salud electrónicos que logra predicciones clínicas en cero disparos mediante preentrenamiento condicionado a tareas, superando a los baselines autoregresivos en la mayoría de las tareas al estimar directamente la probabilidad de un resultado en una sola pasada sin necesidad de generación de trayectorias ni ajuste fino.
Este artículo presenta un marco de autonomía puramente visual para la navegación broncoscópica asistida por robots que, mediante agentes jerárquicos de corto y largo plazo y un crítico de modelo del mundo, logra una navegación precisa sin sensores externos, demostrando su viabilidad preclínica en modelos in vitro e in vivo.
El artículo presenta Ares, un marco que utiliza un enrutador ligero para seleccionar dinámicamente el nivel de razonamiento óptimo en cada paso de las tareas de agentes LLM, reduciendo significativamente los costos de inferencia sin comprometer sustancialmente la precisión.
El artículo presenta Rel-MOSS, un nuevo enfoque de aprendizaje profundo relacional que aborda el problema del desequilibrio de clases en bases de datos relacionales mediante un controlador de puertas relacional y un sintetizador de minorías guiado por relaciones, logrando así un rendimiento superior en tareas de clasificación de entidades.
El artículo presenta IMSE, un método de adaptación en tiempo de prueba que aprovecha expertos espectrales intrínsecos en Vision Transformers mediante la adaptación de valores singulares y una pérdida de maximización de diversidad, logrando un rendimiento superior con una fracción mínima de parámetros entrenables.
El artículo presenta SWE-Fuse, un marco de entrenamiento que fusiona muestras guiadas por descripciones de problemas con otras libres de ellas y utiliza un entrenamiento RLVR sensible a la entropía para superar la falta de descripciones de alta calidad, logrando mejoras significativas en la resolución de problemas de software en el benchmark SWE-bench Verified.
Este artículo propone que los agentes de IA supervisados por humanos, basados en modelos de lenguaje y aprendizaje profundo, representan la próxima evolución del método científico para gestionar la complejidad de los datos, ilustrado mediante el sistema Dr. Sai en la física de partículas del Instituto de Física de Altas Energías de la Academia China de Ciencias.
Este trabajo presenta ELLMob, un marco de lenguaje grande autoalineado que genera trayectorias humanas plausibles durante grandes eventos sociales al resolver la competencia entre patrones habituales y restricciones de eventos mediante la Teoría de la Trazas Difusas, superando a los métodos actuales y utilizando el primer conjunto de datos anotado con eventos.
El artículo presenta PSTNet, una red neuronal ligera de solo 552 parámetros que integra principios físicos directamente en su arquitectura para estimar en tiempo real la intensidad de la turbulencia atmosférica en sistemas de guía de aeronaves con recursos limitados, logrando una mayor precisión y eficiencia que los modelos clásicos o genéricos.
El artículo presenta EvoStage, un nuevo paradigma evolutivo que utiliza agentes múltiples y un mecanismo de perspectiva global-local para guiar a los modelos de lenguaje grandes en el diseño de algoritmos por etapas, logrando resultados superiores a los de expertos humanos y métodos existentes en tareas complejas como la colocación de chips y la optimización bayesiana.
El artículo presenta HILA, un marco de colaboración humano-agente que utiliza una optimización de política de doble bucle para entrenar agentes multiagente con metacognición, permitiéndoles decidir cuándo resolver problemas autónomamente y cuándo consultar a expertos humanos para mejorar continuamente su razonamiento y superar las limitaciones de conocimiento estático.
El artículo presenta VORL-EXPLORE, un marco híbrido de aprendizaje y planificación que mejora la exploración multi-robot en entornos dinámicos mediante un modelo de fidelidad de ejecución compartido que acopla la asignación de tareas con la navegación local, optimizando la coordinación, reduciendo la redundancia y adaptándose autónomamente a obstáculos no estacionarios.
El artículo presenta OSExpert, un agente de uso informático que supera las limitaciones actuales mediante un algoritmo de búsqueda en profundidad (GUI-DFS) para explorar y verificar funciones, construyendo un conjunto de habilidades que mejora significativamente el rendimiento y la eficiencia en tareas complejas.
Este artículo desafía la noción de que la inteligencia requiere representaciones unificadas y compresión eficiente, argumentando en su lugar que tanto la inteligencia humana como la AGI deben concebirse como un "archipiélago de expertos" compuesto por módulos especializados sin principios unificadores.