11216 artículos
Este trabajo presenta un sistema multiagente basado en modelos de lenguaje grandes multimodales que supera significativamente al estado del arte en la extracción automatizada y robusta de información química de la literatura, logrando un puntaje F1 del 76,27% en gráficos de reacciones complejos y demostrando una amplia versatilidad en diversas tareas de extracción de datos.
Este trabajo presenta MAP, un método de decodificación sin entrenamiento que mitiga las alucinaciones en los Modelos Grandes de Visión y Lenguaje interpretando sus estados ocultos como un mapa semántico 2D y refinando las representaciones mediante operaciones de atención a nivel de mapa para mejorar la consistencia factual.
El artículo presenta VLMQ, un marco de cuantización post-entrenamiento diseñado específicamente para modelos de visión y lenguaje que aborda el exceso de tokens visuales y la brecha modal mediante la priorización selectiva de tokens salientes, logrando un rendimiento superior en configuraciones de bajo bit.
El artículo presenta SGDFuse, un modelo de difusión condicional guiado por Segment Anything Model (SAM) que utiliza máscaras semánticas como priores explícitos para lograr una fusión de imágenes infrarrojas y visibles de alta fidelidad, preservando objetivos clave y mejorando el rendimiento en tareas visuales posteriores.
Este artículo propone un algoritmo de búsqueda heurística de mejor primero con expansiones parciales diferidas que trata explícitamente los parámetros de control de dominio infinito como puntos de decisión, demostrando ser una alternativa competitiva y completa en el límite frente a los enfoques existentes.
Este artículo presenta un nuevo enfoque de alineación de seguridad llamado "Answer-Then-Check", respaldado por el conjunto de datos ReSA, que entrena a los modelos de lenguaje para razonar y evaluar críticamente la seguridad de sus respuestas antes de generarlas, logrando así una mayor robustez ante ataques de jailbreak sin comprometer sus capacidades generales ni aumentar las rechazos innecesarios.
Este artículo presenta una meta-evaluación exhaustiva de las métricas de latencia para la traducción simultánea de voz a texto, identificando sesgos estructurales existentes e introduciendo las nuevas métricas YAAL y LongYAAL junto con la herramienta SoftSegmenter para lograr evaluaciones más precisas en formatos cortos y largos.
El artículo presenta LikePhys, un método libre de entrenamiento que evalúa la comprensión de la física intuitiva en modelos de difusión de video mediante una métrica de preferencia basada en la verosimilitud, demostrando una fuerte alineación con las preferencias humanas y revelando que, aunque los modelos actuales tienen dificultades con dinámicas complejas, su comprensión física mejora a medida que aumenta la capacidad del modelo y la configuración de inferencia.
El artículo presenta Phys2Real, un pipeline de aprendizaje por refuerzo que fusiona estimaciones de parámetros físicos inferidas por modelos de visión y lenguaje con la adaptación interactiva en línea basada en incertidumbre para lograr una transferencia efectiva de simulación a realidad en tareas de manipulación robótica.
El artículo presenta CanvasMAR, un modelo autoregresivo de predicción de video que mejora la calidad y la coherencia de la generación con pocos pasos mediante la introducción de un "lienzo" global borroso como prior estructurado, un currículo de muestreo de fácil a difícil basado en el movimiento y una guía libre de clasificadores compuesta.
Este artículo presenta un enfoque de "objetivos just-in-time" que infiere y optimiza en tiempo real las metas específicas del usuario para transformar a los modelos de lenguaje en herramientas especializadas de alta calidad, superando significativamente a los LLMs estándar en tareas personalizadas.
El artículo presenta 3DThinker, un marco innovador que permite a los modelos de visión y lenguaje realizar un razonamiento espacial 3D basado en la imaginación geométrica a partir de vistas limitadas, sin depender de datos 3D etiquetados ni entradas previas en tres dimensiones.
El estudio demuestra que el uso de ChatGPT para codificar datos de comunicación en evaluaciones a gran escala presenta una consistencia equitativa entre diferentes subgrupos demográficos, como género y raza, al igual que los evaluadores humanos.
El artículo presenta un marco de evaluación y mejora para agentes de IA que buscan información estratégicamente, demostrando que mediante técnicas de inferencia inspiradas en el diseño experimental bayesiano, modelos de lenguaje más pequeños pueden superar tanto a humanos como a modelos de vanguardia en tareas de toma de decisiones bajo incertidumbre como "Barcos de Batalla" y "Adivina Quién".
El artículo presenta REx86, un modelo de lenguaje local de código abierto basado en Qwen2.5-Coder-7B y afinado con un conjunto de datos específico, que mejora significativamente la comprensión y el análisis de ensamblador x86 para ingeniería inversa en entornos seguros, superando a otros modelos locales y reduciendo errores de interpretación.
El artículo presenta LA-MARRVEL, un marco basado en modelos de lenguaje grande que mejora significativamente la priorización de genes en enfermedades racas mediante la incorporación de conocimiento clínico y la generación de explicaciones audibles alineadas con las normas ACMG.
Este artículo propone un marco de evaluación basado en la métrica de Transformación de Referencia Cultural (CRT) para analizar cómo los modelos de difusión manejan la iconicidad multimodal, distinguiendo entre el reconocimiento de referencias culturales compartidas y su realización visual, y revelando que su comportamiento depende de factores como la frecuencia de los datos, la popularidad de la referencia y la sensibilidad lingüística, más allá de la simple reproducción de imágenes.
El artículo propone SQDF, un método de ajuste fino basado en RL que utiliza un gradiente de política reparametrizado de una función Q suave para alinear modelos de difusión con objetivos específicos, logrando una optimización de recompensas superior sin sacrificar la diversidad ni la naturalidad de las muestras generadas.
Este artículo presenta XR-DT, un marco de gemelo digital potenciado por realidad extendida que integra el modelo de control HA-MPPI y la predicción de trayectorias humanas ATLAS para lograr una planificación de movimiento segura, eficiente e interpretable en entornos compartidos entre humanos y robots.
Este trabajo propone un método que utiliza la familia de divergencias para aproximar una distribución objetivo filtrada, permitiendo controlar explícitamente la compensación entre precisión y diversidad en modelos de lenguaje grandes y superando a los enfoques anteriores en cobertura sin sacrificar el rendimiento en la resolución de problemas de razonamiento.