11310 artículos
El artículo presenta SAHA, un marco de jailbreak a nivel de cabezas de atención que explota vulnerabilidades en capas profundas de modelos de lenguaje abiertos mediante una estrategia de selección de cabezas basada en el impacto de la ablación y perturbaciones conscientes de la frontera, logrando una tasa de éxito superior a los métodos actuales.
Este artículo propone la Hipótesis de Seguridad Desentrelazada (DSH), que revela una separación geométrica entre la detección de peligros y la ejecución de denegaciones en los modelos de lenguaje, permitiendo tanto la creación de un benchmark para validar esta disociación como el desarrollo del ataque de borrado de rechazo (REA) que logra tasas de éxito sin precedentes al eliminar quirúrgicamente el mecanismo de denegación.
El artículo presenta PVminer, un benchmark, y PVminerLLM, un modelo de lenguaje grande ajustado para la extracción estructurada de la voz del paciente a partir de texto generado por pacientes, logrando un rendimiento superior a los métodos basados en prompts y demostrando que es posible analizar señales sociales y experienciales a escala sin necesidad de modelos extremadamente grandes.
Este estudio evalúa un marco de empujes personalizados que combina un algoritmo de calibración dual de temas y localización con nudges generados por modelos de lenguaje grande, demostrando mediante un experimento de cinco semanas que las intervenciones algorítmicas aumentan efectivamente la diversidad de consumo de noticias domésticas y mundiales, mientras que la relevancia personalizada supera a la personalización genérica.
El artículo presenta BM25-V, un método de recuperación de imágenes que aplica la puntuación BM25 a activaciones de palabras visuales dispersas generadas por un autoencoder disperso, logrando una alta precisión y eficiencia al servir como recuperador inicial de alto rendimiento para un reordenamiento denso posterior.
El artículo propone "Proof-of-Guardrail", un sistema que utiliza entornos de ejecución confiable (TEE) para generar pruebas criptográficas verificables de que las respuestas de los agentes de IA han pasado por medidas de seguridad específicas, garantizando así la integridad de su ejecución sin revelar la privacidad del agente, aunque advierte sobre los riesgos de engaño si los desarrolladores malintencionados logran eludir estas protecciones.
El sistema StreamWise aborda los desafíos de costo y complejidad en la generación de contenido multimodal en tiempo real mediante un diseño de servicio adaptativo y modular que gestiona dinámicamente la calidad, la paralelización de modelos y la asignación de recursos en hardware heterogéneo, logrando una latencia de inicio inferior a un segundo con un costo inferior a 45 dólares.
Este artículo introduce el concepto de "colapso de la ambigüedad" en los modelos de lenguaje grandes, presenta una taxonomía de sus riesgos epistémicos a nivel de proceso, resultado y ecosistema, y propone principios de mitigación para diseñar sistemas que preserven y gestionen responsablemente la ambigüedad en lugar de suprimirla.
El artículo presenta MaCS, un marco de regularización simple y agnóstico a la arquitectura que mejora la calibración y la robustez de los modelos de visión mediante la combinación de una penalización de margen en el espacio de logits y un regularizador de consistencia, logrando mejores garantías teóricas y rendimiento empírico sin requerir datos adicionales ni cambios arquitectónicos.
El artículo presenta Lexara, un kit de herramientas centrado en el usuario que aborda los desafíos de evaluar modelos de lenguaje grandes para el análisis visual conversacional mediante casos de prueba del mundo real, métricas interpretables para la calidad visual y lingüística, y una interfaz interactiva que no requiere conocimientos de programación.
Este trabajo presenta un análisis de caja blanca que demuestra que la representación interna de la confianza en el modelo de lenguaje GPT-J-6B se alinea más estrechamente con el modelo socio-cognitivo de Castelfranchi que con otros modelos humanos, lo que sugiere que las IA codifican constructos sociales de manera analizable para mejorar la colaboración humano-IA.
Este trabajo propone un modelo de fusión basado en aprendizaje profundo por conjuntos que combina las fortalezas de las CNN y los Vision Transformers para la clasificación de imágenes de teledetección, superando los cuellos de botella de rendimiento mediante la integración de cuatro modelos independientes y logrando una alta precisión en múltiples conjuntos de datos.
El artículo presenta MACRO, un agente médico autoevolutivo que descubre y sintetiza herramientas compuestas a partir de experiencias previas para superar las limitaciones de los sistemas estáticos, mejorando así la precisión en la interpretación de imágenes médicas y la generalización entre dominios.
Esta revisión presenta perspectivas de expertos internacionales sobre la integración responsable de los modelos fundacionales y agentes de IA en la patología computacional, evaluando su madurez técnica, viabilidad operativa y barreras regulatorias para su adopción clínica real.
El artículo presenta JHCodec, un códec de audio neuronal que utiliza una pérdida de reconstrucción de representaciones auto-supervisadas (SSRR) para lograr una inteligibilidad superior y una latencia mínima en streaming, acelerando el entrenamiento y permitiendo una arquitectura de cero anticipación sin sacrificar la calidad.
Este artículo presenta ConStory-Bench, un nuevo benchmark y una herramienta de verificación automática diseñados para evaluar y detectar errores de consistencia en la generación de historias largas por parte de los modelos de lenguaje, revelando patrones específicos en cómo estos modelos olvidan sus propias narrativas.
El artículo presenta RePO, un nuevo enfoque de optimización que combina aprendizaje por refuerzo con recompensas verificables y guía supervisada basada en referencias para superar las limitaciones de los modelos de lenguaje actuales en la optimización de moléculas, logrando un mejor equilibrio entre la exploración de nuevas estructuras y la explotación de referencias existentes sin necesidad de datos de trayectoria.
El paper presenta LUMINA, un marco de exploración de arquitecturas de GPU impulsado por modelos de lenguaje grande (LLM) que utiliza análisis de cuellos de botella para identificar diseños superiores a la A100 de manera eficiente, logrando una eficiencia de exploración 17,5 veces mayor y resultados de diseño un 32,9% mejores que los enfoques basados en aprendizaje automático.
El artículo presenta ProEvolve, un marco basado en grafos que permite la evolución programable y controlada de entornos de agentes para evaluar mejor su adaptabilidad a dinámicas del mundo real, superando las limitaciones de las evaluaciones estáticas actuales.
El artículo presenta CORE-Seg, un marco de aprendizaje por refuerzo que integra razonamiento cognitivo y segmentación mediante un adaptador de prompts guiado semánticamente, logrando resultados de vanguardia en la segmentación de lesiones complejas al superar las limitaciones de los modelos existentes en interpretabilidad lógica y precisión visual.