11398 artículos
El artículo presenta Graph2Eval, un marco impulsado por grafos de conocimiento que genera automáticamente tareas multimodales escalables y semánticamente consistentes para evaluar agentes, superando las limitaciones de los conjuntos de datos estáticos y los problemas de alucinación de los LLM mediante un proceso de muestreo y filtrado riguroso.
Este trabajo presenta SpineMed, un ecosistema co-diseñado con cirujanos que incluye el dataset SpineMed-450k y la evaluación SpineBench, logrando avances significativos en el razonamiento por niveles vertebrales para el diagnóstico de trastornos de la columna mediante modelos de lenguaje visuales.
El artículo presenta MachaGrasp, un marco de generación de agarres dextrógenos de extremo a extremo y consciente de la morfología que permite la generalización entre diferentes manos robóticas mediante el uso de embeddings morfológicos y un conjunto de eigengrasp, logrando altas tasas de éxito tanto en simulación como en experimentos del mundo real con adaptación de pocos ejemplos.
El artículo propone GMT (Graph-as-Memory Tuning), un nuevo paradigma que supera las limitaciones de la concatenación de prefijos al representar la estructura local de los grafos de conocimiento como memoria explícita e integrarla en modelos de lenguaje grandes mediante una atención cruzada token a token, logrando así una recuperación de evidencia más precisa y un razonamiento superior para la completación de grafos de conocimiento.
El artículo presenta OmniVideoBench, un nuevo benchmark a gran escala diseñado para evaluar de manera rigurosa la comprensión sinérgica audio-visual en modelos de lenguaje multimodal mediante 1000 pares de preguntas y respuestas de alta calidad derivados de videos diversos, revelando una brecha significativa entre el rendimiento de los modelos actuales y el razonamiento humano.
Este artículo presenta XFactor, el primer modelo auto-supervisado sin geometría capaz de sintetizar nuevas vistas de forma verdaderamente transferible al desvincular la pose de la cámara del contenido de la escena mediante un esquema de aumento, demostrando que la transferibilidad es el criterio clave para validar la síntesis de nuevas vistas sin necesidad de sesgos inductivos 3D.
El artículo demuestra que el ajuste fino en dominios estrechos deja trazas legibles en las activaciones de los modelos de lenguaje, las cuales pueden ser explotadas para inferir el dominio de entrenamiento y revelan riesgos de seguridad, al tiempo que advierte que estos modelos sesgados no son representativos para estudiar el ajuste fino más generalizado.
Este artículo presenta CBF-RL, un marco que integra Funciones de Barrera de Control (CBF) directamente en el entrenamiento de aprendizaje por refuerzo para internalizar restricciones de seguridad en la política aprendida, permitiendo un despliegue seguro y robusto en robots reales sin necesidad de filtros de seguridad en tiempo de ejecución.
El artículo presenta MSSR, un marco de doble agente que aborda los desafíos del razonamiento espacial en modelos visión-lenguaje mediante la construcción de un Conjunto Mínimo Suficiente (MSS) de información 3D, logrando así un rendimiento superior y trazas de razonamiento interpretables al eliminar información redundante y extraer datos esenciales mediante módulos especializados.
Este artículo presenta SceneCOT, un marco innovador que introduce el razonamiento de cadena de pensamiento fundamentado en escenas 3D junto con el primer dataset a gran escala de su tipo (SCENECOT-185K), logrando un rendimiento superior en preguntas y respuestas fundamentadas mediante un razonamiento paso a paso similar al humano.
El artículo presenta Schrödinger Bridge Mamba (SBM), un modelo innovador que combina el paradigma de puente de Schrödinger con la arquitectura Mamba para lograr una mejora de voz de alta calidad en un solo paso de inferencia, superando a los métodos existentes en tareas de eliminación de ruido y reverberación con alta eficiencia en tiempo real.
El paper presenta Grasp Any Region (GAR), un modelo que mejora la comprensión visual a nivel de región en MLLMs al integrar contextos globales y razonamiento composicional entre múltiples regiones, superando a modelos existentes en benchmarks especializados como GAR-Bench y demostrando capacidades transferibles al video.
Este trabajo presenta GhostEI-Bench, el primer marco de evaluación que demuestra la vulnerabilidad de los agentes móviles basados en modelos de visión y lenguaje ante ataques de inyección ambiental en entornos dinámicos, donde elementos de interfaz adversarios engañan la percepción visual y comprometen la seguridad del dispositivo.
LLEMA es un marco unificado que combina el conocimiento de modelos de lenguaje grandes con reglas evolutivas y refinamiento basado en memoria para descubrir materiales novedosos que satisfacen múltiples objetivos y son químicamente plausibles, superando a los enfoques basales en diversas aplicaciones científicas.
El artículo presenta FMint-SDE, un modelo fundacional multimodal basado en transformadores que acelera la simulación de ecuaciones diferenciales estocásticas mediante un esquema universal de corrección de errores, logrando una superior relación entre precisión y eficiencia en comparación con los métodos tradicionales.
El artículo presenta FLoC, un marco de compresión de tokens visuales sin entrenamiento y agnóstico al modelo que utiliza la función de ubicación de instalaciones y un algoritmo greedy perezoso para seleccionar de manera eficiente un subconjunto representativo de tokens, mejorando así la comprensión de videos largos en modelos multimodales grandes.
El artículo presenta CytoNet, un modelo fundacional auto-supervisado entrenado con un millón de parches de imágenes histológicas de cerebros humanos que permite el análisis escalable de la arquitectura celular cortical y vincula dicha microarquitectura con la organización estructural y funcional del cerebro.
El artículo presenta RefAgent, un marco de trabajo basado en agentes LLM multiagente para la refactorización automática de software que, tras ser evaluado en proyectos Java, demuestra superar significativamente a los enfoques de agente único y herramientas tradicionales al mejorar la calidad del código, reducir los "code smells" y lograr una alta tasa de éxito en pruebas unitarias.
El artículo presenta CoRPO, una modificación del algoritmo GRPO que introduce un umbral de corrección en la estimación de ventajas para evitar reforzar soluciones incorrectas, logrando así una mejor generalización y capacidades de razonamiento transferible entre diferentes dominios.
El artículo presenta SASG-DA, un método de aumento de datos basado en difusión que utiliza representaciones semánticas y un muestreo consciente de la dispersión para generar muestras de señales electromiográficas superficiales (sEMG) fieles y diversas, mejorando así significativamente el reconocimiento de gestos y la generalización en comparación con métodos existentes.