11445 artículos
El artículo presenta Yukthi Opus, un metaheurístico híbrido multi-cadena que combina exploración global mediante MCMC, búsqueda local voraz y recocido simulado con recalefacción adaptativa para optimizar problemas NP-difíciles de gran escala bajo restricciones presupuestarias, demostrando un rendimiento competitivo y una mayor estabilidad en comparación con optimizadores establecidos.
Este estudio demuestra que, aunque el uso de herramientas y planificación mejora la precisión en tareas de razonamiento complejo como la respuesta a preguntas sobre eventos, su adopción debe ser específica para cada tarea y consciente de los costos, ya que en escenarios como la generación de respuestas persuasivas a menudo incrementa significativamente la latencia y el gasto sin ofrecer beneficios consistentes.
El artículo presenta PFUA, un agente de razonamiento aumentado con herramientas que supera las limitaciones de los modelos de lenguaje puramente textuales en la predicción de funciones proteicas al integrar herramientas computacionales y conocimientos biológicos externos, logrando una mejora promedio del 103% en cuatro benchmarks.
El artículo presenta NeuronLLM, un marco novedoso que identifica neuronas "buenas" y "malas" en modelos de lenguaje mediante el principio de antagonismo funcional y aprendizaje contrastivo para lograr un control a nivel de tarea más preciso y robusto.
Este trabajo presenta el Optimizador de Esfera Espectral (SSO), un algoritmo que alinea completamente la optimización con la parametrización de actualización máxima (P) mediante restricciones espectrales estrictas, logrando una convergencia más rápida y una mayor estabilidad en el entrenamiento a gran escala de diversos modelos de lenguaje en comparación con AdamW y Muon.
El artículo presenta EmboTeam, un marco de planificación para equipos de robots heterogéneos que integra el razonamiento de modelos de lenguaje grande con árboles de comportamiento reactivos mediante PDDL, logrando mejoras significativas en la ejecución de tareas complejas de largo alcance en entornos domésticos simulados.
Este estudio revela que los usuarios muestran alta satisfacción con los consejos generados por IA sobre relaciones románticas, lo que no solo correlaciona con percepciones de fiabilidad y utilidad, sino que también mejora significativamente sus actitudes generales hacia estos sistemas.
ButterflyMoE es un método que supera las limitaciones de memoria en dispositivos de borde al representar a los expertos como reorientaciones geométricas de un sustrato compartido cuantizado mediante rotaciones aprendidas, logrando una reducción de memoria sublineal de 150 veces con pérdida de precisión negligible.
El artículo presenta Yuan3.0 Ultra, un modelo de lenguaje de código abierto basado en una mezcla de expertos (MoE) con 1010 mil millones de parámetros totales y 68.8 mil millones activados, que utiliza el algoritmo de Poda de Expertos Adaptativa por Capas (LAEP) para mejorar la eficiencia del preentrenamiento y lograr un rendimiento líder en tareas empresariales específicas.
Este trabajo evalúa la capacidad de los modelos fundacionales para identificar momentos clave en videos de fútbol, revelando mediante un nuevo dataset que su rendimiento es cercano al azar debido a su dependencia de una sola modalidad y la falta de sinergia entre fuentes de información, lo que subraya la necesidad de arquitecturas modulares y procedimientos de entrenamiento complementarios.
Este trabajo propone una versión escalable de CopulaGNN para la predicción de signos en enlaces mediante el modelado de dependencias estadísticas entre aristas usando copulas gaussianas, optimizando la eficiencia computacional y la convergencia mediante la representación de la matriz de correlación como un gramiano de incrustaciones y la reformulación de la distribución de probabilidad condicional.
El artículo presenta ME-POIs, un marco que mejora las representaciones de los puntos de interés al combinar embeddings de lenguaje con datos de movilidad humana a gran escala para capturar tanto la identidad como la función de los lugares, superando así a los enfoques basados únicamente en texto o en trayectorias en diversas tareas de enriquecimiento de mapas.
El artículo presenta PerfGuard, un marco de agente consciente del rendimiento para la generación de contenido visual que mejora la fiabilidad y la alineación con la intención del usuario mediante la modelización sistemática de los límites de rendimiento de las herramientas y la integración de mecanismos de selección y planificación adaptativa.
El artículo presenta YuriiFormer, un marco variacional que interpreta las capas de los transformadores como iteraciones de un algoritmo de optimización, lo que permite diseñar arquitecturas aceleradas por Nesterov que superan consistentemente a las baselines estándar en tareas de lenguaje.
El artículo presenta MoR, un marco de alineación federada que supera las limitaciones de la heterogeneidad en modelos de visión y lenguaje mediante el reemplazo de parámetros por preferencias locales y una fusión adaptativa de recompensas, logrando así una optimización escalable y privada sin compartir datos.
El artículo presenta VIP, una estrategia de asignación de trayectorias basada en la varianza que utiliza modelos de procesos gaussianos para optimizar dinámicamente la distribución del presupuesto computacional en el aprendizaje por refuerzo en línea, mejorando así la eficiencia de muestreo y el rendimiento en comparación con métodos de asignación uniforme.
Este trabajo presenta el nuevo problema de Manipulación Exploratoria y Enfocada (EFM), junto con el benchmark EFM-10 y la estrategia de Percepción Activa Bimanual (BAP), para abordar la falta de información visual en tareas de manipulación complejas mediante la recolección activa de datos y el aprendizaje por imitación.
El artículo demuestra que los vectores de dirección en los grandes modelos de lenguaje son fundamentalmente no identificables, ya que existen múltiples intervenciones geométricamente distintas pero comportamentalmente indistinguibles que logran efectos similares, lo que impone límites fundamentales a la interpretabilidad y el control de estos modelos.
LatentChem introduce una interfaz de razonamiento latente que desacopla el cálculo químico de la generación textual, permitiendo a los modelos realizar inferencias complejas en un espacio continuo que resulta ser más eficiente y preciso que los métodos tradicionales de Cadena de Pensamiento (CoT) explícito.
Este artículo propone TAPINN, un enfoque de redes neuronales informadas por física que utiliza regularización métrica supervisada y optimización alterna para mitigar el sesgo espectral y el colapso de modos en sistemas dinámicos con transiciones de régimen abruptas, logrando una mayor precisión física y estabilidad en comparación con los métodos estándar.