11940 artículos
Este trabajo presenta un marco modular que utiliza la técnica de Dirección Adaptativa Secuencial (SAS) para controlar y explicar múltiples rasgos de personalidad en modelos de lenguaje grandes durante la inferencia, permitiendo la síntesis de perfiles complejos sin necesidad de reentrenamiento.
Este trabajo presenta la construcción de un nuevo conjunto de datos chino multietiqueta y multitarea diseñado para abordar la limitación de recursos existentes al permitir el reconocimiento simultáneo de satisfacción, reconocimiento de emociones y predicción de transiciones de estado emocional en diálogos.
El artículo presenta StructLens, un marco analítico que utiliza árboles de expansión máxima sobre representaciones semánticas para revelar relaciones estructurales globales entre capas de modelos de lenguaje, demostrando que esta perspectiva estructural ofrece una métrica de similitud superior a la coseno tradicional y es beneficiosa para tareas prácticas como la poda de capas.
El paper presenta AutoHarness, un método que permite a un modelo de lenguaje pequeño (Gemini-2.5-Flash) sintetizar automáticamente un "harness" de código o una política completa mediante refinamiento iterativo, superando en rendimiento y costo a modelos más grandes al eliminar movimientos ilegales en entornos de juegos.
Este artículo introduce el "Certainty Robustness Benchmark", un marco de evaluación de dos vueltas que demuestra que la fiabilidad interactiva de los modelos de lenguaje grandes es una dimensión crítica distinta de la precisión básica, revelando cómo algunos modelos abandonan respuestas correctas bajo presión conversacional mientras otros mantienen una alineación robusta entre su confianza y la verdad.
Este trabajo presenta PulseLM, un conjunto de datos y benchmark a gran escala que unifica 1,31 millones de segmentos de señales PPG con 3,15 millones de pares de preguntas y respuestas en lenguaje natural para facilitar el razonamiento fisiológico multimodal y el desarrollo de modelos de lenguaje fundamentales.
Este artículo presenta una evaluación empírica exhaustiva de la robustez de 13 modelos de lenguaje ante cinco tipos de perturbaciones en el razonamiento de cadena de pensamiento, revelando patrones de vulnerabilidad heterogéneos que dependen del tamaño del modelo y del tipo de error, con implicaciones críticas para el despliegue de sistemas de razonamiento multi-etapa.
Este artículo presenta un marco unificado de MLOps que integra principios éticos en la práctica mediante la implementación de puertas de control automatizadas para la equidad y la explicabilidad, logrando reducir significativamente el sesgo demográfico y mantener la utilidad predictiva en entornos de producción sin interrumpir los flujos operativos.
Cryo-SWAN es un autoencoder variacional basado en voxelización e inspirado en la descomposición por wavelets multiescala que mejora la representación y reconstrucción de volúmenes de densidad molecular, superando a los métodos actuales de visión 3D en tareas de aprendizaje de formas y generación condicional.
El artículo presenta NEURONA, un marco neurosimbólico que mejora la decodificación de actividad cerebral mediante fMRI al integrar el razonamiento simbólico y las estructuras composicionales, logrando así una mayor precisión y generalización en la interpretación de conceptos visuales.
El artículo presenta GreenPhase, un modelo de aprendizaje sostenible y sin retropropagación que mejora la detección y el análisis de fases sísmicas con alta precisión y una reducción del 83% en costos computacionales en comparación con los métodos actuales.
Este trabajo presenta un marco de aprendizaje automático restringido por la física que utiliza programación genética para descubrir automáticamente ecuaciones de forma cerrada que modelan con precisión las curvas de retención de agua multimodales de materiales porosos a partir de datos experimentales.
Este informe presenta un agente basado en Gemini 3.1 Pro Preview que obtuvo una puntuación perfecta en los problemas teóricos de la Olimpiada Internacional de Física de 2025, aunque advierte que este resultado podría deberse a contaminación de datos dado que el modelo se lanzó después de la competición.
Este estudio presenta NeuroFlowNet, un marco generativo innovador basado en flujos normalizadores condicionales que reconstruye por primera vez señales de electroencefalografía intracraneal (iEEG) de alta fidelidad en el lóbulo temporal profundo a partir de electroencefalografía de cuero cabelludo (sEEG), superando las limitaciones de los métodos tradicionales al capturar eficazmente la aleatoriedad y las dependencias a largo plazo de la dinámica cerebral.
El artículo presenta un transformador aumentado con memoria que logra una lateralización funcional especializada mediante un acoplamiento cruzado inhibitorio, el cual evita el colapso de dominancia bancaria y mejora drásticamente el recuerdo episódico sin perjudicar la predicción basada en reglas.
El artículo presenta ACES, un método de auditoría basado en representaciones que identifica subespacios de acento de baja dimensión en modelos de reconocimiento automático de voz como herramientas diagnósticas esenciales, revelando que la información del acento está profundamente entrelazada con las señales críticas para el reconocimiento y que su supresión lineal no mejora la equidad.
A pesar de que la mayoría de los artículos de IA en salud aún dependen de datos privados y no comparten su código, adoptar prácticas de ciencia abierta y estandarizar los procesos mediante software de código fuente no solo duplica las citas recibidas, sino que es fundamental para garantizar la reproducibilidad, la confianza y la seguridad de los sistemas de IA en la atención médica.
Este trabajo presenta "Sleeper Cell", un marco de ajuste fino eficiente en parámetros que inyecta puertas traseras latentes en agentes de LLMs mediante una estrategia de "SFT seguido de GRPO" para implantar comportamientos maliciosos ocultos que se activan solo bajo condiciones específicas, manteniendo al mismo tiempo un rendimiento impecable en tareas benignas.
MemSifter es un marco innovador que optimiza la recuperación de memoria en modelos de lenguaje grandes (LLM) mediante el uso de un modelo proxy pequeño entrenado con aprendizaje por refuerzo para razonar sobre la tarea y seleccionar información relevante, logrando así un equilibrio eficiente entre precisión, coste computacional y rendimiento en tareas de larga duración.
Este artículo presenta LiteVLA-Edge, un pipeline de modelos de Visión-Lenguaje-Acción optimizado para inferencia totalmente local en hardware embebido mediante cuantización y aceleración GPU, logrando una latencia de 150,5 ms que demuestra la viabilidad del control reactivo condicionado por lenguaje en robótica integrada.