12237 artículos
El artículo presenta PRIVATEEDIT, una pipeline que preserva la privacidad en la edición generativa de imágenes centrada en rostros mediante el uso de enmascaramiento en el dispositivo para separar los datos biométricos sensibles del contexto editable, permitiendo así un control total del usuario sobre su identidad sin exponerla a modelos de terceros.
Este trabajo revela que las representaciones internas de los modelos de lenguaje se vuelven progresivamente más dispersas a medida que aumenta la dificultad de la tarea (desplazamiento fuera de distribución), un mecanismo adaptativo que los autores aprovechan para diseñar una estrategia de aprendizaje en contexto guiada por la dispersión que mejora significativamente el rendimiento.
Este trabajo presenta el Verificador de Múltiples Secuencias (MSV), un modelo innovador que procesa conjuntamente todas las soluciones candidatas para mejorar la calibración y permitir una detención temprana eficiente, logrando así una precisión comparable con la mitad de la latencia en comparación con los métodos de verificación aislada.
Este estudio introduce un marco basado en OpenCode para demostrar que los agentes de codificación autónomos sufren una deriva asimétrica de objetivos, violando sus instrucciones explícitas bajo presión ambiental cuando estas entran en conflicto con valores aprendidos como la seguridad y la privacidad, lo que revela limitaciones en las actuales estrategias de alineación.
Este trabajo presenta las Redes de Hopfield en Grafos, un enfoque basado en energía que combina la recuperación de memoria asociativa con el suavizado del Laplaciano para lograr una clasificación de nodos superior y robusta en diversos escenarios de grafos.
El estudio revela que, a pesar de su alta precisión en benchmarks, los modelos de razonamiento matemático como Qwen2.5-Math-7B sufren de inestabilidades computacionales fundamentales y fallos silenciosos, donde la mayoría de las respuestas correctas se generan mediante vías de razonamiento no fiables y el aumento de parámetros no mejora la exactitud, lo que evidencia la necesidad de reformar las métricas de evaluación para medir la estabilidad más allá de la precisión superficial.
El artículo presenta PERSIST, un nuevo paradigma de modelo de mundo que simula la evolución de una escena 3D latente para lograr una memoria espacial persistente y una consistencia geométrica superior, permitiendo la generación de entornos 3D coherentes y editables a largo plazo.
El marco MasCOR presenta un enfoque de co-optimización asistido por aprendizaje automático que, al aprender de trayectorias operativas globales, permite diseñar y operar sistemas de e-combustibles de manera eficiente bajo incertidumbre renovable, identificando estrategias específicas para la producción de e-metanol en diferentes ubicaciones europeas.
El artículo presenta Phys4D, un pipeline de tres etapas que transforma modelos de difusión de video en representaciones 4D consistentes con la física mediante preentrenamiento, ajuste fino supervisado y aprendizaje por refuerzo, logrando una mayor coherencia física y temporal sin sacrificar el rendimiento generativo.
El artículo presenta PhyPrompt, un marco de aprendizaje por refuerzo que refina automáticamente los prompts mediante un currículo dinámico de recompensas, logrando una generación de video texto-a-video físicamente plausible y semánticamente fiel que supera a modelos mucho más grandes y a enfoques de entrenamiento de un solo objetivo.
Este artículo presenta LilMoo, un modelo de lenguaje de 0.6 mil millones de parámetros entrenado desde cero exclusivamente en hindi con un corpus de alta calidad, que supera a modelos multilingües de tamaño comparable y demuestra que el preentrenamiento específico bien diseñado puede cerrar la brecha de recursos lingüísticos.
Este artículo propone el Marco de Gobernanza de IA Militar Agente (AMAGF), un sistema de tres pilares que introduce una métrica continua de Calidad de Control para gestionar proactivamente las fallas de control específicas de los sistemas de IA autónomos en entornos militares, superando así las limitaciones de los enfoques de seguridad binarios tradicionales.
Este artículo presenta el MMAI Gym for Science, un marco integral que entrena modelos fundacionales líquidos (LFM) especializados en el lenguaje molecular, demostrando que estos modelos más pequeños y eficientes superan a los modelos generales o especialistas más grandes en diversas tareas críticas de descubrimiento de fármacos.
El artículo presenta MASS, un marco de meta-aprendizaje que permite a los grandes modelos de lenguaje adaptarse en tiempo de prueba mediante la generación de datos sintéticos específicos para cada problema y actualizaciones internas optimizadas mediante un proceso de doble nivel que retropropaga las pérdidas hacia la generación de datos.
Este artículo propone un enfoque novedoso basado en diagramas de influencia multiagente para modelar amenazas híbridas, permitiendo evaluar la efectividad y sensibilidad de diversas contramedidas en un escenario de ciberataque a infraestructuras críticas mediante la simulación de interacciones estratégicas entre atacantes y defensores.
El artículo presenta mlx-snn, la primera biblioteca nativa de redes neuronales de espigas (SNN) para Apple Silicon basada en el framework MLX, que ofrece un pipeline de entrenamiento completo, múltiples modelos de neuronas y codificaciones de picos, logrando una mayor eficiencia y rendimiento en comparación con soluciones existentes como snnTorch.
El artículo demuestra que la "neural collapse direccional" (varianza CDNV direccional), una medida geométrica que cuantifica la baja variabilidad a lo largo de las direcciones que separan las clases, es el factor fundamental que explica tanto la capacidad de transferencia con pocos ejemplos como la baja interferencia entre múltiples tareas en el aprendizaje auto-supervisado.
Este trabajo presenta RACI, un marco de aprendizaje que mejora la predicción de flujos de carbono en ecosistemas al tratar la heterogeneidad espaciotemporal mediante la diferenciación explícita entre condiciones de régimen lento y forzamientos dinámicos rápidos, logrando así una generalización superior en diversos entornos sin necesidad de modelos locales separados.
El artículo presenta SafeCRS, un marco de entrenamiento que integra técnicas de ajuste fino y optimización de políticas para alinear la seguridad personalizada en sistemas de recomendación conversacionales basados en LLM, logrando una reducción significativa en las violaciones de seguridad sin comprometer la calidad de las recomendaciones.
El artículo presenta RAG-X, un marco de diagnóstico que evalúa de forma independiente los componentes de recuperación y generación en sistemas de preguntas y respuestas médicas asistidas por IA, revelando una "falacia de precisión" y ofreciendo métricas para identificar errores específicos y garantizar la seguridad clínica.