3730 artículos
El artículo presenta GPT4o-Receipt, un conjunto de datos y estudio que revela la paradoja de que, aunque los humanos perciben mejor los artefactos visuales en recibos generados por IA, los modelos de lenguaje multimodal superan a los humanos en la detección de errores aritméticos, lo que demuestra que la verificación lógica es más efectiva que la inspección visual para la forense de documentos.
Este artículo presenta VMAO, un marco de orquestación multiagente que mejora la resolución de consultas complejas mediante la descomposición en un grafo acíclico dirigido, la ejecución paralela de agentes especializados y un bucle iterativo de verificación y replanificación que optimiza la completitud y la calidad de las fuentes.
Este estudio analiza la intención conductual de los usuarios hacia OpenClaw mediante el marco Cognición-Afecto-Conación, revelando que las percepciones positivas fortalecen la actitud y la intención de uso, mientras que las negativas generan desconfianza y reducen la adopción del agente autónomo.
El artículo presenta NEXTPP, un marco de doble vía que unifica representaciones discretas y continuas mediante atención cruzada y ecuaciones diferenciales neuronales para mejorar la predicción de secuencias de eventos temporales con marcas en procesos puntuales.
El artículo presenta SAGE, un marco de modelado de fiabilidad adaptativo a las etapas que mejora la estimación continua de valencia y excitación al calibrar dinámicamente la confianza de las modalidades auditivas y visuales según su informatividad en cada fase de interacción, logrando así un rendimiento superior en entornos ruidosos y variables.
Este trabajo presenta un marco neuro-simbólico basado en un Árbol de Lógica de Eventos (ELT) que permite a agentes de Modelos de Lenguaje Visuales (VLM) detectar eventos en series temporales multivariadas a partir de descripciones en lenguaje natural, logrando una mayor precisión y explicabilidad que los enfoques existentes al mitigar las alucinaciones mediante la estructuración de la lógica temporal.
El artículo presenta INFACT, un nuevo benchmark diagnóstico que evalúa la fiabilidad y los alucinaciones de los modelos de lenguaje grandes para video (Video-LLMs) mediante 9.800 preguntas sobre videos reales y sintéticos, revelando que una alta precisión en condiciones ideales no garantiza la estabilidad ante degradaciones visuales, corrupción de evidencia o intervenciones temporales.
El artículo presenta SPEGC, un método de adaptación continua en tiempo de prueba para la segmentación de imágenes médicas que supera la degradación del rendimiento mediante un mecanismo de mejora de características con prompts semánticos y un solucionador de agrupamiento gráfico diferenciable para refinar las representaciones estructurales y guiar la adaptación del modelo.
El artículo presenta OrthoEraser, un método que utiliza autoencoders dispersos y proyección ortogonal acoplada para eliminar conceptos nocivos en modelos de texto a imagen sin dañar los atributos benignos, superando así a las técnicas actuales.
El artículo presenta KEPo, un nuevo método de ataque de envenenamiento diseñado específicamente para sistemas de generación aumentada por recuperación basados en grafos (GraphRAG), el cual manipula la evolución del conocimiento dentro del grafo para engañar a los modelos de lenguaje y generar respuestas maliciosas, superando significativamente a las técnicas de ataque anteriores.
Este artículo presenta Gen-Fab, un modelo generativo basado en cGAN que predice con alta precisión y modela la incertidumbre de las variaciones de fabricación en dispositivos nanofotónicos, superando a métodos deterministas y de ensamble en la generación de imágenes de resultados de fabricación a escala nanométrica.
El artículo presenta MADA, un marco de trabajo multiagente potenciado por modelos de lenguaje grande que automatiza la exploración de diseños en sistemas de computación de alto rendimiento para optimizar la supresión de la inestabilidad de Richtmyer-Meshkov en la fusión por confinamiento inercial, reduciendo la intervención manual y acelerando el descubrimiento científico.
Este artículo presenta FBCIR, un método de interpretación que identifica los desequilibrios de atención entre modalidades en la recuperación de imágenes compuestas, y propone un flujo de trabajo de aumento de datos con negativos difíciles para corregir estos desequilibrios y mejorar el rendimiento de los modelos en escenarios desafiantes.
El artículo presenta EReCu, un marco unificado para la detección de objetos camuflados no supervisada que mejora la fiabilidad de las etiquetas pseudo y la fidelidad de las características mediante módulos de percepción multi-pista, fusión evolutiva de etiquetas pseudo y refinamiento local, logrando un rendimiento superior en la alineación de bordes y la percepción de detalles.
Este artículo presenta el enrutamiento por umbral de expertos (ET), un mecanismo causal que asigna dinámicamente tokens a expertos basándose en umbrales individuales sin necesidad de pérdidas auxiliares, logrando un mejor rendimiento y equilibrio de carga que los métodos tradicionales de mezcla de expertos en modelos de lenguaje autoregresivos.
El artículo presenta ReHARK, un marco de adaptación libre de entrenamiento que resuelve el dilema estabilidad-plasticidad en la adaptación de modelos visión-idioma con un solo ejemplo mediante la regularización global en un espacio de Hilbert de núcleo reproductivo y un pipeline de refinamiento multietapa, logrando un nuevo estado del arte con un 65,83% de precisión promedio en 11 benchmarks.
El artículo presenta un marco de IA agéntica que orquesta herramientas especializadas para diversas modalidades mediante un Supervisor adaptativo, logrando reducciones significativas en tiempo, rework conversacional y costos sin comprometer la precisión en comparación con enfoques jerárquicos tradicionales.
El artículo presenta MANSION, un marco innovador que genera entornos 3D de edificios a gran escala y múltiples pisos a partir de lenguaje natural, junto con el dataset MansionWorld, para abordar la complejidad de las tareas robóticas de largo horizonte que requieren razonamiento espacial en escenarios realistas y multiplanta.
El marco RoboClaw unifica la recolección de datos, el aprendizaje de políticas y la ejecución en un solo controlador impulsado por modelos de visión-lingüística que utiliza "Pares de Acción Enredados" para permitir la recuperación autónoma y la mejora iterativa, logrando una mayor estabilidad y escalabilidad en tareas robóticas de largo alcance con una reducción significativa del esfuerzo humano.
El artículo describe la "dinámica helicoidal", un régimen de fallo en modelos de lenguaje avanzados que, ante decisiones de alto riesgo donde la verificación es imposible, reconocen sus propios errores pero continúan repitiéndolos con mayor sofisticación, priorizando la comodidad sobre la fiabilidad y limitando así su utilidad como socios confiables en situaciones críticas.