3852 artículos
El artículo presenta EoRA, un método sin ajuste fino que utiliza aproximación de rango bajo en el espacio de autovalores para recuperar eficazmente la precisión de modelos de lenguaje grandes comprimidos, superando a métodos anteriores y ofreciendo una implementación optimizada en CUDA que mejora tanto la exactitud como la eficiencia en la inferencia.
Este artículo propone un pipeline genérico de limpieza de tokens para el ajuste fino supervisado de modelos de lenguaje grandes que, al filtrar selectivamente los tokens no informativos basándose en su influencia durante la actualización del modelo, mejora el rendimiento en tareas posteriores sin sacrificar la información clave.
El artículo presenta DIFU-Ada, un marco de adaptación en tiempo de inferencia sin entrenamiento que permite a los solucionadores de optimización combinatoria basados en difusión lograr una generalización cero-shot entre diferentes problemas y escalas, demostrando que un modelo entrenado exclusivamente en el Problema del Viajante (TSP) puede resolver eficazmente variantes como el TSP de Recolección de Premios y el Problema de Orientación.
Este artículo propone una metodología que integra los Diagramas de Tuberías e Instrumentación (P&ID) con Modelos de Lenguaje Grandes (LLM) mediante el uso del modelo de datos DEXPI y la generación aumentada por recuperación basada en grafos (graph-RAG), permitiendo la interacción con estos diagramas en lenguaje natural para mejorar la recuperación de información contextual y reducir las alucinaciones.
Este artículo presenta SCAM, el conjunto de datos más grande y diverso hasta la fecha de ataques tipográficos del mundo real, para evaluar la vulnerabilidad de los modelos fundacionales multimodales y demostrar que, aunque los ataques tipográficos degradan significativamente su rendimiento, el uso de modelos de lenguaje más grandes reduce esta susceptibilidad.
Este artículo propone dos algoritmos basados en datos para estimar políticas óptimas de precios e inventario en un entorno secuencial con demanda censurada y dependiente, abordando los desafíos de la pérdida de información y la no estacionariedad mediante aproximaciones de procesos de decisión de Markov de alto orden y análisis de supervivencia.
El artículo presenta SwitchMT, un método innovador que utiliza redes neuronales de espigas con conmutación de tareas adaptativa para mejorar el aprendizaje multitarea escalable de agentes autónomos, mitigando la interferencia entre tareas sin aumentar la complejidad de la red.
Este artículo de revisión introduce el campo interdisciplinario de la psicometría de los modelos de lenguaje grandes (LLM), sintetizando cómo las teorías e instrumentos psicológicos pueden utilizarse para evaluar, validar y mejorar estos modelos mediante un marco estructurado que promueve el desarrollo de sistemas de IA centrados en el ser humano.
Este trabajo presenta REI-Bench, el primer benchmark para la planificación de tareas robóticas que modela sistemáticamente las referencias vagas en las instrucciones humanas, demostrando que dicha vaguedad degrada significativamente el rendimiento de los modelos de lenguaje y proponiendo una solución basada en la cognición contextual orientada a tareas que logra un estado del arte al generar instrucciones claras.
El artículo propone un método de entrenamiento que mejora la capacidad de seguimiento de instrucciones de los modelos de lenguaje grande al fine-tunearlos con datos que incluyen representaciones de pseudo-código de las instrucciones naturales, logrando ganancias significativas en benchmarks de seguimiento de instrucciones y razonamiento sin sacrificar el rendimiento general.
Este estudio presenta una encuesta basada en datos que analiza el crecimiento y las tendencias de la investigación sobre las limitaciones de los modelos de lenguaje grandes (LLLMs) entre 2022 y 2025, identificando mediante un enfoque semiautomático que el razonamiento es la limitación más estudiada y que el volumen de publicaciones sobre este tema ha aumentado significativamente, especialmente en arXiv.
Este artículo propone un marco de razonamiento abductivo basado en la consistencia que integra las predicciones de múltiples modelos preentrenados mediante reglas lógicas para mitigar la degradación del rendimiento en entornos novedosos, logrando mejoras significativas en precisión y recall frente a enfoques individuales y de conjunto estándar.
Este estudio demuestra que, en el contexto de la previsión de ventas minoristas con demanda intermitente y datos incompletos, los métodos basados en árboles como XGBoost superan a arquitecturas de aprendizaje profundo más sofisticadas, lo que sugiere que la selección del modelo debe priorizar la adecuación a las características del problema sobre la complejidad arquitectónica.
El artículo presenta SILVR, un marco que permite a los modelos de video generativos mejorar continuamente su planificación robótica en línea mediante la iteración sobre trayectorias auto-generadas, logrando un alto rendimiento en tareas nuevas sin depender de recompensas humanas ni demostraciones expertas.
El artículo presenta ReLIFT, un nuevo enfoque de entrenamiento que alterna el aprendizaje por refuerzo con el ajuste fino en línea para superar las limitaciones del primero al incorporar nuevos conocimientos y patrones de razonamiento, logrando así mejoras significativas en benchmarks de alto nivel con una fracción mínima de datos de demostración.
Esta encuesta revisa la evolución de la privacidad diferencial desde sus fundamentos teóricos hasta su integración en modelos de aprendizaje automático, abarcando desde la IA simbólica hasta los grandes modelos de lenguaje, con el fin de ofrecer una visión integral para el desarrollo de sistemas de IA seguros y responsables.
El artículo presenta la Decodificación Paralela Consciente de la Localidad (LPD), un nuevo enfoque que acelera la generación de imágenes autoregresiva mediante un modelado flexible y un ordenamiento local optimizado, logrando una reducción drástica en los pasos de generación y la latencia sin comprometer la calidad.
Este artículo advierte que la interacción entre los sesgos cognitivos de personas con trastornos mentales y la tendencia de los chatbots de IA a ser excesivamente complacientes y adaptables crea un peligroso bucle de retroalimentación que puede desestabilizar creencias y fomentar la dependencia, lo que exige una respuesta coordinada entre la práctica clínica, el desarrollo tecnológico y la regulación.
Este artículo introduce el concepto de Generación de Código Éticamente Abastecida (ES-CodeGen), estableciendo una taxonomía de 11 dimensiones basada en una revisión de literatura y una encuesta a practicantes para gestionar todo el ciclo de vida de los modelos de generación de código mediante prácticas éticas y sostenibles.
El artículo presenta IntrinsicWeather, un marco basado en difusión que edita condiciones climáticas de forma controlada en el espacio intrínseco mediante la estimación de mapas de material, geometría y luz, superando a los métodos existentes y ofreciendo mejoras para tareas como la conducción autónoma.