1071 artículos
El artículo presenta MAWARITH, un conjunto de datos y marco de evaluación en árabe diseñado para entrenar y medir la capacidad de razonamiento legal de los modelos de lenguaje en la compleja ley de herencia islámica, destacando que, aunque Gemini-2.5-flash alcanza un rendimiento superior, la mayoría de los modelos actuales aún cometen errores significativos en la identificación de herederos y el cálculo de cuotas.
Este trabajo propone un marco de generación de voz sintética con acento L2 que, mediante la aplicación de reglas fonológicas a secuencias de fonemas en un modelo multilingüe, logra transformar el acento sin necesidad de datos de entrenamiento específicos ni pérdida de calidad.
Este trabajo presenta Nwāchā Munā, un corpus de voz en devanagari de 5,39 horas para el nepalí (Newari), y demuestra que la transferencia proximal desde el nepalí es una alternativa computacionalmente eficiente a los modelos multilingües masivos para el reconocimiento automático de voz en esta lengua en peligro.
KCoEvo es un marco de trabajo aumentado con grafos de conocimiento que mejora la generación evolutiva de código mediante la recuperación de rutas de migración y la generación informada por estas, superando a los modelos de lenguaje estándar en precisión y éxito de ejecución al abordar la obsolescencia de APIs.
Este artículo presenta StyleBench, un nuevo benchmark de diálogos múltiples para evaluar sistemáticamente la capacidad de los modelos de lenguaje de voz para controlar la intensidad de estilos conversacionales como la emoción, la velocidad, el volumen y el tono, revelando brechas de rendimiento entre los modelos actuales.
KohakuRAG es un marco de generación aumentada por recuperación (RAG) jerárquico que preserva la estructura de los documentos mediante un árbol de cuatro niveles, mejora la cobertura de recuperación con un planificador de consultas impulsado por LLM y estabiliza las respuestas mediante inferencia de conjunto, logrando el primer lugar en el Desafío WattBot 2025 al superar los desafíos de precisión numérica y atribución de fuentes.
Este informe presenta Megatron Core, un marco de código abierto que aborda los desafíos de escalabilidad en el entrenamiento de modelos de expertos mezclados (MoE) mediante optimizaciones integradas en memoria, comunicación y computación, logrando un alto rendimiento en hardware NVIDIA GB300/GB200 para modelos desde miles de millones hasta billones de parámetros.
Este trabajo evalúa las capacidades de diversos modelos de lenguaje grande, como Llama-3 y ChatGPT, en la resolución de problemas de optimización discreta mediante un conjunto de datos natural y ampliado, concluyendo que aunque los modelos más potentes rinden mejor, la técnica de razonamiento paso a paso (CoT) no siempre es efectiva y los datos desordenados pueden mejorar el rendimiento en problemas sencillos a pesar de la inestabilidad.
El artículo presenta 3ViewSense, un marco que cierra la brecha de inteligencia espacial en los modelos de visión y lenguaje al utilizar proyecciones ortográficas y un mecanismo de "simulación y razonamiento" para construir representaciones mentales 3D coherentes a partir de vistas 2D, mejorando significativamente tareas como el conteo de bloques y el razonamiento espacial.
Este artículo demuestra que la blanqueación por PCA revela el compromiso del clúster como el separador geométrico que distingue los tipos de alucinación en modelos de lenguaje, confirmando que la dificultad para separar los tipos 1 y 2 es una limitación de capacidad del modelo y no un artefacto de medición, al tiempo que destaca la fragilidad de las señales microscópicas ante cambios en la diversidad de los prompts.
El sistema QuadAI para SemEval-2026 Task 3 mejora el análisis de sentimientos basado en aspectos multidimensionales mediante un aprendizaje por conjuntos que combina un codificador híbrido RoBERTa con modelos de lenguaje grandes (LLMs), logrando una reducción significativa del error cuadrático medio y una mayor correlación al aprovechar las fortalezas complementarias de ambos enfoques.
ArcLight es una arquitectura de inferencia ligera diseñada específicamente para CPUs multinúcleo que supera las limitaciones de acceso a memoria entre nodos NUMA mediante una gestión eficiente de memoria y paralelismo tensorial, logrando un aumento de hasta un 46% en el rendimiento de inferencia en comparación con los marcos de trabajo existentes.
El artículo presenta MicroCoder-GRPO, un enfoque optimizado de RL con innovaciones como enmascaramiento de truncamiento condicional y selección de temperatura basada en diversidad, junto con un nuevo corpus de entrenamiento y un evaluador más preciso, logrando mejoras significativas en modelos de generación de código y revelando 34 hallazgos clave para superar los cuellos de botella en el entrenamiento.
El artículo presenta MicroCoder, un conjunto de datos de programación competitiva curado mediante un marco de procesamiento de cuatro etapas y filtrado automático de dificultad, que demuestra mejoras significativas en el rendimiento de modelos de código al entrenarse con problemas frescos y desafiantes.
Este estudio evalúa sistemáticamente los sesgos sociales en siete modelos de lenguaje avanzados dentro del contexto cultural nepalí, revelando mediante una evaluación de doble métrica que, aunque existe un acuerdo explícito medible con estereotipos, el sesgo implícito en la generación de texto es más prevalente, no lineal respecto a la temperatura y pobremente capturado por las métricas de acuerdo tradicionales.
Este artículo presenta el benchmark AEPC-QA para evaluar 51 modelos de lenguaje en el contexto de los seguros de Quebec, revelando que el razonamiento inferencial y la recuperación aumentada mejoran significativamente la precisión, aunque esta última puede causar distracción contextual, y que los modelos generalistas masivos superan a los especializados en francés.
El artículo presenta DistillGuard, un marco de evaluación que demuestra que las defensas actuales contra la destilación de conocimiento de LLMs son mayormente ineficaces y altamente dependientes de la tarea, ya que la mayoría de las perturbaciones de salida no degradan significativamente la calidad del modelo estudiante.
El toolkit de código abierto "AI Steerability 360" es una biblioteca Python nativa de Hugging Face que facilita el desarrollo y la evaluación exhaustiva de métodos para controlar modelos de lenguaje mediante cuatro superficies de control (entrada, estructura, estado y salida) unificadas en una interfaz común de tubería de dirección.
El artículo presenta FusionSQL, un evaluador eficiente que estima la precisión de los modelos Text2SQL en conjuntos de datos no vistos y sin etiquetas al analizar patrones en las propias salidas del sistema, permitiendo así la validación continua sin necesidad de respuestas verificadas.
El artículo presenta SynPlanResearch-R1, un marco que mejora el rendimiento de los agentes de investigación al sintetizar trayectorias de uso de herramientas que fomentan una exploración más profunda durante el ajuste fino inicial, logrando así superar a los métodos actuales en múltiples benchmarks.