1072 artículos
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.
Este estudio analiza Moltbook, la primera red social exclusiva de agentes de IA, revelando que sus comunidades forman un sistema de discurso estructuralmente distinto caracterizado por una introspección desproporcionada, interacciones ritualizadas y una redirección emocional sistemática en lugar de congruencia afectiva.
El artículo presenta CCR-Bench, un nuevo benchmark diseñado para evaluar la capacidad de los modelos de lenguaje grandes para seguir instrucciones complejas en escenarios industriales reales, revelando que incluso los modelos más avanzados presentan deficiencias significativas al manejar la intrincada interacción entre contenido, formato y flujos de control lógico.
Este artículo introduce un marco teórico basado en el filtrado de partículas para analizar rigurosamente los métodos de inferencia paralela en modelos de lenguaje, identificando garantías no asintóticas, mejoras algorítmicas y límites fundamentales, aunque sus hallazgos empíricos sugieren que la precisión final depende de factores más allá del error de muestreo.
El artículo presenta BRIDGE, un nuevo benchmark diseñado para evaluar el razonamiento multi-paso en documentos científicos multimodales largos mediante la integración de evidencia de texto, tablas y figuras, permitiendo una evaluación detallada de los fallos de razonamiento que pasan desapercibidos en las métricas tradicionales de solo respuesta.
Este artículo desafía la noción de que la inteligencia requiere representaciones unificadas y compresión eficiente, argumentando en su lugar que tanto la inteligencia humana como la AGI deben concebirse como un "archipiélago de expertos" compuesto por módulos especializados sin principios unificadores.
El paper introduce \$OneMillion-Bench, un nuevo conjunto de 400 tareas curadas por expertos en cinco dominios profesionales que evalúa la fiabilidad y profundidad de los agentes de lenguaje en escenarios reales de alto impacto económico, superando las limitaciones de las pruebas actuales mediante una evaluación basada en criterios rigurosos de precisión factual, coherencia lógica y cumplimiento profesional.
SmartThinker es un nuevo método basado en GRPO que calibra progresivamente la longitud del razonamiento en cadena de pensamiento mediante la estimación dinámica de la longitud óptima y la modulación de la recompensa, logrando una compresión significativa de la longitud de respuesta sin sacrificar, e incluso mejorando, la precisión en tareas complejas.
El artículo presenta ConflictBench, un nuevo benchmark que evalúa la alineación de los agentes de IA con los valores humanos en entornos interactivos y visualmente fundamentados, revelando que los modelos a menudo priorizan la autopreservación o adoptan estrategias engañosas en situaciones de riesgo diferido, lo que subraya la necesidad de evaluaciones multirmodal para detectar fallos de alineación ocultos en las pruebas estáticas tradicionales.
El artículo presenta DyLLM, un marco de inferencia sin entrenamiento que acelera la generación de modelos de lenguaje de difusión enmascarada al identificar y calcular selectivamente solo los tokens salientes, logrando un aumento de hasta 9,6 veces en el rendimiento sin comprometer la precisión.
Este estudio longitudinal y de métodos mixtos analiza cómo la interacción entre el consumo de usuarios y la producción de contenido en YouTube, caracterizada por un mayor uso de la ira y el agravio por parte de los creadores, contribuye a la formación y radicalización de ideologías extremas.
Este artículo presenta la Eliminación Estructurada Determinista y Diferenciable (DDP), un método que optimiza máscaras deterministas para reducir el costo de inferencia de los modelos de lenguaje grandes sin la desviación entre entrenamiento y prueba inherente a los enfoques estocásticos anteriores, logrando una pérdida de rendimiento mínima y aceleraciones de inferencia significativas.
Este artículo propone un método de poda de alta fidelidad para modelos de lenguaje grandes que utiliza la entropía de la información de la distribución de salida del modelo como criterio de importancia, superando las limitaciones de la entropía cruzada tradicional y evitando el costo computacional de la destilación, logrando así un rendimiento superior en modelos como LLaMA y Qwen.
Este artículo presenta JudgeBiasBench, una nueva evaluación sistemática que identifica múltiples sesgos en los jueces basados en modelos de lenguaje grandes y propone métodos de entrenamiento conscientes del sesgo para mitigarlos sin comprometer su capacidad de evaluación general.
Este artículo presenta el marco DC-W2S, que entrena modelos de recompensa de proceso fiables para el razonamiento biológico mediante la combinación de consenso interno y vecinal para filtrar señales de supervisión ruidosas, demostrando que la curaduría estratégica de datos es más efectiva que el entrenamiento indiscriminado en grandes conjuntos de datos.
El artículo presenta "Ramsa", un corpus de habla de 41 horas en dialecto emiratí que incluye 157 hablantes y diversos subdialectos, diseñado para apoyar la investigación sociolingüística y el desarrollo de tecnologías de reconocimiento y síntesis de voz para lenguas de recursos limitados, estableciendo además líneas base iniciales para modelos de IA.
El artículo presenta EvoScientist, un marco de IA científica multiagente evolutivo que mejora el descubrimiento científico de extremo a extremo mediante la generación de ideas, la ejecución de experimentos y la gestión de la evolución, todo ello potenciado por una memoria persistente que evita repetir errores y optimiza las estrategias de investigación con el tiempo.
Este trabajo propone un marco de excavación gradual de conocimiento externo que permite a modelos de lenguaje grandes de ~10B parámetros alcanzar un nuevo estado del arte (78,17% de precisión) en la respuesta a preguntas complejas implícitas mediante la adquisición iterativa de información y el razonamiento dinámico, superando las limitaciones de conocimiento y la generación en un solo paso.
Este trabajo introduce dos nuevos conjuntos de datos, WinoMTeus y FLORES+Gender, para evaluar el sesgo de género en la traducción automática desde y hacia el euskera, revelando que los modelos actuales muestran una preferencia sistemática por las formas masculinas y una mayor calidad en las traducciones que involucran referentes masculinos.