1072 artículos
El artículo presenta RexDrug, un marco de extracción de relaciones potenciado por razonamiento basado en modelos de lenguaje grande que, mediante una estrategia de entrenamiento de dos etapas con colaboración multiagente y aprendizaje por refuerzo, supera a los métodos existentes en la identificación precisa de combinaciones de n-ary medicamentos y sus lógicas de compatibilidad en la literatura biomédica.
El estudio demuestra que el razonamiento en cadena en un espacio latente continuo (CODI) supera al razonamiento explícito en idiomas de bajos recursos y escenarios zero-shot, ofreciendo una solución escalable con una compresión de trazas de 29 a 50 veces.
El artículo presenta TildeOpen LLM, un modelo de lenguaje abierto de 30 mil millones de parámetros entrenado con estrategias de aprendizaje curricular y muestreo de datos para lograr una representación equitativa y un rendimiento superior en 34 idiomas europeos, especialmente en lenguas de recursos limitados como las bálticas, fino-úgricas y eslavas.
El artículo presenta CoPaLink, un enfoque automatizado que mejora la reproducibilidad de los flujos de trabajo bioinformáticos vinculando las menciones de herramientas en textos científicos con su implementación en código ejecutable mediante reconocimiento de entidades y vinculación basada en bases de conocimiento.
El artículo sostiene que la evaluación actual de los ataques de reconstrucción contra técnicas de eliminación de información de identificación personal (PII) está viciada por fugas de datos y contaminación, lo que impide determinar de forma transparente y reproducible si estas técnicas protegen realmente la privacidad debido a las restricciones en el acceso a datos verdaderamente privados.
El modelo DualTurn cierra la brecha entre los sistemas de voz naturales y las capacidades de razonamiento mediante un preentrenamiento generativo en audio de doble canal que aprende dinámicas conversacionales implícitas para predecir turnos de habla y acciones de agente con mayor precisión y anticipación que los enfoques anteriores.
Este artículo presenta la Matriz de Transferencia Cross-Lingual (CLTM), un método sistemático para cuantificar cómo los datos de un idioma donante afectan el rendimiento en tareas paralingüísticas como la identificación de género y la verificación de hablante en un idioma objetivo, revelando patrones de transferencia distintos y dependientes del idioma.
El artículo presenta Fibration Policy Optimization (FiberPO), un marco unificado que integra la teoría de regiones de confianza y una estructura algebraica de fibración para optimizar políticas de modelos de lenguaje mediante un control de estabilidad jerárquico y multi-escala que abarca desde el nivel de tokens hasta dominios completos.
Este artículo investiga cómo el contexto sintáctico, las clases y las tareas influyen en la sensibilidad de las explicaciones de los modelos transformadores frente a la aleatoriedad del entrenamiento, demostrando que todas tienen un impacto estadísticamente significativo, siendo mayor en las tareas y menor en el contexto.
Este artículo presenta un marco de reconocimiento de habla audiovisual para recursos cero que utiliza datos visuales sintéticos generados a partir de imágenes estáticas y audio real, logrando un rendimiento cercano al estado del arte en catalán y superando a los baselines de solo audio.
El artículo presenta CoFiCot, un marco de refinamiento adaptativo de lo grueso a lo fino que optimiza el tiempo de inferencia de los LLMs clasificando dinámicamente la dificultad de las consultas mediante múltiples métricas para aplicar estrategias de corrección diferenciadas y coherentes, evitando así tanto el exceso de procesamiento en tareas simples como la insuficiencia en las complejas.
El sistema NCL-UoR para SemEval-2026 Task 5 demuestra que una estrategia de prompting estructurada con reglas de decisión explícitas supera a los métodos basados en incrustaciones y al ajuste fino de modelos para la tarea de calificación de la plausibilidad del sentido de las palabras.
Este estudio de 172 mil millones de tokens, que evalúa 35 modelos de lenguaje en diversos contextos, temperaturas y plataformas de hardware, revela que la alucinación en respuestas basadas en documentos es un problema generalizado que aumenta drásticamente con la longitud del contexto, depende principalmente de la selección del modelo más que de su tamaño o del hardware utilizado, y que la capacidad de encontrar hechos no garantiza la resistencia a inventar información.
El artículo presenta AdaCultureSafe, un marco que integra conocimientos culturales autorizados en modelos de lenguaje grandes para mejorar su seguridad cultural, demostrando mediante un nuevo dataset de 48K consultas que la seguridad y el conocimiento cultural no están correlacionados actualmente y proponiendo un método basado en el conocimiento para resolver esta desconexión.
Este artículo evalúa la capacidad de los modelos de lenguaje grandes para revisar propuestas de subvenciones mediante perturbaciones estructuradas, concluyendo que un enfoque de análisis por secciones supera a otros métodos pero que los sistemas actuales presentan variabilidad y priorizan la verificación de cumplimiento sobre la evaluación holística.
El artículo presenta SBARThez, un marco innovador que combina incrustaciones de oraciones multimodales y multilingües con un mecanismo de inyección de entidades nombradas en un modelo BART modificado para generar resúmenes abstractos más precisos, concisos y factualmente consistentes en múltiples idiomas y formatos de entrada.
Este artículo presenta LAMUS, un corpus a gran escala para la minería de argumentos legales en jurisprudencia de EE. UU. (Suprema Corte y apelaciones penales de Texas), construido mediante un pipeline centrado en datos que combina la recolección masiva, la anotación automática con LLMs y la refinación humana, demostrando que el prompting de cadena de pensamiento y la verificación asistida por LLMs mejoran significativamente la calidad y consistencia de las anotaciones.
Este trabajo propone un marco de post-entrenamiento unificado que extiende los modelos fundacionales de voz para generar múltiples representaciones a nivel de enunciado (como semánticas y de hablante) desde un único modelo, demostrando su eficacia en tareas de recuperación de voz multilingüe y reconocimiento de hablantes.
El artículo presenta SlowBA, un ataque de puerta trasera novedoso que compromete la eficiencia de los agentes de interfaz gráfica basados en modelos de lenguaje y visión al inducir cadenas de razonamiento excesivamente largas mediante patrones de activación específicos, aumentando significativamente la latencia de respuesta sin sacrificar la precisión de la tarea.
SPD-RAG es un marco jerárquico de agentes múltiples que mejora la calidad y la escalabilidad en la respuesta a preguntas complejas sobre múltiples documentos al asignar un agente dedicado a cada documento para la recuperación enfocada y sintetizar sus respuestas parciales mediante un coordinador, superando así a los métodos RAG estándar y de agentes individuales en el benchmark LOONG con un coste de API significativamente menor.