1338 artículos
Este trabajo presenta MemeIntel, un enfoque que introduce el primer dataset a gran escala con explicaciones para memes propagandísticos y de odio, y propone un método de optimización multi-etapa que mejora significativamente la detección y la generación de justificaciones en comparación con el estado del arte.
Este artículo propone un enfoque novedoso de aprendizaje por refuerzo que ajusta finamente los modelos de lenguaje grandes para generar estimaciones de confianza calibradas junto con sus respuestas, optimizando una recompensa basada en la regla de puntuación logarítmica para alinear la confianza expresada con la precisión real y generalizar a tareas no vistas.
Este estudio demuestra mediante un metaanálisis de 92 modelos que incorporar decisiones de diseño, como la composición de datos y la arquitectura, mejora significativamente la predicción del rendimiento en tareas posteriores en comparación con basarse únicamente en la escala del modelo.
Esta encuesta ofrece una revisión sistemática de cómo los Modelos de Lenguaje Grande están revolucionando la bioinformática mediante el análisis avanzado de datos genómicos y proteicos, abordando al mismo tiempo sus desafíos actuales y explorando futuras direcciones hacia la medicina de precisión.
El paper presenta LLaVE, un marco de aprendizaje contrastivo ponderado por la dificultad que entrena modelos de incrustación multimodal capaces de superar el estado del arte en múltiples tareas de recuperación y agrupamiento, logrando un rendimiento superior con modelos más pequeños y demostrando una fuerte generalización cero-shot.
El artículo presenta Vision-R1, un modelo de lenguaje multimodal que mejora las capacidades de razonamiento mediante el aprendizaje por refuerzo, utilizando un conjunto de datos de cadena de pensamiento generado automáticamente y una estrategia de supresión progresiva del pensamiento para alcanzar un rendimiento competitivo en benchmarks matemáticos multimodales.
Este artículo establece teóricamente y valida empíricamente que la predicción del siguiente token en los modelos de lenguaje permite aprender conceptos interpretables por humanos, demostrando que sus representaciones se aproximan al logaritmo de las probabilidades posteriores de variables latentes discretas.
Este artículo presenta MoBLLM, un modelo fundacional de predicción de movilidad individual basado en modelos de lenguaje grandes de código abierto y técnicas de ajuste eficiente de parámetros, que supera a los modelos existentes en precisión, robustez y transferibilidad entre diferentes contextos espaciales y temporales sin requerir costosos recursos computacionales.
Este artículo propone la Cadena de Corrección (CoC), un método basado en un formato de chat multivuelta que utiliza modelos de lenguaje grandes para corregir de manera segmentada y contextual los errores de la transcripción completa de reconocimiento automático de voz, demostrando un rendimiento superior frente a sistemas existentes.
Este trabajo presenta AnesSuite, el primer conjunto de datos y evaluación integral para el razonamiento en anestesiología en modelos de lenguaje, junto con Morpheus, una colección de modelos de referencia que demuestra mejoras significativas en esta especialidad y en dominios médicos generales tras un entrenamiento limitado.
El artículo presenta DRA-GRPO, un marco teórico que mejora el razonamiento matemático en modelos de lenguaje mediante la calibración de recompensas basada en la diversidad semántica para evitar la colapso de políticas y lograr un rendimiento superior con datos y costos reducidos.
Este estudio demuestra que la superioridad persuasiva de los modelos de lenguaje grande sobre humanos incentivados es contextual, dependiendo de si el intento es veraz o engañoso, del modelo específico utilizado y de la interacción repetida, atribuyendo estos efectos a una mayor convicción expresada por las IA.
El artículo presenta mCLM, un modelo de lenguaje químico modular que tokeniza las moléculas mediante bloques de construcción funcionales compatibles con la síntesis automatizada, logrando así generar nuevas moléculas con propiedades mejoradas y una viabilidad de síntesis superior a la de otros métodos de inteligencia artificial generativa.
Este artículo presenta DTR, una defensa innovadora en tiempo de inferencia que mitiga los ataques de jailbreak multimodales en modelos de visión y lenguaje mediante la reponderación dinámica de tokens visuales y la optimización de sus cachés de clave-valor, mejorando la robustez sin comprometer el rendimiento general.
Este artículo presenta "Chain-of-Lure", un marco de ataque universal que utiliza narrativas sintéticas no restringidas y optimización por un modelo LLM auxiliar para eludir las restricciones de seguridad de otros modelos de lenguaje mediante la transferencia de misiones y preguntas engañosas progresivas, demostrando su alta eficacia en entornos de caja negra y proponiendo estrategias de defensa.
Este trabajo presenta la Ajuste Fino Consciente de lo Negativo (NFT), un enfoque de aprendizaje supervisado que permite a los modelos de lenguaje mejorar autónomamente en razonamiento matemático mediante el aprovechamiento de sus propios errores, logrando un rendimiento comparable o superior a los métodos de aprendizaje por refuerzo y demostrando teóricamente la equivalencia entre ambos paradigmas en entornos de entrenamiento estrictamente en política.
El artículo presenta SQUiD, un marco neurosimbólico que utiliza modelos de lenguaje grandes para sintetizar automáticamente bases de datos relacionales a partir de texto no estructurado, superando consistentemente a los métodos existentes.
El artículo presenta Intuitor, un método de aprendizaje por refuerzo que utiliza la auto-certidumbre del modelo como señal de recompensa intrínseca, permitiendo a los grandes modelos de lenguaje aprender razonamiento complejo de forma no supervisada y generalizar mejor a tareas fuera de dominio sin depender de recompensas externas costosas.
Este trabajo presenta RPM, un marco innovador que supera las limitaciones de la personalización a nivel de respuesta en modelos de lenguaje grandes de caja negra al descubrir y aplicar automáticamente estructuras de razonamiento específicas del usuario basadas en sus datos conductuales para guiar inferencias más personalizadas e interpretables.
Este estudio demuestra que enriquecer la generación de ideas de investigación en ciencias sociales con datos relevantes y validación automatizada mejora significativamente la viabilidad y calidad de las propuestas, sirviendo además como una herramienta eficaz para inspirar a los investigadores humanos.