154 artículos
El artículo presenta TURA, un marco de agente unificado que combina la generación aumentada por recuperación (RAG) con el uso de herramientas para superar las limitaciones de los sistemas de búsqueda tradicionales, permitiendo acceder tanto a contenido estático como a información dinámica en tiempo real mediante un proceso de tres etapas diseñado para escalar a millones de usuarios con baja latencia.
Este trabajo demuestra que las limitaciones teóricas de los modelos de recuperación basados en embeddings, derivadas de la restricción de la dimensión vectorial sobre el número de subconjuntos recuperables, persisten incluso en escenarios realistas con consultas simples, lo que indica que el paradigma actual de un solo vector es fundamentalmente insuficiente y requiere nuevas técnicas de investigación.
El artículo presenta Mobile-Agent-RAG, un marco innovador de agentes móviles jerárquicos que utiliza la recuperación aumentada de conocimiento en dos niveles (planificación y ejecución) para mitigar las alucinaciones estratégicas y los errores operativos, logrando así un rendimiento superior en tareas de automatización móvil de largo alcance y multiaplicación.
El artículo presenta PosIR, el primer benchmark estandarizado que diagnostica sistemáticamente el sesgo posicional en sistemas de recuperación de información mediante un enfoque multilingüe y controlado por longitud, revelando que los modelos actuales muestran preferencias generalizadas por el contenido inicial o final que no se detectan en las evaluaciones tradicionales de texto corto.
El artículo presenta SLATE, un marco que mejora el razonamiento con recuperación aumentada mediante un muestreo truncado a nivel de paso y recompensas de proceso densas, logrando una asignación de crédito más precisa y un rendimiento superior en tareas complejas al reducir la varianza de los gradientes en comparación con métodos existentes.
El artículo presenta Geodesic Semantic Search (GSS), un sistema de recuperación que aprende métricas riemannianas específicas por nodo en grafos de citación para realizar búsquedas semánticas conscientes de la geometría, logrando una mejora del 23% en Recall@20 frente a métodos basados en distancias euclidianas fijas y ofreciendo rutas de citación interpretables.
El artículo presenta OpenSanctions Pairs, un extenso conjunto de datos para la coincidencia de entidades derivado de sanciones internacionales, y demuestra que los modelos de lenguaje grandes (LLMs) superan significativamente a los sistemas basados en reglas tradicionales, alcanzando un rendimiento cercano al límite práctico y sugiriendo un cambio de enfoque hacia componentes de la pipeline como el bloqueo y la agrupación.
El artículo presenta MDER-DR, un marco de pregunta-respuesta impulsado por LLMs que mejora significativamente el rendimiento en preguntas de múltiples saltos sobre grafos de conocimiento al combinar un enfoque de indexación que genera resúmenes centrados en entidades con un mecanismo de recuperación basado en la descomposición y resolución iterativa de consultas, superando a las bases de RAG estándar hasta en un 66%.
Este artículo propone un modelo de toma de decisiones secuenciales bajo restricciones de memoria que amplía el concepto de "olor de la información" para explicar cómo los usuarios navegan mediante ensayo y error, seleccionando enlaces prematuramente y recuperándose de errores al considerar solo la información local y global disponible en su memoria limitada.
Este estudio demuestra que las decisiones metodológicas en las auditorías de YouTube, como el uso de cuentas iniciadas sesión, impactan significativamente la precisión de los sesgos inferidos en sus sistemas de recomendación, ofreciendo directrices para optimizar el equilibrio entre costos y validez científica.
El artículo presenta Agent-OM, un nuevo marco basado en agentes de modelos de lenguaje grande que utiliza dos agentes siameses y herramientas especializadas para lograr un emparejamiento de ontologías competitivo en tareas sencillas y superior en escenarios complejos y de pocos ejemplos.
El modelo LEXA mejora la recuperación de casos legales mediante el aprendizaje contrastivo en grafos y la integración de incrustaciones contextualizadas de modelos de lenguaje grandes, superando las limitaciones de métodos anteriores al aprovechar plenamente la información estructural y semántica de los documentos jurídicos.
Este artículo presenta y demuestra la complejidad NP-completa del problema de recuperación de vectores con similitud y diversidad (VRSD), proponiendo un algoritmo heurístico sin parámetros que supera a métodos establecidos como MMR y k-DPP en tareas de preguntas y respuestas científicas.
El artículo presenta AMPEND-LS, un marco de detección de noticias falsas multimodal basado en agentes y sinergia entre modelos de lenguaje grandes y pequeños que supera a los métodos existentes al integrar evidencia, razonamiento estructurado y mecanismos de fusión de credibilidad para lograr mayor precisión, robustez y explicabilidad.
Este trabajo propone una versión escalable de CopulaGNN para la predicción de signos en enlaces mediante el modelado de dependencias estadísticas entre aristas usando copulas gaussianas, optimizando la eficiencia computacional y la convergencia mediante la representación de la matriz de correlación como un gramiano de incrustaciones y la reformulación de la distribución de probabilidad condicional.
Este estudio scientométrico analiza la evolución de la investigación sobre la influenza aviar entre 2014 y 2023 utilizando datos de Web of Science, revelando un aumento constante en las publicaciones lideradas por China y Estados Unidos, una predominancia de artículos originales y la necesidad de fortalecer la colaboración internacional.
Este artículo demuestra que aprender la magnitud de las incrustaciones, en lugar de asumir que es ruido, mejora significativamente la recuperación y la generación aumentada por recuperación (RAG) al controlar independientemente la normalización de consultas y documentos, lo que resulta en una mayor generalización fuera de dominio.
Este trabajo presenta Pailitao-VL, un sistema de búsqueda industrial multimodal en tiempo real que supera las limitaciones de precisión y eficiencia de las soluciones actuales mediante un nuevo paradigma de incrustación basado en reconocimiento de ID absoluto y un reordenador generativo de lista comparativa, logrando un rendimiento superior y un impacto comercial significativo en la plataforma de comercio electrónico de Alibaba.
Este artículo presenta DPR, un marco agnóstico al modelo que permite a los sistemas de recomendación secuenciales tradicionales integrar intenciones explícitas del usuario mediante prompts de lenguaje natural, superando las limitaciones de los enfoques actuales al modular directamente las representaciones latentes sin sacrificar la precisión colaborativa ni la eficiencia.
El artículo presenta SearchGym, una infraestructura modular de código abierto que cierra la brecha entre prototipos experimentales y sistemas de producción para la generación aumentada por recuperación (RAG), permitiendo la orquestación híbrida de búsquedas, la composición de configuraciones jerárquicas y el análisis de la "conciencia de los k superiores" para optimizar el rendimiento en dominios heterogéneos.