123 artículos
El artículo presenta TeamHOI, un marco que utiliza una política descentralizada basada en Transformers y un prior adversarial de movimiento enmascarado para permitir que un número variable de agentes humanoides realicen interacciones cooperativas humano-objeto realistas y estables mediante una sola política unificada.
Mediante un modelo multiagente, este estudio demuestra que la reducción del esfuerzo pesquero es crucial para alcanzar un equilibrio sostenible en la pesca artesanal senegalesa, mientras que el cambio climático tiene un impacto menor en comparación con la sobreexplotación que provoca migraciones masivas.
Este artículo demuestra que la eliminación de canales de comunicación redundantes y el uso de una asignación de crédito local en entornos de persecución-evasión 3D mejoran la robustez y el rendimiento en comparación con enfoques que dependen de información más rica y acoplada.
El artículo presenta IronEngine, una plataforma de asistente de IA general que integra una arquitectura unificada de orquestación, gestión adaptativa de modelos y ejecución de herramientas para lograr una alta tasa de completitud en tareas heterogéneas mediante un pipeline de tres fases que separa la planificación de la ejecución.
Este trabajo presenta las Sociedades de Mente Basadas en Lenguaje Natural (NLSOMs), un marco inspirado en las teorías de Minsky y Schmidhuber donde múltiples agentes de redes neuronales colaboran mediante lenguaje natural para resolver tareas complejas de IA multimodal, al tiempo que explora las implicaciones sociales y económicas de escalar estos sistemas hacia sociedades de miles de millones de agentes.
Este artículo propone un marco de inferencia de nivel 2 para deducir las estimaciones que los agentes tienen sobre los objetivos de los demás, superando las limitaciones de los métodos tradicionales de nivel 1 que asumen un conocimiento compartido perfecto en interacciones estratégicas descentralizadas.
Este artículo presenta el Entorno de Aprendizaje Yokai (YLE), un nuevo benchmark de código abierto para la coordinación cero-shot que supera las limitaciones del entorno Hanabi al requerir que los agentes cooperen mediante el seguimiento de creencias sobre cartas móviles y el razonamiento bajo pistas ambiguas, revelando así que los métodos de vanguardia que dominan Hanabi fallan en mantener modelos internos consistentes con socios desconocidos en este nuevo entorno.
Este artículo demuestra que, aunque la extensión de los juegos causales normales a entornos secuenciales es teóricamente elegante, no ofrece ninguna mejora en el bienestar social respecto al equilibrio de Stackelberg clásico bajo racionalidad, lo que sugiere la necesidad de nuevos marcos teóricos más allá del equilibrio de Nash para la inteligencia artificial agéntica.
ThunderAgent es un sistema de inferencia ágil y consciente del programa que unifica la gestión de recursos heterogéneos mediante la abstracción de flujos de trabajo como "programas LLM", logrando mejoras significativas en el rendimiento y la eficiencia de memoria en comparación con los sistemas existentes.
Este artículo de posición enmarca la memoria de los sistemas multiagente como un problema de arquitectura informática, proponiendo una jerarquía de tres capas y destacando la consistencia de la memoria como el desafío crítico más urgente para garantizar sistemas escalables y fiables.
El artículo presenta KernelSkill, un marco de trabajo multiagente que mejora la optimización de kernels de GPU mediante el uso de habilidades de expertos guiadas por conocimiento y una arquitectura de memoria dual, logrando aceleraciones significativas y una tasa de éxito del 100% en comparación con métodos anteriores basados en LLM.
El artículo presenta GRACE, un simulador y conjunto de pruebas unificado en 2D que permite comparaciones transparentes y reproducibles entre diferentes niveles de abstracción (cuadrícula, mapa de rutas y continuo) para la planificación de trayectorias multiagente, facilitando así el estudio de las compensaciones entre fidelidad y escalabilidad en la investigación de robots múltiples.
El artículo presenta LLMGreenRec, un nuevo sistema de recomendación multiagente basado en modelos de lenguaje grande que fomenta el consumo sostenible en el comercio electrónico al identificar intenciones ecológicas de los usuarios y reducir simultáneamente la huella de carbono digital.
El artículo presenta COMIC, un sistema automatizado de IA que genera videos de comedia tipo sketch mediante una población de agentes inspirados en roles de producción y críticos de LLM alineados con preferencias reales de audiencia, logrando resultados de calidad profesional y rendimiento de vanguardia en la generación de video.
Este artículo presenta el algoritmo OA-Bug, una estrategia de enjambre aumentada con señales olfativas y auditivas que permite a los robots explorar entornos denegados sin GNSS ni comunicación centralizada, logrando una cobertura de búsqueda del 96,93% en simulaciones y validándose experimentalmente con robots reales.
El artículo presenta SysDPO, un marco que extiende la Optimización Directa de Preferencias (DPO) a sistemas de IA compuestos modelados como grafos acíclicos dirigidos, permitiendo su alineación conjunta a nivel de sistema a pesar de las interacciones no diferenciables y la dificultad de transformar preferencias globales en locales.
El artículo presenta KramaBench, un nuevo benchmark que evalúa la capacidad de los sistemas de IA para orquestar pipelines completos de "datos a conocimientos" sobre lagos de datos reales, revelando que, aunque los sistemas actuales pueden generar borradores plausibles, su precisión para ejecutar pipelines integrales y funcionales sigue siendo limitada.
Este trabajo presenta un sistema multiagente basado en modelos de lenguaje grandes multimodales que supera significativamente al estado del arte en la extracción automatizada y robusta de información química de la literatura, logrando un puntaje F1 del 76,27% en gráficos de reacciones complejos y demostrando una amplia versatilidad en diversas tareas de extracción de datos.
El marco MARLIN, inspirado en la inteligencia de las murmuraciones de estorninos y guiado por modelos de lenguaje grandes, optimiza la gestión descentralizada de embalses bajo incertidumbre climática, logrando una coordinación global emergente que mejora la respuesta ante inundaciones y reduce la carga computacional en comparación con los métodos tradicionales.
El artículo presenta WNumMPC, un método de navegación jerárquico que combina un planificador de aprendizaje por refuerzo y un controlador basado en modelos para resolver los bloqueos de simetría en la navegación multiagente mediante el uso de números de giro como invariantes topológicos para coordinar el paso de los agentes.