Takeda ha iniciado una colaboración estratégica con Insilico Medicine, con sede en Hong Kong, para utilizar la IA en el descubrimiento de fármacos en etapas iniciales en todas las áreas terapéuticas de la compañía farmacéutica japonesa. Las empresas no revelaron qué áreas terapéuticas o enfermedades objetivo serán cubiertas por la colaboración.
Crea un robot con inteligencia emocional para terapias de niños con autismo Sinc
Microsoft invierte 2,5 mil millones de dólares en la nueva división dedicada a la difusión de la inteligencia artificial Yahoo Finanza
El razonamiento en cadena de pensamiento (CoT) ha surgido como un enfoque eficaz para activar capacidades de razonamiento latentes en modelos lingüísticos grandes. Sin embargo, la mayoría de los métodos CoT existentes utilizan cadenas de razonamiento principalmente como indicaciones de tiempo de inferencia, mientras que los rastros de razonamiento generados rara vez se reutilizan como señales de aprendizaje semisupervisadas.
La deduplicación de documentos a gran escala debe preservar la equivalencia semántica sin dejar de ser eficiente en corpus masivos. Presentamos SemHash LLM, un marco de granularidad múltiple que unifica el hash de proyección semántica, MinHash ponderado por atención, el aprendizaje de límites contrastivos y la adjudicación selectiva basada en LLM. El método combina señales a nivel de carácter, token y documento a través de una fusión cerrada y luego aplica una tubería de filtrado en cascada para una reducción eficiente de los candidatos.
El desarrollo de núcleos de alto rendimiento para unidades de procesamiento neuronal (NPU) es un cuello de botella crítico en la industria, que requiere que los desarrolladores naveguen manualmente por restricciones de hardware implícitas y jerarquías de memoria estrictas. Si bien los modelos de lenguajes grandes ofrecen un inmenso potencial de automatización, fallan catastróficamente en las NPU debido a una falta fundamental de antecedentes específicos de hardware.
El comportamiento engañoso en los LLM es costoso de monitorear y prevenir, lo que motiva enfoques como la Supervisión escalable mediante detectores de mentiras (SOLiD) (Cundy & Gleave, 2025), que utiliza detectores de mentiras para identificar respuestas para su revisión por parte de etiquetadores de alto costo. En este artículo, escalamos SOLiD a modelos más grandes y lo evaluamos en entornos de aprendizaje de preferencias más diversos y realistas.
A medida que la escala y la complejidad de los sistemas de IA basados en la nube continúan aumentando, garantizar la confiabilidad del servicio mediante la detección rápida de fallas y la recuperación adaptativa se ha convertido en un desafío crítico. Si bien los enfoques existentes integran modelos de lenguajes grandes (LLM) para la comprensión semántica y aprendizaje por refuerzo profundo (DRL) para la optimización de políticas, a menudo se basan en arquitecturas secuenciales y poco acopladas que subutilizan las capacidades generativas y de razonamiento de los LLM.
Recientemente se han explorado grandes modelos de lenguaje para la generación de hipótesis científicas, pero la mayoría de los trabajos anteriores se basan en literatura no estructurada y afirmaciones textuales de forma libre. Presentamos un canal para la observación de la Tierra que fundamenta la generación de hipótesis directamente en el Gráfico de conocimiento de observación de la Tierra de la NASA.
La explicación contrafactual (CE) se utiliza ampliamente para mejorar la interpretabilidad de los modelos de aprendizaje automático y respaldar la toma de decisiones basada en datos basada en predicciones de modelos. Sin embargo, los métodos de EC existentes generalmente requieren dos entradas especificadas exógenamente: un valor de salida deseado (objetivo) y una función de distancia que cuantifica los cambios en las variables explicativas.
Escribe al menos 2 caracteres
Este sitio utiliza cookies esenciales para su funcionamiento y cookies de analisis para mejorar la experiencia. Puedes aceptar todas, solo las esenciales, o personalizar tus preferencias. Politica de Cookies | Politica de Privacidad