El autor detalla cómo utilizó Gemini 3.5 Flash, con su enorme ventana de contexto y alta velocidad, para refactorizar una base de código completa y abordar los desafíos de un monolito heredado. La nueva API de Interacciones fue crucial para gestionar los flujos de trabajo con estado sin necesidad de bucles de conversación manuales.
El título sugiere que el ajuste fino de modelos de IA locales utilizando la marca
Los chatbots de IA estándar fallan al convertir tablas financieras complejas de imágenes o escaneos, lo que lleva a errores como columnas desplazadas y números alucinado. Esto sucede porque los LLM multimodales generales no logran preservar diseños de cuadrícula intrincados, lo que requiere pipelines especializados para una extracción de datos precisa y la integridad.
GenericAgent es un framework de Python para crear agentes de IA autónomos y autoevolutivos, permitiendo a los LLM controlar sistemas informáticos locales con un conjunto mínimo de herramientas. Aprende y cristaliza automáticamente las ejecuciones de tareas exitosas en "Habilidades" reutilizables.
Se desarrolló un sistema de IA llamado ECHO para transformar el caos de Slack en un Grafo de Conocimiento viviente, combatiendo el olvido del equipo. Utiliza LLMs para la extracción de entidades, construye relaciones en un grafo y aplica decaimiento temporal para mantener la relevancia de la experiencia del equipo.
TALM (Tool Augmented Language Models) se enfoca en la integración de herramientas externas con grandes modelos de lenguaje para aumentar sus capacidades. Este enfoque permite a los LLMs realizar tareas complejas de manera más efectiva, aprovechando funciones especializadas e interacciones del mundo real.
Este artículo detalla la creación de SIP (State Integrity Protocol), una herramienta diseñada para detectar la deriva de intención y semántica en las salidas de los agentes LLM. Aborda el problema del fallo silencioso de los agentes de IA al verificar automáticamente las discrepancias entre los resultados esperados y los reales.
Este estudio evalúa el rendimiento de estrategias de prompting (chain-of-thought y zero-shot) en LLMs de razonamiento extendido como Grok-4.1, variando la temperatura de muestreo en 39 problemas matemáticos desafiantes. Se encontró que el prompting de disparo cero alcanza su máximo rendimiento a temperaturas moderadas, mientras que el chain-of-thought funciona mejor en los extremos de temperatura, aumentando el beneficio del razonamiento extendido.
Este artículo aborda el problema crítico de los agentes de IA que olvidan información debido a las limitaciones de la ventana de contexto, donde los mensajes más antiguos son eliminados. Destaca que este es un problema de arquitectura de memoria, no de alucinación, y propone ir más allá de tratar la ventana de contexto como la única memoria del agente.
Una nueva investigación sugiere que las "neuronas de alucinación" (H-neurons) que predicen alucinaciones en LLMs no se generalizan entre diferentes dominios de conocimiento. Esto implica que la alucinación podría no ser un mecanismo único con una firma neural universal, sino dependiente del contexto.
Esta investigación explora la mejora de la respuesta a preguntas médicas centradas en el corazón en Modelos de Lenguaje Grandes (LLMs) utilizando la Optimización de Política Relativa de Grupo (GRPO) para el post-entrenamiento. Se propone un Marco de Recompensa Consciente de la Varianza que mejora la supervisión basada en rúbricas con funciones de recompensa analíticas continuas.
El creador construyó autario, una plataforma de datos que hace que más de 2.500 conjuntos de datos públicos verificados de diversas fuentes sean consultables para humanos, aplicaciones y, especialmente, agentes de IA. Esta plataforma busca prevenir las alucinaciones de los LLM al permitir consultas de datos en tiempo real y la publicación de gráficos con información verificada.
Este artículo presenta MedicalBench, un nuevo benchmark para evaluar Modelos de Lenguaje Grandes en la extracción de conceptos médicos de registros de salud electrónicos. Se centra en el razonamiento médico implícito y la fundamentación de evidencia, abordando el desafío de identificar conceptos no declarados explícitamente.
Este artículo de investigación revela que los grandes modelos de lenguaje fallan fundamentalmente en el descubrimiento causal debido a su incapacidad para distinguir entre grafos causales que generan datos observacionales similares. Introduce un "teorema de obstrucción de kernel" para formalizar esta limitación intrínseca de los paradigmas de aprendizaje actuales.
Esta investigación presenta un enfoque de IA generativa mejorado con razonamiento matemático para la derivación de fórmulas de comunicación óptica, centrándose en el modelado de interferencia no lineal de fibra. El estudio reconstruyó expresiones conocidas y derivó una nueva aproximación utilizando un LLM, demostrando consistencia física y precisión práctica.
El artículo propone la anotación legal multi-etiqueta como una tarea de recuperación, utilizando modelos congelados y k-vecinos más cercanos para asignar etiquetas. Este método logra una precisión competitiva y una alta eficiencia de datos en conjuntos de datos legales, reduciendo significativamente los costos computacionales en comparación con el ajuste fino de grandes modelos de lenguaje.
Este artículo presenta la primera encuesta unificada sobre la Exposición de Datos de Preentrenamiento (PDE) en Large Language Models (LLMs), cubriendo la contaminación de datos y la inferencia de membresía. Formaliza PDE, revisa métodos de ataque y defensa, y destaca desafíos futuros para garantizar la integridad de la evaluación y proteger la privacidad.
Presentamos VAMPS, un nuevo benchmark para modelos de lenguaje grandes multimodales (MLLM) centrado en la resolución de problemas matemáticos asistidos visualmente. Contiene 1.168 pares bilingües de preguntas y respuestas de opción múltiple de exámenes de acceso a universidades iraníes, donde la representación gráfica ofrece una estrategia de solución natural.
Este artículo aborda el desafío crítico de los límites de la ventana de contexto de los LLM, lo que provoca que los chatbots olviden información y los agentes pierdan el rumbo, a pesar de que los modelos ofrecen ventanas más grandes. Destaca que simplemente expandir las ventanas de contexto es insuficiente debido a costos prohibitivos y mayor latencia, prometiendo compartir estrategias de producción y sus compensaciones.
O Occursus Benchmark é uma plataforma de benchmarking de código aberto que testa se múltiplas LLMs colaborando podem superar um único modelo. A ferramenta avalia 22 estratégias de orquestração em quatro provedores de LLMs, usando julgamento cego duplo para pontuar a qualidade das saídas.