El artículo trata sobre la construcción de un escenario financiero multi-modelo utilizando modelos pequeños, con la colaboración de cinco laboratorios. Este trabajo explora la aplicación de múltiples inteligencias artificiales para crear un "drama" financiero.
Este artículo presenta el "impuesto de restricción", un protocolo de medición para cuantificar la pérdida de precisión de la respuesta causada por las restricciones de salida estructuradas en Pequeños Modelos de Lenguaje (SLMs). Demuestra que para los SLMs, imponer tales restricciones mejora la validez del esquema pero puede comprometer la corrección de la respuesta subyacente.
Este contenido ofrece un análisis curado de los mejores modelos de lenguaje pequeños disponibles en Hugging Face. Detalla sus capacidades, los benchmarks que respaldan sus afirmaciones y el código para empezar a usarlos.
Esta investigación presenta un marco implementable localmente que permite a modelos de lenguaje pequeños extraer entidades clínicas sensibles a la privacidad de notas dentales no estructuradas mediante indicaciones auto-generadas y refinadas. El estudio evaluó modelos de código abierto, logrando altas puntuaciones F1 con Qwen2.5-14B-Instruct y Llama-3.1-8B-Instruct después de un ajuste fino supervisado y optimización directa de preferencias.
Esta investigación presenta Terminus-4B, un modelo de lenguaje pequeño ajustado, para explorar su capacidad de reemplazar LLMs de frontera en tareas de ejecución de terminal agéntico. El modelo es post-entrenado usando SFT y RL con recompensas basadas en rúbricas de LLM como juez.
Este contenido explora el concepto de construir agentes de IA utilizando modelos de lenguaje pequeños y locales. Desafía la visión tradicional de que solo las grandes empresas tecnológicas pueden desarrollar soluciones de IA tan avanzadas.
