media Hugging Face Forums · hace 1 h · open_models

SEMA explora una arquitectura de IA no transformadora utilizando Arquitectura de Símbolos Vectoriales

Traducido del English → Español

SEMA es una arquitectura experimental de IA que investiga si la comprensión del lenguaje y el razonamiento pueden emerger de una estructura semántica explícita en lugar de la predicción del siguiente token. Sirve como un sistema de razonamiento basado en instancias no paramétrico que utiliza Arquitectura de Símbolos Vectoriales (VSA/HDC) sobre memoria direccionable por contenido.

Diseño centrado en CPU con soporte multilingüe por construcción.
Utiliza representaciones internas transparentes en lugar de incrustaciones opacas.
Implementa memoria relacional explícita en lugar de almacenar conocimientos únicamente en pesos neuronales.
Emplea representaciones semánticas composables a través de VSA/HDC.
Utiliza razonamiento basado en grafos en lugar de generación autoregresiva.

El proyecto tiene el código fuente disponible para permitir que los investigadores estudien, reproduzcan y desafíen la arquitectura mientras protegen la continuidad de la investigación independiente.

Importancia 1/3 Confianza 1/3 Hugging Face Forums AI agents Research paper

Artículos relacionados

arxiv arXiv cs.AI · hace 5 d

HealthClaw: agente de código abierto con memoria autoevolutiva para la gestión longitudinal de la salud personal

Los investigadores desarrollaron HealthClaw, una arquitectura de agente de código abierto diseñada para actualizar el soporte a medida que cambian las rutinas, preferencias, mediciones y riesgos de una persona con el tiempo. Separa las reglas de seguridad compartidas y el conocimiento médico de la memoria longitudinal privada que contiene hechos del perfil, procedimientos reutilizables y rastros episódicos.

arxiv arXiv cs.LG · hace 5 d

TRACE mejora el uso de herramientas en agentes de horizonte largo mediante estimación de crédito por turno

Los autores proponen TRACE (Turn-level Reward Assignment via Credit Estimation), un método de asignación de crédito denso para el aprendizaje por refuerzo agéntico que aborda la escasez y alta varianza de las recompensas de resultado en tareas de horizonte largo. Al representar los rollouts como transiciones de estado en los límites de llamadas a herramientas y derivar recompensas por acción a partir de valores de estado con log-ratio, TRACE permite un entrenamiento efectivo sin críticos adicionales ni etapas de ajuste fino supervisado.

arxiv arXiv cs.AI · hace 5 d

El modelo DVM-HALL y la métrica NHAS abordan la lealtad en el comercio autónomo

El artículo presenta el modelo Dynamic Verifiable Multi-Agent Human Agentic Loyalty Loop (DVM-HALL) para abordar cómo los paradigmas tradicionales de lealtad del cliente fallan cuando los agentes de IA ejecutan decisiones de compra de forma autónoma. Propone un marco donde la elección de marca está determinada por la equidad emocional humana, la utilidad agéntica, la confianza calibrada y los riesgos de ejecución verificable en entornos de finanzas descentralizadas.

media Latent Space · hace 6 d

Lila Sciences apunta a la superinteligencia científica mediante laboratorios húmedos guiados por IA

Lila Sciences está construyendo una infraestructura de laboratorio automatizada diseñada para funcionar como un centro de datos, con el objetivo de lograr una superinteligencia científica generando vastas cantidades de datos validados experimentalmente. La empresa trata el laboratorio como un generador infinito de tokens, utilizando robótica guiada por IA y modelos de lenguaje-visión para ejecutar experimentos las 24 horas del día, los 7 días de la semana en biología, química, descubrimiento de fármacos y ciencia de materiales.

arxiv arXiv cs.CL · hace 6 d · 1 vista

MemCon aprende gestión adaptativa de memoria para agentes LLM

Los investigadores presentan MemCon, un marco que modela las operaciones de memoria como un Proceso de Decisión de Markov para aprender una política en línea para la recuperación y consolidación adaptativas en agentes LLM. A diferencia de las heurísticas estáticas, este enfoque decide dinámicamente cuándo y cuánto recuperar según el contexto.