media MarkTechPost · hace 1 d · releases

Yandex reemplaza una cascada de recomendación de más de 15 etapas con un único modelo generativo Sona

Traducido del English → Español

Yandex ha presentado Sona, un modelo de IA generativa que consolida la generación de candidatos y el ranking en un solo sistema, reemplazando las tradicionales cascadas de recomendación multi-etapa. La empresa probó esta arquitectura en un experimento en producción en vivo de siete días en sus altavoces inteligentes.

Reemplazó más de 15 generadores de candidatos, etapas de pre-ranking y ranking con un único transformer desplegado.
Elimina las características diseñadas a mano utilizando únicamente campos de eventos registrados e IDs semánticos aprendidos.
Utiliza un Teacher Ranker congelado de 0.6B parámetros para la destilación durante el entrenamiento, que se elimina en el momento del despliegue.
Logró +4.53% de Usuarios Activos, +6.30% de Tiempo Total de Escucha y +11.42% de Me gusta en pruebas A/B en línea.
Superó al sistema Argus anterior con un aumento del 2.35x en Usuarios Activos.

El modelo demuestra que un único recomendador generativo puede reemplazar eficazmente cascadas complejas mientras mejora las métricas de compromiso del usuario.

Importancia 2/3 MarkTechPost Research paper Retrieval & RAG

Artículos relacionados

arxiv arXiv cs.AI · hace 7 d · 29 vistas

RareDx utiliza la optimización de políticas basada en grafos para mejorar el diagnóstico de enfermedades raras

Los autores presentan RareDx, un sistema que combina el uso controlado de evidencia con la optimización de políticas fundamentada en grafos de conocimiento para abordar el problema de razonamiento de cola larga del diagnóstico de enfermedades raras. La tubería de entrenamiento combina Top-10 post-entrenamiento con RareDx-KGPO, que proyecta las predicciones en un grafo canónico de enfermedades e integra relevancia graduada curada, proximidad ontológica, similitud biomédica y consistencia fenotípica.

arxiv arXiv cs.AI · hace 8 d · 48 vistas

Highlight-Then-Summarize comprime la evidencia para mejorar la comprensión de contexto largo

Los investigadores proponen Highlight-Then-Summarize (H2S), un paradigma de compresión-antes-de-razonar que identifica la evidencia relevante para la pregunta y la integra en un resumen compacto antes de generar una respuesta. El equipo construye H2S-Dataset con 6,647 ejemplos e introduce H2S-RL para proporcionar recompensas a nivel de proceso para la selección de evidencia.

arxiv arXiv cs.CL · hace 8 d · 36 vistas

Highlight-Then-Summarize comprime la evidencia para una mejor comprensión de contextos largos

Los investigadores proponen Highlight-Then-Summarize (H2S), un paradigma de compresión-razonamiento que identifica la evidencia relevante a la pregunta y la integra en un resumen compacto antes de generar una respuesta. Para apoyar este enfoque, el equipo construyó H2S-Dataset con 6.647 ejemplos de 11 familias de benchmarks e introdujo H2S-RL para recompensas a nivel de proceso.

media Hugging Face Forums · hace 9 d · 37 vistas

Los modelos JEPA biológicos utilizan restricciones biológicas para modelar la progresión de enfermedades

Un nuevo proyecto de código abierto llamado Biological JEJA combina el aprendizaje de representaciones al estilo JEPA con restricciones biológicas para modelar cómo progresan las enfermedades a lo largo del tiempo. El enfoque se probó en datos reales de ADNI de 2,347 pacientes y se comparó con varios otros modelos.

arxiv arXiv cs.CL · hace 12 d · 34 vistas

R3Con aplica principios de realización de relevancia para mejorar el razonamiento a gran escala

Los investigadores proponen R3Con, un arnés que operacionaliza los principios de la teoría cognitiva para construir representaciones efectivas de contextos muy grandes. El sistema aborda el desafío de ensamblar información interdependiente dispersa en fuentes vastas más allá de los límites de contexto estándar del modelo.