Skill-MAS introduce un nuevo enfoque que desacopla la retención de experiencia de las actualizaciones paramétricas modelando la orquestación como una Meta-Habilidad evolutiva. Utiliza un proceso de bucle cerrado que involucra rollouts multi-trayectoria y reflexión selectiva para destilar principios de estrategia reutilizables, logrando fuertes mejoras de rendimiento y transferibilidad robusta entre tareas y LLMs.
WorldLines presenta una evaluación basada en proyectos para la asistencia doméstica encarnada en horizontes temporales largos, capturando secuencias extendidas del hogar con diálogos, acciones y cambios de estado. Permite muestras vinculadas a evidencia para Memoria QA y Planificación de Tareas Encarnadas, y propone ObsMem, un marco de memoria basado en observadores que soporta memorias conscientes de la visibilidad y decisiones conscientes del estado. Los experimentos destacan los desafíos en la observabilidad parcial y la traducción de memoria, con ObsMem proporcionando una arquitectura de referencia más sólida para este tipo de entornos.
ImpSH, un marco basado en tripletes, alinea publicaciones con declaraciones implícitas y utiliza negativos semi-duros acotados por contexto para mejorar la detección de discurso de odio implícito. Evaluado en IHC, SBIC y DynaHate con BERT y HateBERT, ImpSH supera a los métodos contrastivos supervisados estándar en configuraciones de dominio cruzado, mostrando una generalización y estabilidad mejoradas.
KinemaForge infiere conjuntamente la forma a nivel de partes, la topología de las articulaciones y los parámetros a partir de secuencias RGB-D utilizando un grafo de restricciones cinemáticas y un solucionador de ejes de tornillo diferenciable. Valida los resultados con un verificador consistente en energía, reduciendo el error del eje de la articulación y la deriva de la simulación, mientras mejora el éxito de la manipulación en bucle cerrado en 14,6 puntos porcentuales sobre Ditto.
Un marco de aprendizaje semi-supervisado de meta-retroalimentación permite escalar el frenado automático de emergencia utilizando datos masivos de flotas no etiquetados. El enfoque estabilizado reduce los errores de pseudo-etiquetas mediante desacoplamiento consciente del ruido y pseudo-etiquetado con compuerta cinemática, mejorando la seguridad con una relación de activaciones positivas a falsas de 100:1 y un 35% más de kilómetros de conducción sin accidentes en comparación con los sistemas basados en reglas.
Xcientist presenta un marco de investigación que externaliza y hace visibles los procesos de razonamiento en los científicos de IA. Preserva artefactos de investigación trazables y gobernados por contratos, desde la formulación del problema hasta la validación, abordando la deriva de las afirmaciones y asegurando la responsabilidad científica.
Se propone una red neuronal consciente del cambio de dominio para estimar masas desbalanceadas en sistemas rotativos bajo condiciones variables. El modelo utiliza la discrepancia media máxima para alinear las representaciones de características entre diferentes dominios operativos, mejorando la precisión de la predicción cuando los comportamientos del sistema difieren de las condiciones de entrenamiento. Los resultados muestran su efectividad en aplicaciones de monitoreo de salud estructural.
BeliefDiffusion combina modelos de difusión para la representación de creencias multimodales con Control Predictivo basado en Modelos (MPC) para la planificación de navegación a largo plazo. Supera al aprendizaje por refuerzo sin modelo y a otros métodos generativos en el éxito de la navegación y la eficiencia del camino en entornos parcialmente observables.
SGCD introduce un marco iterativo para mejorar los agentes GUI abordando las brechas de supervisión en estados fuera de trayectoria. Extrae habilidades tanto de rollouts exitosos como fallidos, utilizándolas para guiar continuaciones de políticas que se mezclan con trayectorias expertas. En OSWorld-Verified, SGCD aumenta las tasas de éxito de tres modelos base desde el 30% bajo hasta más del 50%.
SAERec construye priors de intención de gran detalle e interpretables a partir de corpus textuales utilizando autoencoders dispersos para desentrañar la semántica relacionada con la intención. Recupera intenciones tanto personales como públicas para los usuarios, guiando las recomendaciones con explicaciones comprensibles para humanos y supera a los modelos más avanzados en conjuntos de datos públicos.
Un estudio revela que los modelos de lenguaje grandes tienen dificultades para interpretar la negación en el lenguaje figurado. El rendimiento varía significativamente según el estilo del prompt, lo que destaca una limitación clave en la comprensión de estructuras lingüísticas complejas por parte de los modelos actuales.
TransitNet, un marco compacto de aprendizaje profundo aumentado con atención, alcanza un 95,2 % de precisión en búsquedas ciegas de tránsitos con baja relación señal-ruido, superando a TLS y BLS en valores de ROC-AUC y PR-AP. Recupera el 93,0 % de los tránsitos inyectados del tamaño de la Tierra y sub-Tierra, con el 97,4 % de los tránsitos inyectados completamente cubiertos por las ventanas de tránsito estimadas, y recupera con éxito los 34 planetas confirmados de Kepler con un error medio en el punto medio de 1,24 horas.
SciRisk-Bench introduce una evaluación de referencia para evaluar la seguridad de IA4Science mediante la evaluación de modelos en 7 disciplinas, 31 subdisciplinas y 10 dimensiones de riesgo. Evalúa tanto LLMs mainstream como orientados a la ciencia para identificar brechas específicas en el reconocimiento y la evitación de riesgos dentro de contextos científicos de alto riesgo.
La fundamentación de búsqueda desacoplada (DSG) separa la funcionalidad de búsqueda de los modelos de razonamiento, permitiendo una fundamentación de búsqueda agnóstica al proveedor, ajustable y reutilizable. DSG logra una precisión casi nativa en SimpleQA con un 91% menos de costo de búsqueda y una tasa de acierto en caché caliente del 99.4%, mientras reduce la latencia en un 68% y preserva los contratos de salida concisos.
RTSGameBench aborda las limitaciones de los benchmarks de RTS existentes ofreciendo una jugabilidad diversa, diagnóstico de competencias específicas y generación de escenarios autoevolutivos. Evalúa modelos de visión y lenguaje en el razonamiento estratégico bajo incertidumbre, revelando que los modelos de última generación tienen dificultades con la coordinación multiagente y tareas a gran escala.
Un benchmark controlado no encontró ganancia significativa de rendimiento de modelos generativos cuánticos en aumento de resonancia magnética cerebral. Las muestras sintéticas producidas por GANs cuánticas y clásicas fueron estadísticamente indistinguibles, mostrando ambas colapso de modo y muestras fuera de distribución, especialmente a fracciones bajas de datos. El estudio concluye que el aumento cuántico no proporciona expansión significativa de datos y actúa más como regularización.
CAPRA es un sistema de LLM multiagente que genera retroalimentación en LaTeX personalizada y conforme a plantillas sobre entregables de arquitectura de software. Utiliza agentes especializados, PyMuPDF y gpt-4o para extraer y analizar texto y diagramas UML, con anclaje de evidencia y gestión de consistencia para garantizar la fiabilidad. Una evaluación preliminar de 10 informes estudiantiles muestra que CAPRA cumplió el 88.8% de ocho criterios y logró un acuerdo moderado entre evaluadores (kappa = 0.582), con cada informe procesado en menos de 4 minutos.
ThinkDeception introduce un marco de aprendizaje por refuerzo progresivo que permite la detección de engaño multimodal interpretable. Aprovecha un conjunto de datos de Cadena de Pensamiento anotado paso a paso y propone la Optimización de Política Relativa Grupal Visual-Audio con un currículo dinámico, mejorando la calidad del razonamiento y superando a los métodos existentes en benchmarks principales.
G-IdiomAlign introduce un benchmark con pivote de glosa que utiliza glosas en inglés de Wiktionary para anclar los modismos. Incluye protocolos de equivalencia de opción múltiple controlada y generación contrastiva de glosas, mostrando que las glosas mejoran el rendimiento en la alineación semántica basada en embeddings, aunque los resultados siguen siendo modestos, lo que indica un potencial significativo de mejora en la generación de modismos multilingües.
TRAP evalúa qué tan bien los modelos completan tareas utilizando datos privados sin filtrarlos. En 22 modelos, todos muestran una filtración de privacidad no trivial, con la capacidad de seguir instrucciones vinculada a una mayor filtración. El aislamiento estructural de campos privados previene la filtración reemplazando los campos privados con claves hash, manteniendo la precisión de la tarea sin sacrificar la privacidad.