Un estudio descubre que los modelos de predicción de trayectorias basados en Transformer se degradan significativamente con datos de estado de objetos ruidosos. La precisión disminuye 1.3x bajo ruido leve y hasta 3.9x bajo condiciones de ruido alto realistas, destacando su sensibilidad y la necesidad de datos de entrenamiento más ruidosos y del mundo real, así como estrategias de mitigación.
SOHET introduce una arquitectura de transformador jerárquica con codificadores tabulares específicos por tipo de evento y objetivos de pre-entrenamiento auto-supervisados. Supera a los métodos existentes en un 5.8% en la tarea de detección de fraude de Booking.com y logra una convergencia más rápida con una ganancia adicional del 2.4% del pre-entrenamiento. En el benchmark EBES, SOHET bidireccional iguala o supera los mejores resultados publicados en seis de las ocho tareas.
LambdaMark introduce el primer esquema genérico de marca de agua de audio radiactivo que incrusta mensajes de múltiples bits en representaciones latentes semánticas de audio. Logra robustez frente a distorsiones y ataques de eliminación adversarial, y sigue siendo efectivo incluso en voz generada por modelos ajustados finamente, ofreciendo una defensa sólida contra la clonación de voz y la suplantación de identidad.
Un modelo de aprendizaje automático desarrollado utilizando características clínicas previas a la colonoscopia predice pólipos colorrectales de alto riesgo en afroamericanos. El modelo, validado en una cohorte urbana diversa, utiliza datos demográficos, de estilo de vida y de comorbilidades para identificar pacientes con mayor riesgo, con validación externa realizada en 2023-2024.
Un estudio descubre que las voces de IA sexualizadas en una plataforma comercial refuerzan las expresiones de género binarias y heteronormativas. Las voces codificadas como femeninas se etiquetan con mayor frecuencia con descriptores sexualizados y sumisos, mientras que las voces codificadas como masculinas se asocian con dominancia y rasgos positivos, destacando los desequilibrios de poder de género persistentes en el diseño de voces de IA.
Graph-of-Differences (GoD) introduce representaciones de grafos anatómicos para habilitar la reidentificación de imágenes médicas con fundamentación estructural explícita. Calcula diferencias entre regiones anatómicas nombradas y las alinea con las diferencias del backbone global, proporcionando explicaciones a nivel de estructura clínicamente auditables. GoD mejora la precisión Rank-1 en 7.1 pp en fondos de ojo y 3.1 pp en CXR, con mejor rendimiento en transferencias zero-shot.
EnTrust introduce un marco que trata el conflicto inter-modal como la fuente principal de incertidumbre predictiva en el análisis de imágenes médicas. Descompone las características multimodales en consenso compartido, señales específicas de cada modalidad y señales de conflicto, permitiendo una estimación de incertidumbre calibrada a nivel de píxel mediante un modelo basado en difusión y mapeo de confianza. EnTrust logra la precisión de segmentación más avanzada, reduce el error de calibración en un 40% y supera a los conjuntos profundos (deep ensembles) 5x con la mitad del uso de memoria.
El artículo demuestra que los conceptos latentes pueden ser identificados en el aprendizaje no supervisado a través de la ortogonalidad funcional, una restricción de ortogonalidad sobre el Jacobiano del mapeo generativo. Esta condición permite la identificabilidad en modelos no lineales generales sin necesidad de independencia estadística ni supuestos causales, siempre que el dominio latente soporte todas las combinaciones de factores. Los experimentos con flujos normalizadores confirman la recuperación confiable de los factores verdaderos, ofreciendo una base viable para el aprendizaje de representaciones desentrelazadas.
Un estudio evalúa seis LLMs en la detección de vulnerabilidades web del mundo real en plugins de WordPress, encontrando que las tasas de detección varían según el modelo y el diseño del prompt. Claude Opus 4.6 logró la tasa de detección más alta con un 63%, mientras que Qwen 3.5 solo alcanzó un 35%, y ningún modelo identificó consistentemente todas las vulnerabilidades de referencia a través de las iteraciones.
La supervisión actual de los agentes LLM se basa en puntuaciones de riesgo escalares, pero esto no logra capturar si una intervención mejora los resultados. El artículo introduce "ventaja de intervención" como la métrica clave, demostrando que el control condicionado a la acción supera al enrutamiento escalar en benchmarks, con una reducción significativa del arrepentimiento en regímenes interactivos. La calibración por sí sola no resuelve la discrepancia subyacente en el rendimiento del control.
SwarmX introduce predictores neuronales para habilitar la programación consciente del prompt en sistemas de IA agéntica. Reduce la latencia de cola hasta un 61,5 % y mantiene hasta 2x el throughput de los programadores de producción bajo los mismos objetivos de nivel de servicio.
Los estudios muestran que la información engañosa puede hacer que los agentes LLM rindan peor que sin ninguna información. En HotpotQA, Qwen2.5-7B baja de 44.8 a 4.7 F1 bajo recuperación desordenada, a pesar de tener herramientas limpias. Estos resultados indican que las ganancias por el uso de herramientas pueden estar exageradas y que los controles sin información son esenciales para una evaluación válida.
Un estudio compara modelos de difusión 2D y 3D para generar imágenes sintéticas de rayos X. Muestra que los rayos X sintéticos basados en difusión 2D pueden entrenar modelos de IA para desempeñarse tan bien como los modelos entrenados con rayos X reales, ofreciendo una ruta viable hacia conjuntos de datos grandes y diversos sin depender de datos reales de pacientes.
MIRCaps introduce un conjunto de datos multimodal a gran escala con 141.364 imágenes, 981.947 descripciones a nivel de imagen, 1.742.264 descripciones a nivel de región y 5.391.779 anotaciones de cajas delimitadoras. Permite el aprendizaje fino de visión y lenguaje al proporcionar descripciones detalladas para categorías de objetos, tamaños, colores, acciones y contexto ambiental, y demuestra efectividad en tareas de descripción de imágenes y detección de objetos.
Un estudio empírico encuentra que los modelos Mixture-of-Experts no superan consistentemente a los modelos densos en hardware de consumo o edge. En el Apple M2 Pro, OLMoE-1B-7B es solo un 10% más lento que un modelo denso comparable, mientras que en el NVIDIA Jetson Orin Nano, es un 31% más lento con 2.1 veces más energía por token, debido a restricciones de memoria y KV-cache. Los resultados indican que los beneficios de la activación dispersa están limitados por la huella de memoria del total de parámetros, especialmente en dispositivos edge limitados por ancho de banda.
AutoRAS propone un marco para diseñar automáticamente sistemas agénticos robustos generando secuencias de primitivas simbólicas que codifican tanto la conectividad estructural como las acciones conductuales. Optimiza estas secuencias utilizando señales de seguridad de la ejecución y objetivos basados en flujos, logrando un rendimiento superior tanto en condiciones normales como adversarias con una degradación mínima bajo ataques.
CORTIS permite que los agentes de voz orientados a tareas generen salidas de habla estructuradas mediante el ajuste fino de modelos de lenguaje hablado utilizando únicamente supervisión de tareas en formato texto. Supera a las cascadas ASR-LLM bajo degradación acústica, especialmente en la preservación de la semántica de alto nivel de la tarea, sin requerir anotaciones emparejadas de habla-objetivo durante el entrenamiento.
Una evaluación de referencia con 240 elementos de prueba en árabe en ocho dominios y diez habilidades evalúa doce modelos de lenguaje pequeños en configuraciones zero-shot. Gemma 3 (12B) obtuvo la puntuación general más alta (4.548/5), seguido por Aya y C4AI Command Arabic, con un rendimiento vinculado más a la alineación con el árabe y al seguimiento de instrucciones que al tamaño del modelo. Los modos de fallo comunes incluyen filtración de prompt, alucinación y débil adherencia a la tarea.
Un clasificador de voz preentrenado se reutiliza como columna vertebral para la generación de voz guiada por difusión. Al adjuntar una subred ligera y entrenarla bajo emparejamiento de puntuaciones de denoising, el enfoque logra alta calidad de voz con menor costo de memoria y computacional, utilizando un único modelo en lugar de dos componentes entrenados por separado.
Un modelo bayesiano jerárquico que utiliza 55 características ambientales conscientes del contexto reduce el error de predicción al 1.27% en datos de FIV, en comparación con el 3-5% obtenido con promedios crudos de sensores. El modelo alcanza un R2 = 0.86 en datos no vistos y reduce el error en un 64% para mujeres de 35 a 39 años, mostrando una señal clínica transferible entre clínicas.