Felipe Maya Muniz de AletheionAGI presenta ASM-CM (Modelo de Memoria Compacta de Aletheion), una arquitectura experimental que separa la memoria del lenguaje para permitir que el historial del agente crezca sin aumentar la memoria computacional activa.
El autor presenta IntelShed, un sistema de código abierto para inteligencia de código abierto (OSINT) que agrega 50 fuentes de datos públicas para producir informes de seguridad automatizados de 24 horas. La arquitectura integra recuperación híbrida, resolución de entidades basada en GNN, aprendizaje federado con privacidad diferencial y orquestación multiagente compilada por LLM.
La actualización TIS 2.0 introduce una capacidad de reordenamiento de pasajes que elimina el sesgo de posición "perdido-en-el-medio" en la generación aumentada por recuperación sin requerir entrenamiento adicional. Al aplicar puntuaciones aprendidas de importancia de tokens para reordenar los documentos recuperados, el sistema logra una brecha de posición cero y mejora la precisión de coincidencia exacta en 5 puntos porcentuales sobre las líneas base.
Una nueva propuesta describe una estructura de memoria LLM que combina el fragmentado tardío con aristas ponderadas por atención para permitir un recorrido paso a paso. El sistema aprovecha el modelo de incrustación de Jina AI, que calcula la atención entre oraciones, para derivar los pesos de las aristas del procesamiento interno del documento.
El autor ha lanzado DESi Review, una aplicación práctica del marco de gobernanza epistémica DESi independiente del modelo, empaquetada como una habilidad instalable de Claude. Esta herramienta ejecuta un pipeline estructurado de revisión de artículos sobre texto en inglés separando la extracción determinista de afirmaciones de la adjudicación basada en modelos.
Un usuario del foro de Hugging Face investiga si los modelos de lenguaje grandes (LLMs) pequeños y específicos del dominio, en el rango de 7B a 14B parámetros, pueden reemplazar eficazmente a modelos más grandes en entornos de producción reales.
Una nueva implementación del chatbot ELIZA utiliza una arquitectura de autoencoder disperso para almacenar entradas de conversación en una capa de memoria latente, con el objetivo de mejorar los métodos tradicionales de coincidencia de palabras clave. El sistema emplea una estructura codificador-decodificador T5 con una capa de memoria de 32,768 neuronas, donde las entradas similares se activan mediante aprendizaje contrastivo.
PaddlePaddle ha presentado HPD-Parsing, un modelo ligero de parsing de documentos con 1.000 millones de parámetros que utiliza un paradigma de Decodificación Paralela Jerárquica para mejorar el rendimiento. La arquitectura coordina la estructura global de la página a través de una rama principal de diseño, mientras distribuye la generación de contenido localizado a ramas concurrentes, utilizando Predicción Progresiva de Múltiples Tokens para reducir los pasos de decodificación.
El autor ha publicado un artículo piloto y un registro abierto en Hugging Face para medir el punto de saturación de evidencia (k*) de los modelos de lenguaje. Esta métrica determina el número óptimo de fragmentos de evidencia para inyectar en los prompts, ya que agregar más contexto no mejora monótonamente la corrección y puede aumentar el costo o la contaminación epistémica.
El contenido del artículo ha sido eliminado por el autor. La página indica que la discusión original constaba de una publicación e involucraba a dos participantes.
Una nueva arquitectura de memoria emplea incrustaciones hiperbólicas para organizar las entradas de la base de datos vectorial mediante una "puntuación de abstracción", permitiendo que los agentes gestionen el conocimiento con mayor eficacia que los sistemas RAG planos. Este enfoque estructura los datos de modo que las entradas abstractas, como las preferencias, se sitúan cerca del centro mientras que los eventos concretos residen en el límite, facilitando un mejor agrupamiento y recuperación.
K7007 presenta ShinBay-UCTF, un marco conceptual que aborda limitaciones en los sistemas de IA respecto a la redundancia multilingüe, la memoria episódica persistente y la adaptación continua. La propuesta describe una arquitectura unificada compuesta por tres capas interactuantes: Universal Compressed Training Format (UCTF), Memoria Episódica Inspirada Biológicamente y Aprendizaje Continuo Impulsado por el Entorno.
RAGU es un motor GraphRAG modular de código abierto que mejora la integración del conocimiento estructurado separando la extracción de entidades de su consolidación. Utiliza un proceso de extracción tipificado en dos etapas, deduplicación respaldada por DBSCAN, resumen con LLM y detección de comunidades Leiden para reducir el ruido y la fragilidad presentes en los sistemas de paso único.
NVIDIA ha lanzado Nemotron 3 Embed, una colección de modelos de incrustación abiertos y comercialmente disponibles diseñados para mejorar la calidad de recuperación para RAG a escala de producción, recuperación agéntica, recuperación de código y memoria de agentes. La colección incluye un modelo de 8B que ocupa el #1 en general en el ranking de RTEB, junto con variantes eficientes de 1B optimizadas para su implementación.
Los autores presentan RAGthoven, un sistema para SemEval-2026 Task 1 que descompone la generación creativa de texto en un pipeline de modelos de lenguaje grandes de múltiples etapas basado en la teoría computacional del humor. La configuración final augmenta el Planner con generación aumentada por recuperación (RAG) a partir de un corpus de chistes curado y evalúa variantes agénticas frente a una línea base no agéntica.
Los autores presentan Apaf, una tubería híbrida LLM-simbólica que operacionaliza el análisis crítico del discurso como un marco de argumentación bipolar cuantitativo sobre texto de política. Los argumentos se clasifican en marcos deliberativos o gerenciales, y cuatro subtipos de relación mediada por marco se producen mediante reglas deterministas sobre características extraídas por LLM.
Este artículo de posición aboga por la autoformalización a nivel de teoría, que implica formalizar teorías completas como bibliotecas estructuradas en lugar de centrarse en enunciados individuales.
Los autores reformulan cinco conjuntos de datos de texto a SQL (Spider, BIRD, BEAVER y dos variantes de LiveSQLBench) como tareas de recuperación de tablas y columnas para evaluar el enlace de esquemas. Proponen un ajuste fino adaptativo al corpus para un embebido de 305M parámetros, lo que eleva la recuperación promedio@10 de 60.4 a 75.6.
Un estudio que utiliza FinTabNet y OmniDocBench demuestra que las señales de LLM-as-a-judge son insuficientes para optimizar la regeneración en bucle cerrado en el reconocimiento de tablas. La investigación revela que las puntuaciones de los jueces frecuentemente empataron, los rangos no fueron reproducibles y el sistema falló al recuperar mejores candidatos producidos por la iteración.
Los investigadores implementaron una canalización de anotación neuronal para el Ryukyuan de Irabu con el fin de automatizar la creación de textos interlineados, abordando el alto costo de la documentación manual. El estudio evaluó la segmentación de morfemas, la etiquetación POS y el glosado utilizando pequeños modelos BiLSTM-CRF bajo una restricción estricta de aproximadamente una hora de discurso anotado.