LATIDIA / EXPLORAR
Modelos y chatbots · noticias de IA
Publicaciones relacionadas, con las más nuevas primero y acceso al archivo.
Últimas noticias relacionadas
Desde enero de 2026. Archivo recuperado: 1315 publicaciones en este filtro; cobertura parcial de las fuentes accesibles. Una nueva noticia aparece primero sin cambiar la fecha de las anteriores.
Este año · Todo el archivo conservado
¿Qué deben recordar los agentes incorporados? Evaluación comparativa y evaluación de la modalidad de memoria para agentes incorporados
arXiv: 2610.12561v1Announce Type: new Resumen: La memoria permite a los agentes del modelo de lenguaje grande (LLM) utilizar la experiencia pasada, a menudo almacenada como registros textuales, al responder a las solicitudes. Para agentes encarnados que controlan el robot
arXiv · cs.ROModelos vulnerables en la cadena de suministro de IA: un estudio empírico de patrones de adopción, propagación y uso
arXiv:2610.12893v1 Tipo de anuncio: nuevo Resumen: La rápida integración de los modelos de Inteligencia Artificial (IA) ha establecido una cadena de suministro compleja, pero muchos de estos artefactos compartidos albergan vulnerabilidades graves como
arXiv · cs.CRToFu: Explotar y difuminar el límite de LLM-Orchestrator-Tool Trust
arXiv:2610.13651v1 Anuncio Tipo: nuevo Resumen: Los modelos de lenguaje grandes (LLM) se implementan cada vez más como agentes que interactúan con software externo a través de herramientas, con una capa de orquestación que traduce las salidas del modelo.
arXiv · cs.CRModelo de Lenguaje Grande Federado Bizantino-Resiliente a través del Paso de Mensajes Hipergráficos
arXiv:2610.12711v1 Anuncio Tipo: cruzado Resumen: Los modelos de lenguaje grandes federados (FedLLM) prometen ofrecer inteligencia colaborativa que preserve la privacidad. El proceso de entrenamiento descentralizado es vulnerable a Byz
arXiv · cs.CRVEPA: Política formal verificada y en evolución para establecer medidas de protección para los agentes de LLM de por vida.
arXiv:2610.12813v1 Announce Type: cross Resumen: Los agentes de LLM operan cada vez más sobre recursos sensibles, como documentos privados y estados mutables del sistema, lo que puede crear graves riesgos de seguridad. Tiempo de ejecución
arXiv · cs.CRAutoControl Arena: Sintetización de entornos de prueba ejecutables para la evaluación de riesgos de IA en la frontera
arXiv: 2603.07427v3Tipo de Anuncio: replace-cross Resumen: A medida que los Modelos de Lenguaje Grande (LLM) evolucionan hacia agentes autónomos, las evaluaciones de seguridad existentes se enfrentan a una compensación fundamental: los puntos de referencia manuales son costosos, mientras que los LLM-b
arXiv · cs.CRFidelidad sin anclajes: un documento de posición sobre los desajustes estructurales de las métricas de fidelidad de IA explicables para la importancia de las características
arXiv: 2610.12493v1Tipo de anuncio: nuevo Resumen: Las herramientas de Inteligencia Artificial Explicable (XAI) a menudo se han presentado como métodos para aumentar la confianza en los modelos de aprendizaje automático al hacer que los aspectos de sus algoritmos sean más
arXiv · cs.AIConstrucción automatizada fiel y completa asistida por LLM de gráficos jerárquicos de conocimiento de hardware
arXiv: 2610.12762v1Announce Type: new Resumen: Las hojas de datos de hardware contienen especificaciones de ingeniería esenciales para la selección de componentes, la integración del sistema y la verificación de compatibilidad de hardware. Sin embargo, inspe manual
arXiv · cs.AIEvoBelief: modelos mundiales falsificables para agentes de LLM que se mejoran a sí mismos
arXiv: 2610.12789v1Tipo de anuncio: nuevo Resumen: Los agentes de LLM en evolución suelen mejorar su forma de actuar a través de la experiencia, la reflexión o las habilidades acumuladas. Sin embargo, incluso los agentes con capacidad procesal pueden fallar cuando su beli
arXiv · cs.AIMitigar la degradación de la capacidad en la auto-mejora de LLM a través de la regularización de la geometría de representación
arXiv:2610.12855v1 Tipo de anuncio: nuevo Resumen: La autodestilación en la política es un paradigma de auto-mejora que permite a los grandes modelos de lenguaje (LLM) mejorar sus capacidades aprovechando el mismo modelo que ambos teac
arXiv · cs.AICoordinación Multi-LLM mediada por un verificador para la planificación de rutas de múltiples robots
arXiv: 2610.12761v1Tipo de anuncio: nuevo Resumen: Los modelos de cimentación se utilizan cada vez más para la planificación de tareas multirobot de alto nivel, pero los planes simbólicos generados de forma independiente pueden volverse inviables conjuntamente después de la geometría
arXiv · cs.ROAprendizaje colaborativo y razonamiento sobre rebanadas modelo
arXiv: 2610.12927v1Tipo de anuncio: nuevo Resumen: los modelos de lenguaje grandes (LLM) sobresalen en diversas tareas, beneficiándose de los conocimientos previos, el razonamiento en contexto y el cálculo del tiempo de prueba. A pesar de estas fortalezas, solo
arXiv · cs.AIAprender más formando menos: contracción progresiva guiada por la incertidumbre para un razonamiento eficiente después de la formación
arXiv: 2610.12933v1Tipo de anuncio: nuevo Resumen: Los modelos de lenguaje grandes han logrado avances notables en el razonamiento complejo. Sin embargo, el razonamiento de escala posterior a la capacitación con cuerpos cada vez más grandes puede aumentar sustancialmente el
arXiv · cs.AIMathVis: ¿Puede la IA razonar a través del dibujo? Un punto de referencia para la generación de figuras matemáticas
arXiv: 2610.12954v1Announce Type: new Resumen: Este artículo presenta MathVis, un punto de referencia diseñado para evaluar la capacidad de los LLM para visualizar problemas matemáticos de frontera y realizar razonamiento asistido por diagrama. El benchm
arXiv · cs.AISmartSalesBench: un punto de referencia multivuelta consciente de la resistencia para evaluar a los agentes de ventas de LLM
arXiv: 2610.12975v1Tipo de anuncio: nuevo Resumen: Presentamos SmartSalesBench, el primer punto de referencia conversacional de varios turnos explícitamente diseñado para evaluar a los agentes de ventas del modelo de lenguaje grande (LLM) contra psicológicamente gr
arXiv · cs.AIActualización de creencias conscientes de la procedencia en los bucles de retroalimentación de la IA humana
arXiv:2610.13008v1 Tipo de anuncio: nuevo Resumen: En la interacción humana-AI repetida, una sola observación puede citarse, resumirse y devolverse a un modelo como múltiples informes, haciendo que la repetición parezca corro independiente
arXiv · cs.AILa atención ve, el MLP se niega: rastreo de la ruta de seguridad de la atención al MLP en los LLM
arXiv: 2610.13078v1Tipo de anuncio: nuevo Resumen: Los modelos de lenguaje grande (LLM) alineados con la seguridad siguen siendo vulnerables a los jailbreaks y pueden rechazar en exceso las solicitudes benignas. Comprender estas fallas requiere distinguir harmfu
arXiv · cs.AIDRYLAB-Bench: Evaluación comparativa del riesgo de bioseguridad del diseño de mutaciones genéticas de LLM
arXiv: 2610.13116v1Tipo de anuncio: nuevo Resumen: A medida que los modelos de lenguaje grandes (LLM) adquieren capacidades avanzadas de diseño biológico, ofrecen beneficios sustanciales de investigación pero al mismo tiempo introducen riesgos graves de doble uso
arXiv · cs.AIOrquestación consciente de la competencia para sistemas multiagente basados en LLM
arXiv: 2610.13144v1Tipo de anuncio: nuevo Resumen: Los sistemas multiagente (MAS) basados en LLM han surgido como un paradigma prometedor para mejorar el razonamiento complejo a través de la especialización y la colaboración de roles, pero un desafío clave
arXiv · cs.AIRoleWorld: Transferencia de conocimiento en el modelado del mundo con abstracciones de roles funcionales
arXiv: 2610.13172v1Tipo de anuncio: nuevo Resumen: Los modelos mundiales permiten a los agentes del modelo de lenguaje grande (LLM) anticiparse a los efectos de la acción y tomar decisiones informadas. Para la generalización, es deseable que tales modelos mundiales
arXiv · cs.AIAdaC-GRPO: Hacia el dominio de los rompecabezas de sudoku visual de largo horizonte a través del aprendizaje curricular adaptativo
arXiv: 2610.13184v1Tipo de anuncio: nuevo Resumen: Si bien el aprendizaje por refuerzo con recompensa verificable (RLVR) mejora el razonamiento en modelos de lenguaje grandes, su eficacia en tareas multimodales de largo horizonte sigue siendo poco explorada.
arXiv · cs.AIOlvidar no siempre es malo: un mecanismo de reparación de la memoria neuroinspirado para agentes de LLM envenenados
arXiv: 2610.13267v1Announce Type: new Abstract: Los agentes del modelo de lenguaje grande (LLM) son muy vulnerables a los ataques de envenenamiento de la memoria. Las defensas existentes se basan principalmente en módulos externos para el aislamiento de la memoria estática
arXiv · cs.AIWeb$Hell: una interfaz unificada para un acceso web ágil
arXiv: 2610.13416v1Tipo de anuncio: nuevo Resumen: los agentes del modelo de lenguaje grande (LLM) se están convirtiendo en usuarios directos de la web abierta. A medida que asumen tareas cada vez más complejas e intensivas en información, el acceso web efectivo es
arXiv · cs.AIIntervención en el tiempo de implementación: desbloquear el aprendizaje de refuerzo antigénico más allá de los límites de las políticas
arXiv: 2610.13438v1Tipo de anuncio: nuevo Resumen: El aprendizaje por refuerzo (RL) se ha convertido en un paradigma clave para mejorar los agentes del modelo de lenguaje grande (LLM), lo que permite un razonamiento, planificación y uso de herramientas más sólidos en la interacción
arXiv · cs.AI