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: 1325 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
LLM-Guided Transformation of Non-Critical Driving Scenes into Safety-Critical Scenarios Using Augmented Reality
arXiv: 2609.20318v1Announce Type: new Abstract: Testing Autonomous Driving Systems (Ads) requiere escenarios críticos de seguridad realistas, pero la recopilación de dichos datos de la conducción en el mundo real es costosa e insegura. Este documento presenta
arXiv · cs.ROUna plataforma de simulación para la recuperación de fallas de AUV: exploración de estrategias de diagnóstico basadas en LLM
arXiv: 2609.20620v1Tipo de anuncio: nuevo Resumen: Los vehículos subacuáticos autónomos (AUV) que operan más allá de las comunicaciones confiables deben recuperarse de fallas sin intervención humana. Investigamos una arquitectura en whic
arXiv · cs.RODe la intención a la acción: evaluación comparativa de la seguridad de LLM en la autorización del comando de voz del vehículo
arXiv: 2609.19630v1Tipo de anuncio: Cross Resumen: Los modelos de lenguaje grande (LLM) están cada vez más integrados en los asistentes de voz de los vehículos. Pero vincular las solicitudes en lenguaje natural con las funciones del vehículo crea un crítico de seguridad
arXiv · cs.ROPAPC: Mediación de plataforma para externalidades de privacidad y propagación en flujos de trabajo mediados por IA
arXiv: 2609.19226v1Tipo de anuncio: nuevo Resumen: las plataformas mediadas por IA coordinan el trabajo a través de agentes de LLM que actúan para diferentes directores. En estos flujos de trabajo, se puede crear una pérdida de privacidad antes de que aparezca una respuesta final: a m
arXiv · cs.CRCOARTADA: Inyección de legitimidad contradictoria en entrada binaria contra analizadores de malware LLM
arXiv: 2609.19722v1Tipo de anuncio: nuevo Resumen: Los grandes modelos de lenguaje se están integrando en los flujos de trabajo de triaje de malware como componentes de razonamiento que resumen la evidencia estática y producen veredictos orientados al analista. Esta pa
arXiv · cs.CREl silencio es respaldo: verificación: lavado de estado en las tuberías de agentes de LLM
arXiv: 2609.20211v1Tipo de anuncio: nuevo Resumen: Los monitores de seguridad en los sistemas de agentes LLM a menudo juzgan las acciones a partir de resúmenes o traspasos almacenados, no de la evidencia original. Esto crea un modo de falla simple pero peligroso
arXiv · cs.CRCuanto más dice, más paga: una auditoría de caja negra de la inflación de tokens del lado del proveedor en los servicios de LLM
arXiv: 2609.20370v1Tipo de anuncio: nuevo Resumen: En los servicios LLM de pago por token, cuanto más dice un modelo, más pagan los usuarios. Los proveedores deshonestos pueden manipular encubiertamente la generación para inflar los tokens de salida mientras pres
arXiv · cs.CRHuellas dactilares Modelos de lenguaje grandes multimodales
arXiv:2609.20457v1 Tipo de anuncio: nuevo Resumen: Si bien los modelos multimodales de lenguaje grande (MLLM) permiten una amplia gama de tareas de razonamiento imagen-texto, los incidentes recientes indican que son vulnerables a la implementación ilícita a
arXiv · cs.CRResolución de mundo cerrado contra la alucinación de herramientas en agentes de LLM
arXiv: 2609.19425v1Announce Type: cross Resumen: Los agentes del modelo de lenguaje grande (LLM) aumentados por herramientas fallan de una manera que no hay direcciones del método de selección de herramientas o seguridad de herramientas: llaman a herramientas que no existen y pasan argumentos n
arXiv · cs.CRSeguridad más allá de la interfaz: detección de daños a través de estados latentes en modelos de lenguaje grandes
arXiv: 2609.19472v1Tipo de Anuncio: Cross Resumen: Los sistemas autónomos dependen cada vez más de los Modelos de Lenguaje Grande (LLM), sin embargo, la infraestructura de seguridad que rodea a estos modelos introduce latencia y sobrecarga de cómputo. Esto
arXiv · cs.CRKUDA: Desaprendizaje de conocimientos mediante la representación desviada para modelos de lenguaje grandes
arXiv: 2602.19275v3Tipo de anuncio: reemplazar Resumen: Los modelos de lenguaje grandes (LLM) adquieren una gran cantidad de conocimiento a través de la capacitación previa en cuerpos vastos y diversos. Si bien esto dota a los LLM de sólidas capacidades en ge
arXiv · cs.CRAtaques automatizados de inferencia de membresía (AutoMIA): descubrimiento de cálculos de señales MIA utilizando agentes LLM
arXiv: 2603.19375v2Tipo de anuncio: reemplazar Resumen: Los ataques de inferencia de membresía (mias), que permiten a los adversarios determinar si puntos de datos específicos formaban parte del conjunto de datos de entrenamiento de un modelo, han surgido como un impo
arXiv · cs.CREvaluación de agentes de búsqueda profunda bajo envenenamiento jerárquico de evidencia web
arXiv: 2609.06027v2Tipo de anuncio: reemplazar Resumen: Los agentes LLM aumentados por búsqueda se utilizan cada vez más para las decisiones de los consumidores, lo que los hace vulnerables al envenenamiento por Optimización Generativa de Motores (GEO). Puntos de referencia existentes
arXiv · cs.CRMAS-Shield: un marco de defensa para un LLM MAS seguro y eficiente
arXiv:2511.22924v3 Tipo de anuncio: replace-cross Resumen: Los sistemas multiagente (MAS)basados en el modelo de lenguaje grande (LLM) son susceptibles a ataques lingüísticos que pueden desencadenar fallos en cascada en toda la red.
arXiv · cs.CRMAPLE: Evolución del lenguaje privado con metadatos aumentados
arXiv:2603.19258v3 Announce Type: replace-cross Abstract: Differentially private (DP) fine-tuning of large language models (LLMs) requires massive compute and full model access, which rules out of state-of-the-art proprieta
arXiv · cs.CR¿Qué esperamos de los LLM? Mapeo del diseño de puntos de referencia de LLM
arXiv:2609.19182v1 Tipo de anuncio: nuevo Resumen: Los puntos de referencia son fundamentales para evaluar y comunicar el progreso en los modelos de lenguaje grandes (LLM). Sin embargo, las clasificaciones de modelos por sí solas revelan poco sobre cómo el requisito de evaluación
arXiv · cs.AICaracterización de la búsqueda web por agentes conversacionales de LLM: desde decisiones y estrategias de búsqueda hasta resultados y respuestas
arXiv: 2609.19244v1Announce Type: new Resumen: Los agentes de LLM conversacional dependen cada vez más de la búsqueda web, sin embargo, el ciclo de vida de extremo a extremo de la búsqueda agéntica sigue siendo poco conocido. Presentamos el primer estudio de Web searc
arXiv · cs.AIQVAC Genesis III: un corpus STEM sintético abierto a gran escala y de alta calidad para una capacitación previa eficiente del modelo de lenguaje
arXiv: 2609.19513v1 Tipo de anuncio: nuevo Resumen: Los datos previos a la capacitación de alta calidad son un cuello de botella crítico para los modelos de lenguaje educativos y específicos de STEM dirigidos a la IA perimetral y la implementación en el dispositivo donde los presupuestos de tokens son
arXiv · cs.AILLM-as-an-Improver: Convertir la verificación en mejores candidatos
arXiv:2609.19515v1 Announce Type: new Resumen: La selección basada en verificadores mejora el rendimiento de LLM al generar múltiples soluciones candidatas y usar un verificador para seleccionar la más prometedora. Sin embargo, el método existente
arXiv · cs.AIUn Marco de Evaluación Unificado para Modelos de Lenguaje Grande Confiables, IA Agénica y Sistemas Multimodales
arXiv: 2609.19524v1Tipo de anuncio: nuevo Resumen: Las puntuaciones de referencia por sí solas proporcionan una base incompleta para evaluar la confiabilidad de los sistemas modernos de inteligencia artificial. Modelos de lenguaje grandes (LLM), sistema agentic
arXiv · cs.AIAutoDatos: Búsqueda genética para la selección de datos previos a la capacitación
arXiv: 2609.19754v1Tipo de anuncio: nuevo Resumen: los agentes de LLM se han mostrado prometedores recientemente en la automatización de la ingeniería de aprendizaje automático mediante la edición del modelo y el código de capacitación bajo retroalimentación de ejecución. Los datos, sin embargo, siguen siendo largel
arXiv · cs.AIRepensar la colaboración multiagente: cuando más es menos
arXiv:2609.19759v1 Tipo de anuncio: nuevo Resumen: El rápido avance de los modelos de lenguaje grandes y los arneses de agente único ha remodelado el panorama de los sistemas autónomos, planteando una pregunta crítica sobre cuándo
arXiv · cs.AICómo escribir con un LLM
Cómo escribir con un LLM Thomas Ptacek sobre el uso de LLM como editores, no como asistentes de escritura: Regla número uno: no puede usar una sola palabra que le sugiera un LLM. [...] creo que como una forma de personal intelectual
Simon WillisonPrismML espera que su pequeño LLM cambie la forma en que todos usamos la IA
Si AI Lab PrismML aún no está en tu radar, debería estarlo.
TechCrunch AI