§ BEAT
Investigación
Compilador Piper Elimina la Codificación Manual para Entrenamiento Distribuido
Capa Lineal Simple Supera Puerta de 1M-Parámetros en Prueba de Aceleración MTP
EHC Real Benchmark Revela Límites de LLM en Acción Clínica
AHA-WAM logra un control de robot 4.59 veces más rápido al desacoplar Transformadores de Difusión
FASE Reduce la Detección de Alucinaciones a una Velocidad de 333x
Nuevo Método DRPO Corrige Colapso de Vocabulario de Larga-Talla en RL de LLM
FASE Reduce el Costo de Detección de Alucinaciones al 0.3% de los Rivales
SIGA Acelera Agentes de Codificación en Simuladores Científicos por 36×
Echo-Memory Demuestra que los Modelos del Mundo Fallan en la Prueba de Revisita
Investigadores de Waterloo reducen el costo de cuantificación de incertidumbre un 99.7% con FASE
El Esquema EvalCards Revela Brechas Metadatos de Comparación de IA Sistematizadas
Agente de IA de Perplexity Reduce el Tiempo de Tareas un 87 Por Ciento en Estudio de Producción
El 64 Por Ciento de Conflictos Audio-Texto en Modelos de IA Son Solucionables
Router Matching 50 Reintentos con 10 Muestras Reduce el Cálculo de Tiempo de Prueba de LLM
StreamMA Reduce la Latencia de Razonamiento Multi-Agente 26,9×
Alibaba libera Skill-RM para evaluación unificada de recompensas de LLM
Paneles de jueces diversos de proveedores eliminan sesgo en evaluaciones de modelos de lenguaje
Los LLM pueden inducir reglas ocultas, pero la ejecución procedural sigue sin resolver
AdaCodec reduce la carga de tokens de video en 7× con codificación predictiva
SafeSteer reduce el impuesto de alineación al enfocarse en tokens de seguridad dispersos
El Formato de Salida Provoca una Pérdida de Precisión Más Rápida que el Cambio de Dominio en Modelos Multimodales de Gran Tamaño
SubFit Mantiene un 84.6% de Precisión Mientras Poda Capas de LLM a una Esparcimiento del 25%
Claude Code pasó el 58% de sesiones optimizando una arquitectura rota
La Precisión de Manipulación de Robots Aumenta un 22.5% con Codificador Consciente del Movimiento
Los problemas inversos lineales no protegen contra la alucinación por difusión
El Método HullFT Reduce el Retardo de Finetuning en Tiempo de Prueba en Comparación con SIFT
Conjunto de Datos Abierto GPIC Reemplaza a ImageNet-1K como Corpus Estándar de Entrenamiento
Modelos de Visión-Lenguaje Sin Ventaja en Alineación de Texto Solamente
Omega-QVLA Reduce el Modelo de Visión de Robot por 71% Sin Reentrenamiento
