Apple ML Research
Fuente de noticias de IA. Los artículos son seleccionados y adaptados por la redacción de Hamidun News.
Últimas publicaciones
Apple ML Research presentó un método para generar vídeo con sonido a partir de texto usando Text-to-Sounding-Video
Apple ML Research demostró la dirección Text-to-Sounding-Video — generación de vídeo con sonido a partir de texto — e identificó dos problemas clave no resueltos.
Apple ML Research propuso modelos compactos para corregir errores de reconocimiento de voz
Los investigadores de Apple ML Research propusieron modelos seq2seq compactos en lugar de LLMs para corregir errores de ASR, entrenándolos con errores reales y sintéticos.
Apple ML Research Presentó TopoPrimer—Contexto Topológico para Modelos de Pronóstico
Apple ML Research mostró el framework TopoPrimer, que agrega estructura topológica global de datos a modelos de pronóstico de series temporales.
Apple identificó cuándo la on-policy distillation ayuda al entrenamiento de modelos
Investigadores de Apple ML identificaron en qué condiciones la on-policy distillation es eficaz para entrenar modelos de reasoning, y cuándo puede ser ineficaz o incluso contraproducente.
Self-Reflective Program Search: Apple mejoró el rendimiento de los LLM con contextos largos
Apple ML Research publicó un estudio sobre el método Self-Reflective Program Search, que mejora la forma en que los modelos de lenguaje procesan contextos largos mediante una descomposición recursiva en subconsultas.
Apple desarrolló TGPO para entrenar modelos de video a entender el tiempo
Apple ML Research presentó TGPO, un método que enseña a los modelos de video a comprender el orden y la evolución de los eventos en video egocéntrico mediante el refuerzo del razonamiento temporal.
Apple ML Research: Una neurona elude la alineación de seguridad en LLMs de 1,7 a 70 mil millones de parámetros
Los investigadores de Apple demostraron que la protección de seguridad en LLMs puede ser completamente eludida atacando una sola neurona—sin ajuste fino ni modificación de prompts—en siete modelos de dos familias de mode
Apple presenta FlowEval: evaluación de interfaces de IA a través de escenarios reales de navegación
Apple ML Research desarrolló FlowEval — un framework para evaluación automática de interfaces generadas por IA basado en la comparación de trayectorias de navegación con sitios reales.
Apple ML Research Presenta Weblica — Un Entorno Escalable para Entrenar Agentes Web Visuales
Apple lanzó el framework Weblica, que reproduce estados interactivos de páginas web y genera entornos de entrenamiento vía LLM — para entrenar de forma confiable agentes de IA que funcionan en navegadores.
Apple desarrolló MT-EditFlow para edición de imágenes con IA en múltiples pasos
Los investigadores de Apple ML Research presentaron MT-EditFlow — un sistema basado en aprendizaje por refuerzo que resuelve el problema de acumulación de errores en la edición iterativa de imágenes.
Apple Research: LensVLM Enseña a Modelos VLM a Leer Texto en Imágenes Fuertemente Comprimidas
Apple ML Research propuso LensVLM — un framework que permite a los modelos visión-lenguaje leer texto pequeño en imágenes comprimidas sin pérdida de precisión.
Apple ML Research desarrolla DynaMiCS para el ajuste fino de LLMs sin perder conocimiento base
DynaMiCS de Apple formula la selección de datos durante el ajuste fino como un problema de optimización con restricciones — para preservar instrucciones, conocimiento y seguridad del modelo al adaptarse a nuevos dominios
Apple ML Research Revela Ineficiencia en el Enrutamiento Mixture-of-Experts
Investigadores de Apple descubrieron que los tokens en arquitecturas MoE utilizan una fracción negligible de las rutas teóricamente posibles, y propusieron una arquitectura para corregir esto.
Apple confirma: los modelos de difusión de voz escalan como los autorregresivos
Apple ML Research descubrió que los modelos de voz basados en difusión continua escalan tan predeciblemente como los modelos autorregresivos e introdujo la métrica pJSD.
Apple ML Research resuelve la degradación de modelos ASR en grabaciones de audio largas
Apple ML Research publicó el método Segmental Attention Decoding — cuatro cambios arquitectónicos que resuelven el principal problema que enfrentan las redes neuronales al procesar grabaciones de audio largas.
Apple publicó Fortress — un framework para estabilizar sistemas de recomendación mediante poda de características
Apple ML Research describió Fortress — un sistema que elimina la inestabilidad temporal en modelos de recomendación identificando y eliminando características que crean predicciones inconsistentes.
Apple ML Research investiga las causas de las discrepancias entre los etiquetadores de datos de seguridad de la IA
Apple ML Research ha desarrollado un método para analizar las discrepancias entre los etiquetadores de datos de seguridad, las personas que entrenan a los modelos de IA para distinguir el contenido aceptable del peligros
Apple ML Research propuso un método para generalizar modelos de ML a nuevos dominios sin etiquetado
Investigadores de Apple ML Research desarrollaron un enfoque de domain generalization que se basa en datos no etiquetados de un nuevo dominio en lugar de un costoso etiquetado.
Apple Presentó Conformal Thinking — Gestión de Riesgos para Modelos de Razonamiento Sin Tokens Extras
Apple ML Research presentó el framework Conformal Thinking: un método que gestiona automáticamente presupuestos de tokens para modelos de razonamiento, garantizando tasas de error especificadas con computación mínima.
Apple ML Research: cómo los modelos de difusión aprenden a seleccionar tokens sin heurísticas manuales
Apple ML Research propone sustituir las heurísticas manuales de selección de tokens en los modelos de lenguaje por difusión por políticas aprendidas, para eliminar la inestabilidad y la necesidad de ajustar parámetros ma
Apple ML Research propuso MemoryLLM — una “memoria” interpretable para transformadores
Investigadores de Apple describieron los bloques feed-forward en los LLM como una memoria neuronal de recuperación y propusieron un método para analizarlos de forma aislada, sin tener en cuenta el mecanismo de self-atten
Apple ML Research: los equipos multiagente de LLM frenan a los agentes expertos
Apple ML Research demostró: los equipos autoorganizados de modelos de lenguaje no generan sinergia — frenan a los agentes expertos en lugar de potenciarlos.