Apple ML Research
Fuente de noticias de IA. Los artículos son seleccionados y adaptados por la redacción de Hamidun News.
Últimas publicaciones

Apple propone SelfCompact: el agente decide por sí mismo cuándo comprimir el contexto
Investigadores de Apple eliminan el umbral fijo de tokens en la compresión de contexto: en SelfCompact, el modelo decide cuándo y cómo compactar mediante una herramienta específica.

Apple Research presenta Minions: una nube de GPU virtual construida sobre Mac inactivos
Investigadores de Apple describen Minions, una nube distribuida que agrupa las GPU Apple Silicon inactivas de equipos macOS para ejecutar inferencia de ML a gran escala.

Apple evaluó a los LLM como jueces de traducción: con MQM y ESA, la tarea cuesta tanto a humanos como a modelos
Apple ML Research comparó la anotación de calidad de traducción automática de LLM y humanos con MQM y ESA. El título ya da la conclusión: ambos tienen dificultades.

Apple ML Research estudia el alignment en LLM multimodales y su propensión a alucinar
Investigadores de Apple ML Research publican un estudio exhaustivo sobre el papel del preference alignment en los modelos de lenguaje multimodales y explican por qué sus alucinaciones son más complejas que las de los LLM

Apple ML Research propone modelos compactos para corregir errores de reconocimiento de voz
Apple ML Research propone modelos seq2seq compactos en lugar de LLM para corregir errores de ASR, entrenados con errores reales y sintéticos.

Apple ML Research presenta un método para generar vídeo con sonido a partir de texto: Text-to-Sounding-Video
Apple ML Research presenta Text-to-Sounding-Video, la generación de vídeo con sonido a partir de texto, y señala dos problemas clave sin resolver.

Apple ML Research presenta TopoPrimer, un contexto topológico para modelos de predicción
Apple ML Research ha presentado TopoPrimer, un framework que añade la estructura topológica global de los datos a los modelos de predicción de series temporales.

Apple aclara cuándo la on-policy distillation ayuda de verdad a entrenar modelos
Investigadores de Apple ML identifican en qué condiciones la on-policy distillation funciona para entrenar modelos de razonamiento y cuándo puede ser ineficaz o incluso contraproducente.

Self-Reflective Program Search: Apple mejora el trabajo de los LLM con contextos largos
Apple ML Research ha publicado un estudio sobre Self-Reflective Program Search, un método que mejora el trabajo de los modelos de lenguaje con contextos largos mediante su descomposición recursiva en subconsultas.

Apple desarrolla TGPO para enseñar a los modelos de vídeo a entender el tiempo
Apple ML Research presenta TGPO, un método que enseña a los modelos de vídeo el orden y la evolución de los eventos en vídeo egocéntrico mediante refuerzo del razonamiento temporal.

Vulnerabilidad en IA: un solo neurona basta para saltarse las protecciones de los grandes modelos, según Apple
Investigadores de Apple demuestran que las protecciones de los LLM pueden eludirse por completo actuando sobre una sola neurona, sin reentrenamiento ni cambios en el prompt, en siete modelos de dos familias.

FlowEval de Apple: una IA para evaluar interfaces generadas por IA
Apple ML Research ha desarrollado FlowEval, un marco que evalúa automáticamente interfaces generadas por IA comparando sus trayectorias de navegación con las de sitios web reales.

Apple ML Research presenta Weblica, un entorno escalable para entrenar agentes web visuales
Apple lanza Weblica, un framework que reproduce estados interactivos de páginas web y genera entornos de entrenamiento con LLM para entrenar de forma fiable agentes de IA que operan en el navegador.

Apple desarrolla MT-EditFlow para la edición de imágenes con IA en varios pasos
Apple ML Research presenta MT-EditFlow, un sistema basado en aprendizaje por refuerzo que aborda la acumulación de errores en la edición iterativa de imágenes.

LensVLM: una red neuronal para leer texto en imágenes comprimidas
Apple ML Research propone LensVLM, un marco que permite a los modelos de visión y lenguaje leer texto pequeño en imágenes comprimidas sin perder precisión.

Cómo reentrenar una IA en tareas nuevas sin perder sus capacidades
DynaMiCS, de Apple, plantea la selección de datos en el ajuste fino como un problema con restricciones para conservar instrucciones, conocimiento y seguridad al adaptar el modelo a nuevos dominios.

Cómo funciona Mixture-of-Experts: la arquitectura de las redes neuronales modernas
Investigadores de Apple descubrieron que los tokens en las arquitecturas MoE usan una fracción ínfima de las rutas teóricamente posibles, y proponen una arquitectura para corregirlo.

Las redes neuronales de voz escalan como las de texto, según un estudio de Apple
Apple ML Research halló que los modelos de voz basados en difusión continua escalan de forma tan predecible como los autorregresivos, y presentó la métrica pJSD.

Apple ML Research aborda la pérdida de precisión de los modelos ASR en grabaciones largas
Apple ML Research ha publicado Segmental Attention Decoding, cuatro cambios de arquitectura para el principal problema de las redes neuronales con audios largos.

Apple publica Fortress, un marco que estabiliza los sistemas de recomendación mediante la poda de características
Apple ML Research describe Fortress, un sistema que elimina la inestabilidad temporal de los modelos de recomendación al detectar y borrar las características que generan predicciones inconsistentes.

Apple ML Research investiga por qué discrepan los anotadores de datos de seguridad de la IA
Apple ML Research ha desarrollado un método para analizar las discrepancias entre los anotadores de datos de seguridad, las personas que enseñan a los modelos de IA a distinguir el contenido admisible del peligroso.

Apple ML Research propone un método para generalizar modelos de ML a nuevos dominios sin etiquetado
Investigadores de Apple ML Research han desarrollado un enfoque de generalización de dominio que usa datos sin etiquetar del nuevo dominio en lugar de un etiquetado costoso.

Una red neuronal más eficiente: cómo Apple optimizó la inferencia
Apple ML Research presenta Conformal Thinking, un marco que gestiona automáticamente el presupuesto de tokens de los modelos de razonamiento y garantiza una tasa de error fijada con un cómputo mínimo.

Apple ML Research: cómo los modelos de difusión aprenden a elegir tokens sin heurísticas manuales
Apple ML Research propone sustituir las heurísticas manuales de selección de tokens en los modelos de lenguaje de difusión por políticas entrenables, para eliminar la inestabilidad y el ajuste manual de parámetros.

Apple ML Research propone MemoryLLM, una «memoria» interpretable para transformers
Investigadores de Apple describen los bloques feed-forward de los LLM como una memoria neuronal de consulta y proponen analizarlos de forma aislada, sin el mecanismo de autoatención.

Apple ML Research: los equipos multiagente de LLM frenan a sus agentes expertos
Apple ML Research concluye que los equipos autoorganizados de modelos de lenguaje no generan sinergia: frenan a los agentes expertos en lugar de potenciarlos.