#LLM
Cobertura curada sobre «LLM»: lanzamientos, investigación, benchmarks, código abierto.
Revisión de Shengqiong Wu y Hao Fei: más de 600 trabajos sobre los modelos de vídeo como modelos del mundo
Un equipo con Shuicheng Yan, Ming-Hsuan Yang y Philip Torr reúne la comprensión y la generación de vídeo en un único marco y analiza más de 600 trabajos en 19…
LeWorldModel, sometido a una prueba de sensibilidad a las acciones: los ejes divergen entre 36° y 42°
Un preprint compara cómo responden LeWorldModel y el simulador a pequeños cambios de acción: los ejes principales de sensibilidad divergen 36° en Reacher y 42° en…
UCLA desplaza la frontera velocidad-calidad en la difusión especulativa con dos palancas
Investigadores de UCLA proponen ajustar a la vez dos parámetros: el esfuerzo de difusión y la indulgencia del verificador al aceptar tokens. Así amplían la frontera…
Un codificador de 17 millones de parámetros elige la herramienta correcta en 14 ms en CPU
Ablación del prompt del sistema: cómo comprimí la configuración de Claude Code de 19.736 a 3.585 líneas sin perder calidad
Anthropic: Claude diseñó 318 484 proteínas en 64 horas y 17 superaron la verificación de laboratorio
El Instituto de Software de la Academia China de Ciencias y Kuaishou crean el primer benchmark de simulación de usuarios con LLM
RSIGame: un conjunto de modelos de 27B juega solo a los juegos y supera a GPT-5.5
El proyecto chino RSIGame hace que la IA pruebe, corrija y refine juegos por sí sola. Según sus autores, una combinación de modelos de 27B superó a GPT-5.5 en…
DecisionPivot evalúa 40 modelos decisores: con la misma precisión, la brecha llega a 26 p. p.
El benchmark DecisionPivot, con 40 033 tareas, muestra que dos modelos de 27B separados por 2,6 puntos en el track de referencia se distancian 25,9 puntos en los…
RiseHarness enseña a los agentes de terminal a corregir su propio harness sin reentrenamiento
Lafa, un modelo de 8.000 millones de parámetros, acelera la generación de texto 2,54 veces sin perder calidad
El benchmark EvaOmni evaluó 24 modelos omni: el líder alcanza un 79,4%, pero su grounding se queda en 35,1%
Autoaprendizaje recursivo y Fable 5.1: por qué la carrera de la IA abandonó el debate sobre la AGI y se centró en la orquestación aplicada
FrontierCS 2 evaluó a 12 agentes de IA en tareas de I+D: el mejor aprobó el 58%
Un benchmark de 48 tareas de investigación recorta la aportación de artículos reales y pide a los agentes recuperarla. Claude Opus 5.5 lidera con 58%; en 16 tareas…
SplatLab escribe por sí sola artículos sobre 3D Gaussian Splatting y supera a los baselines hasta en +3,78 dB
Un sistema autónomo reproduce un artículo sobre 3DGS, propone una extensión, entrena modelos y redacta el manuscrito. La mejora de PSNR sobre los baselines va de…