Paperslab

Paperslab@paperslab

0 followers
Follow
Paperslab
Paperslab @paperslab
El reinforcement learning mejora el razonamiento de los modelos, pero sale caro. Tres papers buscan la misma economía por caminos distintos: destilación auto-evolutiva, agentes que aprenden a preguntar mejor jugando al hundir la flota, y generadores de velocidad promedio que aceleran el proceso sin perder calidad.
Enseñarle a pensar sin gastar de más
S01:E20
Enseñarle a pensar sin gastar de más
Paperslab
Paperslab @paperslab
Anthropic publicó casi en simultáneo cuatro piezas de seguridad: compartimentos removibles de conocimiento peligroso, una técnica para reducir la desalineación agéntica, un mapeo de los valores de Claude entre idiomas, y una medición de cuánto ayudan realmente los modelos de lenguaje a explotar vulnerabilidades de día N. Cuatro ángulos sobre la misma pregunta: ¿se puede aislar lo peligroso sin apagar todo lo demás?
¿Se puede apagar solo lo peligroso?
S01:E19
¿Se puede apagar solo lo peligroso?
Paperslab
Paperslab @paperslab
Cada sentido tuvo históricamente su propio modelo. La tendencia ahora es unificar visión, audio y razonamiento en un solo marco: de un modelo de visión auto-supervisado a escala sin precedentes, a un sistema que entiende audio, pasando por arquitecturas que generan y comprenden imágenes al mismo tiempo.
Un solo modelo para ver, oír y entender
S01:E18
Un solo modelo para ver, oír y entender
Paperslab
Paperslab @paperslab
El deep learning avanzó durante años a pura prueba y error. Ahora empiezan a aparecer los cimientos teóricos: de la destilación on-policy a la reconexión espectral de redes, pasando por un instituto que junta IA y física, y una sorpresa de la teoría de juegos sobre por qué los generalistas a veces le ganan a los especialistas.
Las matemáticas que faltaban
S01:E17
Las matemáticas que faltaban
Paperslab
Paperslab @paperslab
Los mecanismos internos de un modelo de lenguaje emergen solos durante el entrenamiento — nadie los diseña a propósito. Recién ahora empezamos a poder señalarlos: cabezas de inducción que interpolan n-gramas, modelos que representan mejor la intención comunicativa de lo que después actúan, y hasta una forma de dirigir el comportamiento con la probabilidad de una moneda.
Los mecanismos que nadie diseñó a propósito
S01:E16
Los mecanismos que nadie diseñó a propósito
Paperslab
Paperslab @paperslab
Meta viene publicando, casi sin pausa, investigación que junta inteligencia artificial y cerebro humano: de decodificar lenguaje a partir de ondas cerebrales, a leer intención desde el movimiento de los dedos sobre un teclado. Un repaso a cómo la IA se está volviendo, de a poco, una herramienta para entender la mente.
La máquina que empieza a entender al cerebro
S01:E15
La máquina que empieza a entender al cerebro
Paperslab
Paperslab @paperslab
Hacer un modelo más grande es fácil si hay plata de sobra. El verdadero problema de ingeniería es hacerlo más barato y más rápido sin perder capacidad: contextos de más de dos millones de tokens con presupuesto fijo de GPU, memoria que se defragmenta sola, y caché que se injerta byte a byte entre modelos distintos.
La dieta de los modelos gigantes
S01:E14
La dieta de los modelos gigantes
Paperslab
Paperslab @paperslab
Entrenar agentes de robótica en el mundo real es caro, por eso se entrenan en mundos virtuales. Pero imaginar bien no alcanza para actuar bien: un modelo que sueña escenarios correctos y aun así falla al ejecutarlos, y la pregunta incómoda de qué pasa cuando el agente entiende mal una instrucción ambigua.
Cuando el agente sueña bien pero actúa mal
S01:E13
Cuando el agente sueña bien pero actúa mal
Paperslab
Paperslab @paperslab
Para actuar bien en el mundo real, un agente primero tiene que poder imaginarlo. De modelos de mundo que aprenden por observación a motores de juego repensados como simuladores de entrenamiento, este episodio recorre la apuesta más grande de la IA agéntica: pensar antes de moverse.
Agentes que imaginan antes de actuar
S01:E12
Agentes que imaginan antes de actuar
Paperslab
Paperslab @paperslab
Anthropic dice que Claude tiene una especie de espacio de trabajo interno donde puede pensar sin escribirlo, e incluso reconocer sus propios errores. Un paper independiente, por otro lado, muestra evidencia dura de cómputo oculto en los tokens de relleno. Dos ángulos —uno corporativo, otro académico— sobre el mismo fenómeno incómodo: hay razonamiento del modelo que nunca vemos.
El pensamiento que no se escribe
S01:E11
El pensamiento que no se escribe
Paperslab
Paperslab @paperslab
🎙️ Nuevo episodio: El punto ciego del razonamiento

Un modelo puede fallar sin que nadie se dé cuenta. La cuantización cambia cómo razona un LLM por dentro sin tocar el resultado final. Hay errores que corrige si son de otro, pero no si son propios. Y hay señales enteras que casi nadie mira.

🎧 Ya disponible

#IA #LLM #MachineLearning #Podcast #InteligenciaArtificial
El punto ciego del razonamiento
S01:E09
El punto ciego del razonamiento
Paperslab
Paperslab @paperslab
Durante años el deep learning funcionó por prueba y error, más arte que ciencia. Tres papers —uno con la firma de un medallista Fields— se animan a preguntar si por fin estamos encontrando las leyes que explican por qué esto funciona.
Existe una teoría de todo?
S01:E06
Existe una teoría de todo?
Paperslab
Paperslab @paperslab
Ocho años atrás, un paper llamado Attention Is All You Need aseguró que la atención, sola, alcanzaba para construir el mejor modelo del mundo. Hoy tres papers —incluido uno de NVIDIA— proponen arquitecturas híbridas que combinan difusión, autoregresión y atención jerárquica con contexto infinito. ¿Estamos viendo los primeros intentos serios de destronar al Transformer, o solo mejoras dentro de la misma familia?
La carrera por matar la atención
S01:E04
La carrera por matar la atención
Paperslab
Paperslab @paperslab
¿Y si la caja negra de la IA ya no fuera tan negra? Cuatro papers muestran que hoy podemos leer —y hasta editar— la mente de una red neuronal: circuitos identificables, el lugar exacto donde separa creencia de realidad, y transformers pensados para ser entendidos. La era de la caja negra está terminando.

Leyéndole la mente a la máquina
S01:E03
Leyéndole la mente a la máquina
Paperslab
Paperslab @paperslab
En 2017, ocho investigadores de Google presentaron el Transformer, la arquitectura detrás de ChatGPT y gran parte de la IA generativa actual. En este episodio explicamos cómo funciona la atención y por qué este paper cambió para siempre la inteligencia artificial.
Attention Is All You Need
S01:E02
Attention Is All You Need
Paperslab
Paperslab @paperslab
Nace Paperslab 🎙️
Divulgación de inteligencia artificial a dos voces, en español. Tomamos papers de IA y los convertimos en episodios conversacionales — buscando el próximo gran salto y explicándolo para curiosos.
Primer episodio, en camino.