Google ha lanzado un nuevo modelo de traducción llamado Gemma, que ofrece traducción automática de alta calidad en 55 idiomas y puede ejecutarse en hardware cotidiano. El modelo viene en tres tamaños diferentes (4, 12 y 27 mil millones de parámetros) y cuenta con capacidades multimodales, lo que le permite extraer y traducir texto directamente de imágenes.
Zhipu AI lanzó un modelo de generación de imagen llamado GLM, entrenado con la pila de chips doméstica de Huawei, sin utilizar semiconductores occidentales. Este logro podría tener impactos significativos en el desarrollo de la IA a nivel mundial.
Expertos en seguridad han identificado que los ataques a modelos de lenguaje han evolucionado de simples inyecciones rápidas a campañas de malware en múltiples pasos, denominadas 'promptware', que pueden explotar permisos y provocar daños significativos.
Un estudio reciente revela que los modelos de lenguaje multimodal de estado de arte fallan catastróficamente en tareas visuales básicas, como rastrear objetos o comprender la profundidad, a pesar de tener un alto rendimiento en tareas complejas de lenguaje.
Un equipo de investigadores ha desarrollado Sci Reasoning, un conjunto de datos que busca capturar los patrones intelectuales detrás de los avances en inteligencia artificial. El conjunto de datos analiza documentos de conferencias de alto nivel y encuentra que las innovaciones más exitosas suelen combinar varios patrones de pensamiento, como el cambio de diseño basado en la brecha y el cambio de representación.
El equipo del Tongyi Lab en Alibaba Group presentó un enfoque llamado RLVR, que utiliza retroalimentación humana en lenguaje natural para mejorar la calidad de las críticas en modelos de recompensa generativos. Este método supera a los modelos tradicionales entrenados solo con resultados binarios y produce críticas más precisas y útiles.
Investigadores presentan Layton Spadio Temporal Chain of Thought for Robotics Vision Language Action Model, un modelo que mejora la velocidad y eficiencia en tareas de manipulación robótica.
Soprano es un sistema de habla que logra generar habla humana a una velocidad hasta 2000 veces más rápida que el tiempo real en una GPU o 20 veces más rápido en una CPU, con un modelo compacto de 80 millones de parámetros que se puede ejecutar en un portátil.
Científicos han desarrollado Relay LLM, un sistema que combina modelos pequeños y grandes para mejorar la eficiencia y precisión en tareas de razonamiento. El sistema utiliza una estrategia de decodificación colaborativa que reduce el costo en un 98,2% en comparación con métodos tradicionales.
Un equipo de la Universidad de Zijieng en Bite Dance presenta Think RL Edit, un método que aborda las limitaciones de los modelos de generación de imágenes actuales en tareas que requieren razonamiento semántico sofisticado. Think RL Edit utiliza planificación de cadena de pensamiento y evaluación de lista de verificación binaria para mejorar la precisión y la interpretabilidad en la edición de imágenes.
Un equipo de investigadores de la Universidad de Peaking y Deep C.K.I. ha desarrollado Enigram, un módulo que mejora la eficiencia en modelos de lenguaje grandes al dividir la capacidad entre MoE y Enigram, logrando ganancias de rendimiento significativas en tareas de conocimiento y razonamiento.
Investigadores de Google señalan que la limitación en la capacidad de memoria, ancho de banda y latencia de interconexión está obstaculizando el desarrollo de modelos de lenguaje, en lugar de la potencia de computación cruda.