Observatorio de información y Publicaciones

Resumen:Aunque los modelos de lenguajes grandes (LLM) han avanzado rápidamente, la automatización sólida de flujos de trabajo de software complejos sigue siendo un problema abierto.

Resumen:La detección urbana participativa aprovecha la movilidad humana para la recopilación de datos urbanos a gran escala; sin embargo, los métodos existentes generalmente se basan en una optimización centralizada y asumen participantes homogéneos, lo que resulta en asignaciones rígidas que pasan por alto las preferencias personales y los contextos urbanos heterogéneos.

Resumen: Mostramos que los PLDR-LLM preentrenados en criticidad autoorganizada exhiben razonamiento en el momento de la inferencia. Las características de las salidas deductivas PLDR-LLM en criticidad son similares a las transiciones de fase de segundo orden. En el momento crítico, la longitud de la correlación diverge y las salidas deductivas alcanzan un estado estable metaestable.