Observatorio de información y Publicaciones

Resumen: Presentamos una teoría de primeros principios que muestra que asimilar surge de una transición de fase representacional impulsada por normas en una dinámica de entrenamiento regularizada. El entrenamiento primero converge hacia una solución de memorización de norma alta y sólo más tarde se contrae hacia una representación estructurada de norma inferior que se generaliza.

Resumen: Los agentes de modelos de lenguaje grande (LLM) han demostrado capacidades notables en el uso de herramientas, el razonamiento y la generación de código; sin embargo, los sistemas de agente único exhiben limitaciones fundamentales cuando se enfrentan a tareas de investigación complejas que exigen síntesis de múltiples fuentes, verificación adversaria y entrega personalizada.

Resumen: Proponemos un marco basado en agentes para el filtrado personalizado de comunicaciones categorizadas de acoso en redes sociales en línea. A diferencia de los sistemas de moderación global que aplican reglas de filtrado uniformes, nuestro enfoque modela niveles de tolerancia y preferencias específicos del usuario a través de agentes de filtrado adaptativos.