Observatorio de información y Publicaciones

Resumen: Los agentes de traducción basados en LLM han logrado resultados de traducción altamente humanos y son capaces de manejar contextos más largos y más complejos con mayor eficiencia. Sin embargo, generalmente se limitan a entradas solo de texto. En este documento, presentamos Vidove, un sistema de agente de traducción diseñado para entrada multimodal.

Resumen: La exploración eficiente es un problema bien conocido en el aprendizaje de refuerzo profundo y este problema se exacerba en el aprendizaje de refuerzo de múltiples agentes debido a las complejidades intrínsecas de tales algoritmos.

Resumen: Presentamos un sistema de múltiples agentes para la automatización de tareas de investigación científica, CMBagent. El sistema está formado por aproximadamente 30 agentes del modelo de lenguaje grande (LLM) e implementa una estrategia de planificación y control para orquestar el flujo de trabajo de agente, sin humanos en el bucle en ningún momento.