Investigación on SoloSoft

AutoDidact: Framework de Autoaprendizaje para la Mejora de LLMs

Fri, 01 May 2026 00:00:00 +0000

La parte más costosa de mejorar los modelos de IA siempre han sido los datos: recopilar, limpiar y anotar millones de ejemplos requiere un esfuerzo humano enorme. AutoDidact explora una alternativa tentadora: ¿y si los modelos de lenguaje pudieran enseñarse a sí mismos? Creado por el investigador dCaples, este framework open-source implementa bucles iterativos de automejora donde los LLMs generan sus propios datos de entrenamiento, evalúan sus propias salidas y se afinan – todo sin intervención humana.

El concepto se inspira en un rico cuerpo de investigación sobre aprendizaje autosupervisado, autoaprendizaje en juegos (como AlphaGo) y trabajos más recientes sobre IA constitucional y modelos de lenguaje auto-recompensantes. AutoDidact empaqueta estas ideas en un framework práctico que investigadores y profesionales pueden aplicar a sus propios modelos y tareas.

GNN-RAG: Generación Aumentada por Recuperación Mejorada con Redes Neuronales Grafo

Fri, 01 May 2026 00:00:00 +0000

La Generación Aumentada por Recuperación se ha convertido en el enfoque estándar para fundamentar las respuestas de LLM en conocimiento factual. Pero el RAG estándar tiene una limitación bien conocida: lucha con preguntas multi-salto que requieren conectar información a través de múltiples documentos o entidades. Cuando una pregunta pregunta “¿Cuál es la capital del país donde nació el inventor del teléfono?” la respuesta requiere trazar una ruta a través de un grafo de conocimiento – algo que la recuperación de texto plano maneja mal. GNN-RAG aborda esta brecha integrando redes neuronales grafo en el pipeline RAG.

Desarrollado por el investigador cmavro, GNN-RAG representa una convergencia de dos paradigmas poderosos de IA: el razonamiento estructurado de las redes neuronales grafo y la fluidez generativa de los grandes modelos de lenguaje. La idea central es que muchas preguntas complejas requieren razonamiento relacional que la recuperación densa estándar no puede capturar. Al modelar la información recuperada como un grafo y aplicar paso de mensajes GNN para propagar información a través de entidades conectadas, GNN-RAG construye representaciones de contexto más ricas antes de pasarlas al LLM.

X-R1: Exploración Open-Source de Modelos de Razonamiento

Fri, 01 May 2026 00:00:00 +0000

El descubrimiento de que los modelos de lenguaje podían desarrollar capacidades de razonamiento sofisticadas a través del aprendizaje por refuerzo – sin demostraciones humanas – fue uno de los resultados más sorprendentes en la investigación de IA de 2024 y 2025. DeepSeek R1 mostró que los modelos entrenados con RL podían aprender a pensar paso a paso, produciendo razonamiento de cadena de pensamiento que mejoraba dramáticamente el rendimiento en tareas matemáticas, lógicas y de codificación. X-R1 es un proyecto open-source que explora estas técnicas, con el objetivo de reproducir, comprender y extender el paradigma de razonamiento a través de RL.