Modelos de IA
Los modelos de IA realizan predicciones basándose en sus datos de entrenamiento. Pueden funcionar en cualquier ámbito, como números, texto o multimedia.
Comparación de modelos de visión amplia: GPT-4o vs YOLOv8n
Los modelos de visión a gran escala (LVM) pueden automatizar y mejorar tareas visuales como la detección de defectos, el diagnóstico médico y la monitorización ambiental. Evaluamos el rendimiento de tres modelos de detección de objetos: YOLOv8n, DETR y GPT-4o Vision, con 1000 imágenes cada uno, midiendo métricas como mAP@0.5, velocidad de inferencia, FLOPs y número de parámetros.
Evaluación comparativa de modelos tabulares: Rendimiento en 19 conjuntos de datos (2026)
Evaluamos el rendimiento de 7 modelos de aprendizaje tabular ampliamente utilizados en 19 conjuntos de datos reales, que abarcan aproximadamente 260 000 muestras y más de 250 características en total, con tamaños de conjuntos de datos que oscilan entre 435 y casi 49 000 filas.
Comparar modelos de fundamentos relacionales
Comparamos SAP-RPT-1-OSS con el método de potenciación de gradiente (LightGBM, CatBoost) en 17 conjuntos de datos tabulares que abarcan todo el espectro semántico-numérico: tablas pequeñas/de alta semántica, conjuntos de datos empresariales mixtos y grandes conjuntos de datos numéricos de baja semántica. Nuestro objetivo es determinar dónde las distribuciones semánticas preentrenadas de un modelo LLM relacional pueden ofrecer ventajas sobre los modelos de árbol tradicionales y dónde presentan dificultades en escala o con estructuras de baja semántica.
Modelos de fundaciones mundiales: 10 casos de uso
Entrenar robots y vehículos autónomos (VA) en el mundo físico puede ser costoso, lento y arriesgado. Los Modelos de Fundamentos Mundiales ofrecen una alternativa escalable al permitir simulaciones realistas de entornos reales. Estos modelos aceleran el desarrollo y la implementación en robótica, VA y otros campos al reducir la dependencia de las pruebas físicas.
Modelos básicos de series temporales: casos de uso y beneficios
Los modelos de base de series temporales (TSFM) se basan en los avances de los modelos de base del procesamiento del lenguaje natural y la visión artificial. Mediante arquitecturas basadas en transformadores y grandes conjuntos de datos de entrenamiento, logran un rendimiento óptimo sin necesidad de entrenamiento previo y se adaptan a diversos sectores como las finanzas, el comercio minorista, la energía y la sanidad.