MaRK: modulación contextual de parámetros recurrentes en SSM preentrenados
Se propone un enfoque que adapta al contexto el operador recurrente de un modelo de espacio de estados congelado mediante cambios de parámetros de bajo rango, influyendo en el núcleo «entrada-salida» en cada paso de generación. La comparación de tres geometrías de adaptadores muestra la superioridad de los polinomios de Chebyshev en cuanto al error de validación, y la parametrización restringida permite comprobar analíticamente la estabilidad.

Tarea y esencia de MaRK
MaRK (Markov-adapted Recurrent Kernels) es un framework de condicionamiento dinámico de operadores. Transforma vectores de contexto en modulaciones acotadas de operadores de recurrencia.
- En la representación LPV-SSM, MaRK define una familia de secuencias de parámetros de Markov indexada por el contexto.
- El enfoque está diseñado para SSM preentrenadas.
- Los mecanismos habituales de condicionamiento mantienen inalterada la dinámica temporal de base. Entre ellos se incluyen introducir información en la entrada y modular las activaciones.
Criterio práctico: MaRK es necesaria cuando se requiere cambiar la dinámica temporal de una SSM, y no solo los datos de entrada o las activaciones.
Qué parámetros de la SSM se modulan
MaRK modula cinco grupos de parámetros de una SSM congelada:
- A — recurrencia;
- B — lectura de entrada;
- C — lectura de salida;
- D — salto;
- Δ — discretización.
Criterio práctico: MaRK cambia A, B, C, D y Δ. Si la tarea requiere modificar estos parámetros, el enfoque los cubre.
Adaptadores y entrenamiento con la base congelada
MaRK se basa en el modelo base SSM Hydra congelado, con 111 millones de parámetros. El estudio abarca tres geometrías de adaptadores:
- Hypernet;
- polinomios de Chebyshev;
- núcleos de Transformada Discreta del Coseno (DCT).
Los adaptadores modifican la secuencia de parámetros de Markov mediante mapeos auxiliares de bajo rango. El modelo base permanece congelado.
Pasar de una función objetivo bidireccional al régimen de difusión iterativa requiere entre 6,3 y 11 millones de parámetros auxiliares entrenables. Criterio práctico: solo es necesario entrenar los mapeos auxiliares y mantener congelada la SSM base.
Resultados experimentales y elección de la geometría
En experimentos sintéticos de reconstrucción de LPV y diagnóstico de operadores de Markov, MaRK recupera operadores temporales invariantes respecto a las coordenadas cuando se cumplen los mismos supuestos. El método produce distintos perfiles de memoria estables, condicionados por el paso temporal.
| Geometría del adaptador | Pérdida de validación |
|---|---|
| Chebyshev | 2.55 |
| DCT | 2.59 |
| Hypernet | 3.77 |
La mejor pérdida de validación de las tres opciones es la de Chebyshev, con 2.55. DCT obtuvo 2.59 y Hypernet, 3.77. Criterio práctico: si se toma como referencia la pérdida de validación en los experimentos descritos, Chebyshev obtuvo 2.55, DCT, 2.59, y Hypernet, 3.77. La elección de la geometría del adaptador influye en el resultado.
Estabilidad y límites de aplicación
La parametrización acotada de la recurrencia proporciona un certificado analítico de estabilidad cuadrática afín (Affine Quadratic Stability) para la recurrencia modulada. MaRK está diseñada para la generación iterativa con SSM preentrenadas. Cada paso de difusión puede modificar el núcleo de memoria de entrada-salida del modelo.
Criterio práctico: MaRK es adecuada cuando se necesita un certificado analítico de estabilidad y modificar el núcleo de memoria en cada paso de difusión.
Estado de publicación y versión
- Autores del trabajo: Syed Ibrahim Omer, Ginny Y. Wong, Xiangyu Zhao.
- El artículo de arXiv:2610.09092 contiene la versión v1 del 6 de octubre de 2026.
- La última revisión es del 18 de octubre de 2026 (versión v3).
- El enlace a la revista indica «Envío a NeurIPS 2026».
Criterio práctico: una referencia correcta a los resultados incluye la versión v3 del 18 de octubre de 2026 y el estado «Envío a NeurIPS 2026».
Preguntas frecuentes
Material similar
Todos los materiales
B-PINN y el sesgo de colisionador: causas, diagnóstico y alternativa en cadena
Los autores muestran que el esquema B-PINN habitual, en el que los parámetros a priori independientes se vinculan mediante verosimilitudes virtuales de los residuos de las ecuaciones diferenciales, puede sesgar sistemáticamente las estimaciones posteriores de las magnitudes físicas. Como alternativa, proponen un modelo jerárquico de cadena con discretización de la dinámica estocástica y muestreo mediante particle MCMC, además de ofrecer criterios para diagnosticar la fiabilidad del enfoque estándar.
14 noviembre 2026
Ajuste fino de modelos generativos de imágenes: consideración conjunta de preferencias y rúbricas
El artículo describe un método de posentrenamiento de modelos text-to-image de dominio abierto, en el que la señal de las preferencias humanas se complementa con comprobaciones basadas en rúbricas del cumplimiento del prompt y de las propiedades deseadas. Los resultados indican que la media ponderada de las recompensas rinde peor que el esquema propuesto y que, en la instantánea de Arena, Flux2dev e Ideogram-4, tras el ajuste fino, muestran un aumento notable de Elo.
14 noviembre 2026
Benchmark Zero2Repo: límites de la creación autónoma de proyectos desde un directorio vacío
El estudio propone evaluar agentes de programación en una compilación completa del repositorio: la entrada incluye una especificación, un contrato de interfaz y un entorno vacío; la evaluación se realiza con pruebas ocultas, sin un juez basado en LLM. Incluso los agentes más destacados rara vez superan todas las pruebas, y la mayoría de los fallos se debe a requisitos puntuales que se han pasado por alto.
13 noviembre 2026