¿Puede un modelo de IA construir un clasificador de imágenes sin entrenarlo?

Un modelo de IA al que se le pidió construir un clasificador de imágenes sin entrenarlo alcanzó una precisión del 91,3 % en la prueba estándar de dígitos manuscritos MNIST, cerca de lo que se logra con 50 pasos de entrenamiento convencional. El experimento, documentado en un informe detallado, probó si un modelo de lenguaje de vanguardia podía escribir directamente los pesos de una red neuronal.

¿Qué reglas regían el experimento del clasificador construido a mano?

Las reglas eran estrictas. Al modelo se le entregó una red neuronal convolucional fija con 5.994 pesos, y debía establecer cada uno desde cero. No podía usar ajuste, regresión ni búsqueda. Dibujar filtros y plantillas a mano, a partir de fórmulas o trazos, estaba permitido. Su código se ejecutaba en un entorno aislado que solo podía importar NumPy, SciPy y math, y nunca vio las 10.000 imágenes oficiales de prueba de MNIST. Recibió únicamente la pérdida de entrenamiento, la precisión y la matriz de confusión después de cada intento, y contó con hasta 50 pasos.

¿Cómo se comparó el clasificador construido a mano con el entrenamiento convencional?

Las tres ejecuciones usaron los 50 pasos completos, seguían mejorando cuando se agotó el presupuesto y cada una quedó alrededor del 90 % en el conjunto de prueba. La mejor, con 91,3 %, fue la de Claude Fable 5.2. El autor afirmó que el modelo Opus 5.5 tuvo un rendimiento mucho peor, sin superar nunca el 74 % en el conjunto de prueba.

El método se parecía menos al aprendizaje profundo moderno y más al pasado previo al aprendizaje profundo del campo. En un artículo de 1998 que presentó MNIST, Yann LeCun y sus coautores describieron los enfoques de esa época como \

Questo articolo è stato scritto con l'assistenza dell'IA.
News Factory APP - notizie agentiche per potenziare il tuo SEO e AEO.