0.875
AUC en PhysioNet
Modelos · Avance de investigación
El tiempo es una entrada,
no una suposición.
Modelo en tiempo continuo para señales irregulares — compacto, rápido y consciente del tiempo.
≈5×
Más compacto
8.2×
Kernel más rápido
Categoría
Tiempo continuo · generación 1
Lee
Señales irregulares con marca de tiempo
Ideal para
Clínica, sensores, streaming y edge
Estado
Avance de investigación · validado por gates
Qué es RL-L1
Un modelo que trata el tiempo como entrada de primera clase
La mayoría de los modelos de secuencias asumen que un paso equivale a un tick. Las señales del mundo real — constantes vitales, sensores, eventos de mercado, telemetría — no llegan a un ritmo fijo. RL-L1 es un modelo en tiempo continuo: el timing forma parte de la entrada, no es un añadido posterior, de modo que el modelo se comporta correctamente ante gaps irregulares, muestras faltantes y flujos en vivo. El cómo es nuestro — lo que mostramos aquí es el comportamiento y los números.
Por qué es diferente
Tres decisiones estructurales
RL-L1 no es un transformer ni una red point-ODE. Hace tres apuestas deliberadas que se traducen en resultados sobre datos reales e irregulares.
L1
El tiempo está en la matemática
El modelo evoluciona en tiempo continuo, por lo que el intervalo entre dos observaciones cambia el cómputo. Elimina el timing y la precisión se desploma — prueba de que la señal temporal es la que hace el trabajo.
L2
Compacto y estable
Un estado compacto y bien definido produce resultados sólidos con muy pocos parámetros, con dinámica acotada y predecible. Los internos son nuestros; la estabilidad está medida.
L3
Diseñado para el edge
Concebido para ejecutarse rápido y con huella mínima en hardware real, y codiseñado con nuestra línea de silicio disipativo para que el modelo y el sustrato converjan en la misma física.
Medido, no afirmado
Los números, incluidos aquellos en los que perdemos
RL-L1 wins on irregular, small-to-medium-scale signals and on the edge. It does not win at frontier scale or at language — the table says so on purpose.
Benchmark RL-L1 Línea base Nota
Mortalidad PhysioNet 2012 0.875 AUC 0.874 (GRU-D) Ensemble de 18 semillas · CI [0.868, 0.883]
Recuerdo asociativo temporizado 0.004 MSE 0.68 MSE frente a point-ODE; 9,61 si es ciego al tiempo
Mackey-Glass (≤50k params) 0.052 MSE 0.094 MSE 1,2–1,8× mejor, régimen de modelo pequeño
Mackey-Glass (≥214k params) 0.087 MSE 0.046 MSE el transformer gana a escala
Huella en edge (int8) 24 KB · 0.40 ms 65 KB · 0.44 ms más rápido y 2,7× más compacto
PhysioNet 2012 · set-a → held-out set-b · leakage-safe · multi-seed
Dónde gana
- Series temporales irregulares y en streaming — el timing lleva la señal.
- Inferencia en edge con restricciones de energía y memoria.
- Adaptación en línea sin necesidad de reentrenamiento completo.
Dónde no
- Lenguaje a escala de frontera — los transformers ganan, y lo reconocemos.
- Regímenes de gran número de parámetros donde la ventaja en eficiencia se diluye.
Medido
Más compacto, y consciente del tiempo
0.875
AUC en PhysioNet 2012
Mortalidad hospitalaria a partir de constantes vitales irregulares de UCI — ensemble de 18 semillas, 95% CI [0.868, 0.883].
≈ 5×
Menos parámetros que la línea base
El resultado clínico se alcanza con una fracción del recuento de parámetros del Transformer de referencia.
8.2×
Kernel en tiempo de ejecución más rápido
Evaluación de campo en paralelo frente al bucle de referencia (0,23 ms vs 1,90 ms), con paridad numérica exacta.
Estado
Una referencia validada por gates
- Gates
Diez gates falsificables superados
La ventaja en tiempo continuo, la estabilidad, el binding, la retención de por vida y el codiseño con el sustrato tienen cada uno su test de pasa/falla. Los superan — y donde el modelo debería perder, pierde de forma honesta.
- Clínica
Validado en datos reales de UCI
Evaluado en mortalidad hospitalaria de PhysioNet 2012 — constantes vitales reales e irregulares — con una división de entrenamiento/test libre de fugas.
- Hoy
Avance de investigación
La implementación de referencia está probada en producción sobre Apple Silicon. Lo estamos abriendo a socios de investigación seleccionados.
Dónde encaja RL-L1
Diseñado para señales con reloj
Constantes vitales irregulares y monitorización
Flujos de UCI, wearables y series temporales clínicas donde las muestras son escasas, irregulares y el timing es la señal.
En dispositivo y en streaming
Huella mínima e inferencia rápida hacen de RL-L1 una opción adecuada para sensores y sistemas embebidos que no pueden permitirse un modelo grande.
Evaluaciones honestas en tiempo continuo
Una referencia para estudiar dónde los modelos en tiempo continuo superan realmente a los transformers — y dónde no.
“Gana donde el timing importa. Lo decimos donde no es así.”
— Nota de diseño de RL-L1
