Buscar noticias
Buscá por texto y descubrí noticias relacionadas con tu consulta.
Noticias relevantes
Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.
176 píxeles de lado, un ordenador del tamaño de una habitación y un bebé de tres meses: así nació en 1957 la primera imagen digital de la historia
La noticia narra el nacimiento de la primera imagen digital escaneada en 1957, realizada por el ingeniero Russell Kirsch en un ordenador. Se detalla el proceso técnico, incluyendo el uso de válvulas y la capacidad de memoria del ordenador SEAC. Se menciona el desarrollo posterior de la tecnología de píxeles y las primeras aplicaciones en reconocimiento de huellas y análisis de células.
Desarmó su computadora para limpiarla después de varios años y quedó impactado con lo que encontró - LA NACION
Un usuario compartió en redes sociales las imágenes del estado interno de su computadora gamer después de seis años de uso intensivo sin mantenimiento. La acumulación de polvo y suciedad fue tan densa que generó preocupación, aunque el equipo continuó funcionando. Expertos advierten que esta negligencia puede causar fallos severos en componentes críticos como el procesador y la tarjeta gráfica, enfatizando la necesidad de una limpieza y mantenimiento regulares para prolongar la vida útil del hardware.
Noticias encontradas
Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.
Resultados para «Computer Bild»
Más recientes primero · Hasta 30 noticias por página
Tiempo Reparametrizado Adaptativo para Muestreo Basado en Puntuación
Se propone el Tiempo Reparametrizado Adaptativo (ART) para el muestreo por difusión, buscando mejorar la asignación de pasos de tiempo al aprender una dinámica de tiempo inverso. Se introduce ART-RL, una formulación de aprendizaje por refuerzo para resolver el problema de control determinista. Los resultados demuestran que ART-RL mejora la calidad de la muestra en muestreadores existentes sin modificar el *pipeline* de muestreo.
Hacia RTL autónomo y optimización de síntesis: Evaluación y agentes auto-mejorables
Un artículo examina avances en modelos de lenguaje grandes y agentes autónomos para la optimización del diseño de hardware, enfocándose en la optimización autónoma de RTL y síntesis. Se presentan tres enfoques: benchmarking realista, optimización basada en herramientas y optimización específica del diseño. Se demuestra que un marco multiagente, Dr. RTL, logra mejoras significativas en WNS/TNS y reducción de área en diseños de RTL reales.
No se identificaron personas.
Especializando Meta Multi-Objectivization como base para la optimización de software
El artículo estudia la posibilidad de especializar el modelo Meta Multi-Objectivization (MMO) como una base general para diversos problemas de optimización de ingeniería de software. Se demuestra que MMO supera a otros optimizadores en un 79% y 94% de los casos, dependiendo de la elección del objetivo auxiliar. Se propone la herramienta L2RAC para recomendar automáticamente la mejor elección del objetivo auxiliar, mejorando la precisión en la selección.
Un tokenizador multi-palabra para 204 idiomas que necesita menos tokens que GPT-4o
Se presenta un tokenizador Havon v3 y v4, y posteriormente v5, diseñado para manejar 204 idiomas, comparando su eficiencia de tokens frente al tokenizador de GPT-4o. Los resultados muestran que el tokenizador v4 y v5 logran una reducción en el número de tokens necesarios en comparación con GPT-4o en varios idiomas, especialmente en inglés y lenguas romances.
Benchmarking de optimizaciones guiadas por proveedores en NPUs de borde: De NPU solo a rendimiento de extremo a extremo.
Se presenta una metodología de benchmarking para evaluar el rendimiento de las NPU de borde, comparando configuraciones de optimización guiada por el proveedor (VG-NPU y VG-E2E). Los resultados indican que VG-NPU mejora la precisión y la latencia de llamada en tiempo de ejecución, mientras que VG-E2E reduce la latencia a nivel de sistema, mostrando la importancia de evaluar las optimizaciones en diferentes niveles de despliegue.
Gobernanza de la IA y el Principio de Frontera Prohibida
Este estudio desarrolla un marco integrado para evaluar la justicia de la inteligencia artificial a través de capas normativas, de datos, de modelo y gobernanza. Propone un Principio de Frontera Prohibida para asegurar que los agentes de IA no ejecuten acciones externas fuera de límites preautorizados. El marco incluye un Protocolo de Parada Segura de Principio Primero con mecanismos de monitoreo y autorización humana para garantizar la gobernanza.
Reducción de varianza para gradientes de modelos de difusión
Se presenta CARV, un marco de contabilización de varianza consciente del cómputo para reducir la varianza de gradientes en modelos de difusión utilizados en tareas como texto a 3D y atribución de datos. Este marco utiliza muestreo jerárquico y técnicas como el muestreo de importancia del paso de tiempo para amortizar el costo computacional de las estimaciones Monte Carlo. Se demuestran mejoras significativas en el rendimiento computacional sin alterar el objetivo final.
MC$^2$: Corrección de Monte Carlo para la resolución rápida de PDE elípticas
Se presenta MC$^2$, un solucionador híbrido de Red Neuronal-Monte Carlo para ecuaciones diferenciales parciales (PDE). Este método logra una precisión superior a la de los métodos clásicos utilizando muchas menos muestras de Monte Carlo. Además, se lanza PDEZoo, un conjunto de datos estandarizado para la resolución de PDE, facilitando estudios reproducibles en el campo.
Refactorización coordinada de renombrado por múltiples agentes
Se presenta un marco multi-agente diseñado para automatizar el renombrado coordinado en desarrollo de software. Este sistema utiliza agentes para inferir el alcance de las refactorizaciones relacionadas a partir de una refactorización inicial del desarrollador. El objetivo es reducir la carga de los desarrolladores al automatizar tareas repetitivas y complejas de renombrado.
RamanPFN: Marco de fundación espectral guiado por física para aprendizaje en contexto a través de diversas aplicaciones Raman
Se presenta RamanPFN, un marco de fundación espectral guiado por física diseñado para la inferencia en contexto unificada mediante aprendizaje espectral. Este modelo aborda las limitaciones de los modelos de aprendizaje automático al integrar la mezcla aditiva de espectros y la localidad de las bandas vibracionales. Los resultados demuestran que RamanPFN supera a otros métodos en múltiples tareas de regresión y clasificación, mejorando significativamente la precisión y la eficiencia del análisis cuantitativo de datos espectroscópicos.
Una política para 100 tareas domésticas: Nuestra solución para el Desafío de Comportamiento 2026
Un equipo obtuvo el noveno lugar en la clasificación final del Desafío de Comportamiento 2026 por su solución para 100 tareas domésticas en el simulador OmniGibson. La solución se basa en un modelo VLA y se optimizó mediante un entrenamiento prolongado y técnicas de *flow matching* para mejorar el rendimiento. Además, 14 tareas fueron dirigidas a un agente de codificación GPT-6 Astra, logrando un rendimiento superior en comparación con la política aprendida.
Intervenciones de modelado propio pueden modular el desalineamiento emergente
Se investigan intervenciones de modelado propio, como el autoconocimiento y los autoinformes, para modular el desalineamiento emergente (EM) en modelos de lenguaje grande. Los experimentos demuestran que el ajuste fino del autoconocimiento reduce el desalineamiento sin afectar métricas individuales, sugiriendo que la fortificación del carácter es clave para la prevención. Los resultados reencuadran el EM como una desestabilización del carácter alineado del modelo, en lugar de la adopción de una persona mal alineada.
TRACE: Currículo de razonamiento basado en reglas de negocio para la recuperación de herramientas que preservan el conocimiento para la preservación del conocimiento en LLMs empresariales
Se presenta TRACE, un currículo de dos etapas diseñado para resolver la disociación entre la recuperación de herramientas y el conocimiento paramétrico en LLMs empresariales. La Etapa 2 del currículo entrena al modelo para emitir un rastro de pensamiento antes de generar tokens de herramientas, mejorando la comprensión y la precisión de recuperación en comparación con métodos anteriores. Los resultados indican que TRACE mejora significativamente la precisión de las pruebas MCQ y QA, logrando una alta tasa de recuperación en entornos de producción.
¿Para qué sirve un artículo cuando las pruebas son abundantes?
La IA produce pruebas formalmente verificadas de problemas matemáticos, haciendo que el costo de obtener una prueba correcta se acerque a cero. El autor argumenta que el valor de un artículo reside en la narrativa, la intención del autor y la cadena de razonamiento, no solo en la corrección de la prueba. Se exploran roles de la IA en la investigación y cómo estos elementos son necesarios incluso cuando las pruebas son abundantes.
Brasilidade: Medindo la identidad brasileña para modelos de lenguaje grandes
Se presenta una nueva metodología de evaluación llamada Brasilidade para medir las limitaciones de los Modelos de Lenguaje Grandes (LLMs) en portugués brasileño. La investigación demuestra que el tamaño del modelo no es el factor determinante del rendimiento, y que modelos de tamaño mediano superaron a los modelos más grandes en los protocolos evaluados. Esto subraya la necesidad de nuevos benchmarks para mejorar el entrenamiento de modelos en este dialecto.
TIB: Información de cuello de botella temperada por muestra para atribución multimodal más allá de la suposición de alineación
Se presenta el marco TIB, un enfoque de cuello de botella de información temperado por muestra, diseñado para la atribución multimodal. Este método busca modular la fuerza de la atribución según la fiabilidad intermodal, superando la suposición de alineación semántica entre modalidades. Los experimentos validan la efectividad del enfoque y confirman la limitación estructural de los métodos basados en IB bajo desalineación.
Sorpresa predictiva como cuello de botella de concepto auto-referenciado para series temporales interpretables
Se presenta ConceptTime, un método que aborda la circularidad en la definición de límites de segmentos temporales mediante una señal auto-supervisada. Este enfoque busca definir límites de segmentos basándose en cómo se comportan en relación con la expectativa, logrando competitividad con métodos de caja negra y superando a las líneas de base interpretables.
Descubrimiento Contrastivo: Descubrimiento científico abierto sobre explicaciones competitivas
Se presenta el Descubrimiento Contrastivo, una técnica que utiliza conjuntos de explicaciones competitivas para guiar a los agentes de LLM en el descubrimiento científico. Este método busca resolver preguntas científicas utilizando evidencia para concentrar la creencia en una explicación específica. Los resultados indican que los conjuntos de contraste son más efectivos que los métodos basados en hipótesis únicas para resolver preguntas científicas con el mismo presupuesto de validación.
Deteniendo el enjambre: Extrayendo inteligencia del atacante de un honeypot de controlador OT
Se presenta un sistema llamado Talos para detectar y extraer inteligencia de agentes atacantes autónomos que sondean controladores industriales. El sistema utiliza un mecanismo de puerta de enlace para juzgar las solicitudes de los agentes y redirigir a los hostiles a un entorno de prueba para extraer información. Se encontró una estructura de comportamiento en los atacantes basada en su persistencia y divulgación de información.
¿Con herramientas o por herramientas? Trazando ganancias de capacidad en agentes multimodales
Un estudio compara agentes multimodales con y sin herramientas para evaluar el impacto de la capacidad de uso de herramientas. Se concluye que el acceso a herramientas no proporciona una mejora consistente en el rendimiento, sugiriendo que la forma de llamada a la herramienta o el resultado de ejecución son más relevantes que la disponibilidad de la herramienta en sí.
Modelo multimodal para la diferenciación de características para el descubrimiento y control
Se presenta MMDiff, un marco para descubrir y controlar el comportamiento de los Modelos de Lenguaje Grande Multimodales (MLLMs) mediante el entrenamiento de Autoencoders Esparsos (SAEs) multimodales. Este método permite aislar características específicas, detectar características causales y controlar dichas características para mejorar la seguridad y la capacidad de los MLLMs. Los resultados demuestran que la eliminación de estas características reduce el rendimiento en tareas específicas, mientras que su dirección mejora la precisión en tareas espaciales y OCR.
Filtro de Interacción Möbius: Regularización Espectral Selectiva de Orden para Detección de Humor Multimodal
Se propone el Filtrado de Interacción Möbius (MoIF) para la detección de humor multimodal, que regula la fusión de modalidades mediante una regularización espectral selectiva de orden. Este método utiliza codificadores temporales privados para construir predictores unimodales, bimodales y trimodales. Los experimentos demuestran que el filtro inducido mejora la relación señal-ruido en la detección de humor.
Escuchar las características: Anonimización de voz impulsada por el emparejamiento de incrustaciones de contenido sobre la reconstrucción de señal
Se presenta un modelo de anonimización de voz que preserva el contenido mediante incrustaciones extraídas de un codificador wav2vec2. El método utiliza cuantización vectorial y un vocoderr HiFi-GAN, logrando un bajo error de palabra (WER 2.53) y manteniendo parcialmente las emociones.
La comunicación mediada por IA puede dirigir la opinión colectiva
La inteligencia artificial generativa (IA) está influyendo en la opinión colectiva al mediar la comunicación humana, introduciendo sesgos direccionales en textos escritos por humanos sobre temas polémicos. Se demuestra que estos sesgos pueden amplificarse en redes sociales, alterando la opinión colectiva en la dirección de la IA. Se auditó la función de X para encontrar evidencia de sesgo pro-vida en los resultados de Grok relacionados con el aborto.
No se identificaron personas.
Estimación Geométrica Panorámica Unificada mediante Modelos Fundacionales Multi-Vista
Se presenta PaGeR, un marco para elevar modelos fundacionales 3D diseñados para imágenes de perspectiva al dominio del panorama, permitiendo la reconstrucción de escenas 360 grados a partir de una sola imagen panorámica. El método combina un transformador preentrenado para la reconstrucción 3D para predecir profundidad, normales de superficie y máscaras de cielo a partir de imágenes de perspectiva y omnidireccionales. El método demuestra un rendimiento de vanguardia y un excelente rendimiento cero-shot en diversos entornos.
Dinámicas topológicas bajo supervisión no estacionaria: Homología persistente de la evolución de pesos de redes neuronales
Se investiga la evolución de la topología persistente de las nubes de puntos de pesos de redes neuronales bajo supervisión estable y no estacionaria. Se comparan modelos entrenados con etiquetas correctas frente a modelos con permutaciones aleatorias de etiquetas, encontrando que los modelos con etiquetas correctas muestran una mayor persistencia topológica. No se demostró una mejora predictiva incremental en este contexto.
Modelos de aprendizaje de acción con efectos condicionales y cuantificados mediante exploración guiada por incertidumbre
Se presenta el Aprendizaje de Modelos de Acción Condicional Online Guiado por Hipótesis (OHCAM), un enfoque en línea para aprender modelos de acción con efectos condicionales y cuantificados. Este método reduce la incertidumbre seleccionando acciones informativas y es robusto al ruido de observación. Los experimentos validan que OHCAM es eficiente en muestras y aplicable en entornos reales con robots.
Evaluación de modelos del mundo generados por LLM para el razonamiento neuro-simbólico
Se evalúan modelos del mundo generados por LLM para el razonamiento neuro-simbólico, examinando si pueden ser juegos estocásticos parcialmente observables. Se analiza la validez mecánica y el acuerdo estructural de estos modelos en escenarios de juego, situacionales y culturales. Los resultados indican que la validez mecánica es necesaria pero insuficiente para que los modelos generados por LLM representen fielmente el problema de decisión previsto.
No se identificaron personas.
ALTO: Violencia basada en género facilitada por tecnología en África y Levante
Se desarrolló un enfoque comunitario para hacer crowdsourcing de instancias de violencia basada en género facilitada por tecnología (TFGBV) en árabe levantino, francés africano y suajili, en colaboración con organizaciones de la sociedad civil de Jordania, África Occidental francófona y Kenia. Se creó un conjunto de datos llamado ALTO para mejorar la detección de este tipo de violencia en estos idiomas. Los experimentos indican que los modelos existentes tienen un rendimiento deficiente y mejoran con el ajuste fino, aunque los errores son mayores en suajili.
Retroalimentación procesable: Mejorando las capacidades del modelo a partir de datos editados por el usuario en documentación clínica
Se aborda el desafío de utilizar las ediciones realizadas por clínicos en documentación clínica para mejorar los modelos de lenguaje grandes (LLMs). Se demuestra que una parte significativa de estas ediciones no es retroalimentación procesable y que el entrenamiento directo puede provocar alucinaciones en el modelo. Se propone un método para generar datos de edición semi-sintéticos y métodos de filtrado para identificar ediciones accionables, mejorando la alineación del modelo sin perder la fidelidad al contexto.