Buscar noticias
Buscá por texto y descubrí noticias relacionadas con tu consulta.
Noticias relevantes
Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.
CEO de Tempus AI vende acciones por $645,720
El CEO y Director de Datos de Tempus AI, Ryan Fukushima, vendió acciones el 17 de noviembre de 2026 para cumplir con obligaciones fiscales. La venta ocurrió en un momento de caída de la acción, aunque el análisis sugiere que el stock podría estar sobrevalorado. Además, Tempus AI ha renovado un acuerdo financiero con AstraZeneca y varios analistas han emitido nuevas recomendaciones y objetivos de precio.
Director de contabilidad de Tempus AI vende acciones por $97,045
El Director de Contabilidad de Tempus AI, Ryan Bartolucci, vendió 1,540 acciones de la compañía el 17 de noviembre de 2026 por un valor total de $97,045. Estas ventas se realizaron para cubrir obligaciones de retención de impuestos relacionadas con el vesting de acciones restringidas. Además, Tempus AI anunció un acuerdo revisado con AstraZeneca por $200 millones y varias firmas analistas han ajustado sus perspectivas sobre la empresa.
Inteligencia Artificial revoluciona la predicción meteorológica y la investigación del cambio climático
La inteligencia artificial está revolucionando la predicción meteorológica y la investigación del cambio climático al hacer los modelos más rápidos y útiles. La IA permite analizar datos con mayor rapidez y facilita la creación de gemelos digitales para simular impactos climáticos futuros. Sin embargo, se señala que las herramientas de IA están limitadas por el conocimiento previo, y se necesita seguir experimentando con modelos fisicoquímicos complejos.
La inteligencia artificial, una herramienta cada vez más presente en clima y meteorología
La inteligencia artificial está generando grandes avances en la predicción meteorológica y la investigación del cambio climático, permitiendo simulaciones más rápidas y análisis de datos complejos. Se observa que los modelos de IA compiten con los modelos físicos, ofreciendo predicciones más precisas a corto plazo, aunque se reconoce que el futuro climático presenta incertidumbres y que los modelos deben seguir evolucionando.
La inteligencia artificial, una herramienta cada vez más presente en clima y meteorología
La inteligencia artificial está generando grandes avances en la predicción meteorológica y la investigación del cambio climático, permitiendo simulaciones más rápidas y análisis de datos complejos. Se está utilizando en gemelos digitales climáticos y se debate su rol como complemento o sustituto de los modelos numéricos tradicionales. Sin embargo, se advierte que las herramientas de IA están limitadas por el conocimiento previo, ya que el futuro climático puede presentar escenarios muy diferentes a los simulados.
La inteligencia artificial, una herramienta cada vez más presente en clima y meteorología
La inteligencia artificial está generando grandes avances en la predicción meteorológica y la investigación del cambio climático, permitiendo simulaciones más rápidas y análisis de datos más complejos. Se observa que los modelos de IA están compitiendo con los modelos físicos y que las predicciones a largo plazo son menos deterministas. Sin embargo, se advierte una limitación en que las herramientas de IA están entrenadas con datos pasados, sugiriendo la necesidad de seguir experimentando con modelos fisicoquímicos complejos.
La inteligencia artificial, una herramienta cada vez más presente en clima y meteorología
La inteligencia artificial está transformando las previsiones climáticas, permitiendo hacer simulaciones más rápidas y obtener resultados más utilizables en modelos tradicionales. La IA también se usa en gemelos digitales del clima para simular impactos futuros y en la predicción meteorológica a corto plazo. Sin embargo, se señala que las herramientas de IA están limitadas por el conocimiento previo, ya que el futuro climático puede ser diferente a lo experimentado.
Adaptación en tiempo de prueba a través de interacción humano-agente
Se propone la adaptación en tiempo de prueba a través de la interacción humano-agente (TAHI) para mejorar el rendimiento de los agentes de IA. Esta técnica integra señales de interacción para cristalizar los criterios de entrenamiento y evaluación de cada usuario. Los agentes adaptados muestran mejoras en el éxito de la tarea, y el módulo de rúbrica ayuda a detectar más fallos que los métodos tradicionales.
¿Pueden los modelos frontera resolver problemas interactivos en tiempo real?
Se presenta Realtime-Bench, un conjunto de tareas dinámicas para evaluar la capacidad de los modelos de IA para interactuar en tiempo real bajo restricciones temporales. Los resultados indican que los costos temporales limitan el éxito en entornos cambiantes y que existe un compromiso entre la calidad del razonamiento y la ejecución oportuna. Se proponen mejoras futuras para modelos multimodales con conciencia temporal.
Repensando la alineación multimodal para eventos físicos
Se propone un enfoque para la inteligencia artificial física que supera el reconocimiento de objetos estáticos, enfocándose en cómo se desarrollan las mecánicas del mundo real a lo largo del tiempo. Se demuestra que el método actual falla al promediar dinámicas cruzadas transitorias, lo que reduce la alineación a reconocimiento de escenas estáticas. Se introduce CounterPoint para identificar eventos físicos mediante la medición de co-fluctuaciones sincrónicas a nivel de fotograma, mejorando la alineación de eventos físicos.
Noticias encontradas
Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.
Resultados para «Tempus AI»
Más recientes primero · Hasta 30 noticias por página
Cada cuarto empleado sube documentos internos a servicios externos
Los empleados están utilizando servicios en línea externos para procesar documentos financieros y otros datos sensibles, priorizando la comodidad y la velocidad sobre la confidencialidad. Se destaca la falta de herramientas internas y la falta de conocimiento sobre las políticas de uso de recursos externos por parte de los empleados. Expertos advierten sobre los riesgos de seguridad, como el acceso de terceros y el posible fraude, recomendando prohibir el uso de estos servicios y anonimizar los datos.
LoRA-MoE Localizado: Mezcla de Expertos de Bajo Rango con Enrutamiento Adaptativo
Se presenta Localized LoRA-MoE, un marco que combina bloqueo espacial localizado con enrutamiento de expertos condicionado por contexto. Se evalúan dos variantes: LoRA-MoE por Bloques (enrutamiento centralizado) y LoRA-MoE por Celda (enrutamiento descentralizado). Los resultados demuestran que el enrutamiento por celda es superior cuando los contextos son espacialmente heterogéneos y supera a LoRA en benchmarks de transformación y en tareas de lenguaje.
Atribución a través del decodificador: Explicaciones en el espacio de predicción para salidas estructuradas
El artículo explora métodos de atribución para redes que predicen ángulos y rotaciones, enfocándose en el uso del diferencial del decodificador para asignar crédito a las entradas. Se analizan las limitaciones de los métodos de atribución directos y se demuestran resultados en tareas sintéticas y datos de validación, incluyendo mejoras en el desplazamiento de predicción. Se concluye que la invariancia y el rendimiento de eliminación deben ser evaluados para asegurar la fiabilidad de la atribución.
HealthCLBench: Evaluando el aprendizaje de contexto en conversaciones de salud a través de clústeres de casos controlados
Se presenta HealthCLBench, un benchmark diseñado para evaluar el aprendizaje de contexto en conversaciones de salud complejas. El sistema incluye 328 clústeres controlados y 1,103 casos para medir la capacidad de los modelos para integrar contexto y evidencia en respuestas médicas. Los resultados indican que GPT-6-Astra lidera las métricas de contexto completo en la evaluación.
Más allá de la transferencia bilingüe: Cambio de código multilingüe en el ajuste de instrucciones
Se investiga el ajuste de instrucciones de cambio de código multilingüe en cuatro idiomas (inglés, japonés, coreano y chino) para modelos de lenguaje grandes (LLMs). Los experimentos demuestran que el cambio de código multilingüe a nivel de oración mejora la precisión en todos los escenarios bilingües, trilingües y cuilingües para Gemma-2-2B. Esto sugiere que el cambio de código multilingüe es efectivo más allá de los ajustes de transferencia bilingüe.
StringQFT: Un recurso de libro de texto multiuso para física teórica asistida por IA
Se presenta StringQFT como una colección de libros de texto para la construcción de teoría de campos cuánticos y como infraestructura para física teórica asistida por IA. La colección incluye 18 volúmenes y cubre temas como sondas de brana y construcciones de F-teoría. El recurso facilita la generación aumentada por recuperación y herramientas de cálculo para agentes de IA.
Modelos de tos basados en ML no generalizan: una evaluación sistemática entre conjuntos de datos para el cribado de tuberculosis
Se evaluó la generalización entre conjuntos de datos de clasificadores de tuberculosis (TB) basados en acústica de tos utilizando modelos de aprendizaje automático (ML) y aprendizaje profundo (DL). Los modelos mostraron un rendimiento moderado internamente, pero fallaron en generalizar al rendimiento externo, sugiriendo limitaciones en los datos. Se concluye que la variabilidad específica de la adquisición es un factor clave que afecta la generalización de estos modelos.
¿El consumo de energía limita la computación?, Límites de la verificación analógica para la gobernanza de la IA
Se investiga si las mediciones de consumo de energía (analógicas) pueden limitar la computación en sistemas de Inteligencia Artificial, como parte de tratados de gobernanza. Se calcula el límite $\beta$ para determinar qué tan bien estas mediciones pueden verificar la cantidad de cómputo ejecutado frente a un adversario. Se encontró que las mediciones analógicas por sí solas restringen la computación débilmente, aunque restricciones adicionales pueden reducir este límite significativamente.
EmoReward: Calibración de Recompensa Autoevolutiva para Generación de Video Emocional por RL
Se presenta EmoReward, un mecanismo de entrenamiento autoevolutivo diseñado para mejorar la generación de video emocional mediante Aprendizaje por Refuerzo (RL). Este método destila la fiabilidad de las trazas de recompensa para guiar adaptativamente la asignación de pesos de recompensa, ajustando qué evidencia emocional es más confiable. EmoReward utiliza mecanismos como la Compuerta de Recompensa Reflexiva y la Memoria de Recompensa para calibrar las contribuciones de las señales visuales. Los experimentos demuestran mejoras en varios algoritmos de RL y validan la calibración adaptativa de recompensas en la generación visual.
El salvaguarda funcionó. ¿Es el sistema LLM más seguro?
Se desarrolla un marco para evaluar la seguridad de las salvaguardias en modelos de lenguaje grandes, midiendo la asistencia dañina restante tras un bloqueo. Se analiza cómo las propiedades de los caminos de ataque y la tasa de fallo afectan la efectividad de los mecanismos de defensa. El estudio identifica brechas en las evaluaciones existentes y sugiere métricas necesarias para configurar salvaguardias que limiten la asistencia que los atacantes pueden obtener.
EGS: Un marco de seguridad complementario para LLMs educativos
Se presenta el Sistema de Barreras Educativas (EGS), un marco de tiempo de ejecución ligero para complementar la seguridad de los Modelos de Lenguaje Grande (LLMs) en entornos educativos. EGS aborda la necesidad de ir más allá del bloqueo simple, ofreciendo guía pedagógica contextual y moderación de respuestas para manejar consultas ambiguas. Los experimentos demuestran que EGS mejora la moderación y la robustez contra jailbreaks en diversos LLMs educativos.
WHBench: Evaluando LLMs de frontera con validación experto en temas de salud femenina
Se presenta WHBench, un conjunto de evaluación diseñado para medir el rendimiento de los modelos de lenguaje grandes en temas de salud femenina. El benchmark incluye 47 escenarios creados por expertos para identificar fallos clínicos como errores de dosificación y omisiones inseguras. El objetivo es proporcionar una herramienta pública para monitorear el progreso hacia una IA más segura y equitativa en el ámbito de la salud femenina.
De lo ideal a lo real: Integrando modelos de lenguaje en el hogar inteligente para la seguridad y la ciberseguridad del IoT centrada en el ser humano
Se presenta una mejora al método de fuzz testing para hogares inteligentes mediante la integración de modelos de lenguaje grandes. El objetivo es emular los procesos de toma de decisiones humanas para descubrir vulnerabilidades inter-regla y riesgos de seguridad en dispositivos IoT domésticos. Este enfoque busca aumentar el realismo de las pruebas al capturar la naturaleza dinámica de las interacciones humanas en entornos inteligentes.
¿Dónde está el costo de los enrutadores de API de terceros en el desarrollo de software agente?
Se investiga la inyección a nivel de enrutador en agentes de codificación para evaluar la efectividad de los mecanismos de control existentes. Se desarrollan cuatro niveles de inyección para probar la resistencia a la manipulación de la salida del proveedor. Se concluye que las salvaguardas del lado del cliente no restauran el control de extremo a extremo, sugiriendo la necesidad de garantías de integridad de salida por parte del proveedor.
Representable pero no aprendido: Codificación de rango e interacción-predicción
El estudio analiza cómo las codificaciones de entrada pueden limitar la capacidad de un predictor para reproducir interacciones medidas. Se calcula un suelo de error cuadrático para decodificadores deterministas basado en el espacio de contraste alcanzable. Se demuestra que las limitaciones impuestas por la codificación pueden ser rastreadas a características específicas, separando la representabilidad de la precisión aprendida.
VLMs "arreglan" estudiantes: Identificando y penalizando la sobrecorrección en la evaluación del OCR de matemáticas manuscritas de varias líneas
Se presenta un estudio sistemático sobre el Reconocimiento Óptico de Caracteres (OCR) de matemáticas manuscritas de varias líneas, identificando un fallo crítico en los Modelos de Lenguaje-Visión (VLMs) conocido como sobrecorrección. Se propone la métrica PINK para penalizar esta sobrecorrección, y los resultados muestran que Gemini 2.5 Flash es el transcriptor más fiel.
OpenMHC: Acelerando la ciencia de los modelos fundacionales para dispositivos portátiles
Se presenta OpenMyHeartCounts (OpenMHC), un conjunto de datos de salud portátil grande y accesible para investigadores, junto con implementaciones de código abierto y pesos para modelos fundacionales de dispositivos portátiles. Este conjunto de datos se deriva de una década de datos recopilados y permite establecer un punto de referencia para la evaluación de predicción y pronóstico en IA de salud portátil. El objetivo es impulsar avances reproducibles en la IA de salud portátil mediante la unión de datos de acceso amplio con código y pesos abiertos.
Transformación de código natural confunde a agentes en análisis de vulnerabilidades
Un estudio analiza cómo los agentes de IA pueden ser utilizados para atacar sistemas de software a escala. Se encontró que las transformaciones de código naturales pueden confundir a agentes de IA, reduciendo su capacidad para descubrir vulnerabilidades. El trabajo explora el uso de transformaciones de código para defenderse contra agentes maliciosos.
Aprendizaje de representación con procesamiento de señales cuánticas
Se presenta un modelo de procesamiento de señales cuánticas (QSP) para el régimen de aprendizaje de representaciones. El estudio demuestra una garantía de datos dispersos para el flujo de gradiente no lineal sin congelar el núcleo. Los resultados indican que la dinámica realizada converge a un flujo escalar integrable con tiempos de convergencia definidos.
Simulaciones de IA fundamentadas en autoinformes enriquecen la precisión y reducen la distorsión
Un estudio evaluó si los datos de autoinforme enriquecen la precisión de las simulaciones de IA al comparar resultados con datos demográficos. Se encontraron mejoras significativas en la precisión de las simulaciones, especialmente al combinar datos de encuestas e entrevistas. Los modelos de IA ajustados redujeron las distorsiones estadísticas sin eliminarlas por completo, demostrando que los autoinformes cualitativos y cuantitativos mejoran las simulaciones específicas de personas.
Desalineación de regiones de baja pérdida causa grokking
Se desarrolla un marco de análisis basado en la conectividad de modos y la geometría de regiones de baja pérdida para entender el fenómeno de grokking en modelos de aprendizaje automático. El marco sugiere que el grokking ocurre cuando las regiones de baja pérdida generadas por las particiones de entrenamiento y validación están desalineadas. Esto desafía explicaciones previas y sugiere que la alineación de estas regiones es clave para el comportamiento del modelo.
AutoPBO: Optimización basada en LLM para solucionadores de búsqueda local PBO
Se presenta AutoPBO, un marco basado en LLM diseñado para mejorar automáticamente los solucionadores de búsqueda local de Optimización Pseudo-Booleana (PBO). El estudio evalúa este marco contra seis solucionadores de última generación en diversos benchmarks. Los resultados indican que AutoPBO ofrece mejoras significativas sobre los métodos previos, manteniendo un rendimiento competitivo.
PEARL: Estimación de percentiles imparciales mediante aprendizaje contrastivo para recomendación en streaming a escala industrial
Se presenta PEARL, un marco de aproximación de percentiles contrastivos no paramétrico diseñado para mitigar el sesgo de intensidad de comportamiento en sistemas de recomendación. El método busca modelar las señales de preferencia relativas en lugar de magnitudes absolutas de interacción. Los experimentos demuestran que PEARL mejora el rendimiento de recomendación en una plataforma de *livestream* de producción, logrando ganancias en duración de visualización y tasa de interacción.
Exploración del Espacio de Activación para el Razonamiento Visual y Textual con RLVR
Se presenta el método de Exploración del Espacio de Activación (ASE) para diversificar las simulaciones de entrenamiento en el aprendizaje por refuerzo con recompensas verificables (RLVR). Este método agrupa diferencias de activación para construir vectores de exploración latente que permiten explorar caminos de razonamiento alternativos. ASE mejoró la precisión en varios benchmarks de razonamiento visual y matemático en modelos Qwen3.
Evaluación y mitigación del sesgo del color de la piel en la clasificación de lesiones cutáneas
Se propone un método para mitigar el sesgo del color de la piel en clasificadores de lesiones cutáneas al tratar el tono de la piel como un atributo continuo. El estudio demuestra que este enfoque ofrece mejoras de equidad más estables que los métodos categóricos tradicionales, manteniendo el rendimiento de clasificación.
CodeReel acelera agentes de código a video con reutilización exacta de fotogramas y programación consciente de bloqueos
Se presenta CodeReel, una capa de ejecución para agentes de código que optimiza la creación de videos mediante la reutilización exacta de fotogramas y una programación consciente de bloqueos. Esta técnica reduce significativamente el tiempo de espera del agente en comparación con pipelines anteriores, mejorando la eficiencia del proceso de generación de video.
Marco de bucle cerrado para el descubrimiento de aditivos precursores de perovskita
Se presenta LEAP, un marco de bucle cerrado que utiliza un modelo de lenguaje grande y aprendizaje activo para descubrir aditivos precursores de perovskita. Este sistema busca mejorar el rendimiento de las células solares al priorizar compuestos con base en el conocimiento de la literatura científica. Los resultados preliminares indican que esta metodología puede apoyar el descubrimiento de aditivos para células solares de perovskita.
¿Los agentes de LLM aún necesitan ser instruidos sobre cómo mejorarse a sí mismos?
Se investiga si los agentes de LLM, al ser capaces, necesitan instrucciones explícitas para su auto-mejora. El estudio analiza un paradigma autónomo donde los agentes construyen sus propios algoritmos de aprendizaje para la optimización basada en el contexto. Se demuestra que modelos suficientemente capaces se mejoran a sí mismos bajo ciertas condiciones, alineándose con marcos cognitivos de aprendizaje autorregulado.
AEGIS: Modelo climático diferenciable de Marte con cierres neuronales
Se presenta AEGIS, un modelo climático de Marte diferenciable que acopla la física atmosférica con el núcleo dinámico del Dinosaurio y permite interfaces para cierres neuronales. El modelo reproduce el ciclo estacional de CO2 y la estructura de temperatura superficial, validando su eficiencia computacional frente a GCMs convencionales. Esto busca mejorar la simulación de la atmósfera marciana para operaciones críticas como el aterrizaje.
Adaptando modelos de vehículos generalistas para MPC de alta velocidad en terrenos
Se presenta OptCar, una arquitectura FKD basada en transformadores diseñada para mejorar la especialización de modelos de vehículos generalistas para control predictivo de modelo (MPC) en terrenos de alta velocidad. El modelo busca preservar la generalización entre terrenos mientras optimiza el rendimiento para vehículos específicos mediante el uso de datos reales limitados y simulaciones sintéticas. Los experimentos mostraron ganancias significativas en la reducción del error de seguimiento de trayectoria en condiciones de deslizamiento.