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
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.
EmbeWebAgent: Incrustación de agentes web en interfaces de usuario empresariales personalizadas
Se presenta EmbeWebAgent, un framework diseñado para incrustar agentes directamente en interfaces de usuario (UI) empresariales existentes. Este framework utiliza ganchos ligeros de frontend y un flujo de trabajo de backend para permitir el razonamiento y la ejecución de acciones. El sistema es agnóstico al stack y soporta acciones de diferentes granularidades para orquestar la navegación y manipulación de la interfaz.
Mundos recursivos persistentes permiten la evolución autónoma del software
Se presenta EvoX Genesis, un sistema que organiza el desarrollo de software como un mundo recursivo persistente. Este sistema permite a los agentes delegar trabajo y gestionar cambios para su verificación y revisión, preservando el trabajo anterior como base para el desarrollo futuro. Se examinan la continuidad del desarrollo a través de estudios sobre formación, continuación y reevolución en diferentes implementaciones.
La fragilidad de la atribución de importancia para el recorte de modelos de lenguaje
Se investiga la fragilidad de medir la importancia del razonamiento en modelos de lenguaje, encontrando que la medición es frágil debido a problemas como la saturación de la puntuación de tokens de respuesta y la no localizabilidad de la importancia causal. Se concluye que la importancia reproducible solo aparece en grupos grandes de neuronas, sugiriendo que se deben usar reglas de medición específicas para la poda.
Skypart: Localización Geoespacial Robusta a Través de Descubrimiento Semántico Basado en Prototipos
Se presenta SKYPART, un método ligero para transformadores de visión basados en parches, diseñado para la localización geoespacial cruzada (CVGL) de drones cuando el GNSS falla. Este método aborda limitaciones previas al agrupar parches en partes y utiliza técnicas de aprendizaje multi-objetivo para obtener embeddings de recuperación sin depender de la altitud en la inferencia. SKYPART alcanzó resultados de vanguardia en múltiples benchmarks de localización.
Dinámicas de margen para la alineación de Modelos de Lenguaje Grande
Se presenta una base teórica sobre los métodos de alineación de Modelos de Lenguaje Grande (LLM), analizando cómo los márgenes DPO y IPO evolucionan. La investigación demuestra que los márgenes DPO crecen logarítmicamente y los márgenes IPO convergen a un valor finito. También se valida que una configuración teórica específica es competitiva con las mejores líneas de base en términos de rendimiento.
CADMAGEDDON: Reconstrucción de CAD de alta fidelidad con inferencia local
Se presenta CADMAGEDDON, un agente de código abierto que reconstruye modelos CAD editables a partir de mallas y puede ejecutarse localmente en sistemas con GPU única. El método utiliza el modelo Qwen3.8-27B para mejorar la calidad de reconstrucción en comparación con enfoques previos. Este agente se integra con FreeCAD para facilitar el flujo de trabajo de los profesionales de CAD.
PPO equilibrado por resultado y rectificación de flujo inducida por política para políticas VLA basadas en flujo
Se presenta un marco de aprendizaje por refuerzo que combina PPO equilibrada por resultado con rectificación de flujo inducida por política para políticas VLA. Este enfoque busca mejorar el rendimiento en tareas simuladas al reponderar ventajas y ajustar la representación utilizada en la optimización estocástica. El marco propuesto mejora las tasas de éxito en los *benchmarks* evaluados en comparación con las líneas de base.
La división entre lenguaje y energía: Midiendo los costos energéticos de la inferencia de LLM multilingües
Un estudio sistemático analizó el consumo de energía de inferencia de modelos de lenguaje grandes (LLM) en diferentes idiomas. Se encontraron disparidades significativas en el consumo energético por token y en el consumo total entre idiomas, atribuidas a la complejidad de los scripts y la generación de tokens. El estudio sugiere una inequidad energética sistémica en el despliegue de LLM multilingües y recomienda considerar la energía como un eje clave en la evaluación.
Cómo engañar a la IA (y que ella te mienta)
La inteligencia artificial está siendo utilizada en campañas de desinformación sofisticadas mediante técnicas como el LLM Grooming, donde se envenena la IA con contenido falso para que engañe a los usuarios. Investigaciones indican que los modelos de lenguaje pueden replicar falsedades y reforzar puntos de vista sesgados, especialmente en temas geopolíticos como la invasión de Ucrania. Además, se advierte sobre la aceleración de los ataques cibernéticos autónomos impulsados por IA.
Sesgo de Epoch en SGD-based Leave-One-Out Influence: Análisis y Corrección Acumulativa
Se presenta el Estimador de Influencia SGD Acumulativo (ACC-SGD-IE) para corregir el sesgo de interacción en el estimador SGD-IE al considerar cómo las eliminaciones previas afectan la influencia de eliminaciones posteriores. Este método mejora el rendimiento en conjuntos de datos de visión y texto, reduciendo el error de pérdida y mejorando la métrica Jaccard@10%. También se observa una reducción significativa del error RMS del parámetro en datos industriales ruidosos.
Vectores de intuición de representaciones preentrenadas dirigen el razonamiento basado en difusión
Se investiga si la geometría relacional de las representaciones visuales preentrenadas puede apoyar el razonamiento abstracto sin depender de inferencia basada en lenguaje. Se proponen vectores de intuición, diferencias vectoriales entre incrustaciones de imágenes, que capturan transformaciones que generalizan entre instancias de tareas. Estos vectores pueden dirigir el razonamiento generativo al condicionar un transformador de difusión en el espacio latente visual preentrenado.
MedGuardBench: Un punto de referencia orientado al paciente para el desarrollo de barreras personalizadas
Se presenta MedGuardBench, un punto de referencia para el desarrollo de barreras personalizadas en seguridad de medicamentos. El sistema introduce una guardia condicionada por el paciente que predice la seguridad basándose en el perfil y la prescripción. Se demuestra que las barreras estándar dependen de señales superficiales, mientras que el enfoque personalizado mejora la precisión y reduce falsas alarmas al utilizar información específica del paciente.
Evaluación de modelos VLM para escenarios críticos de seguridad
Se presenta EMRD, un marco de evaluación para medir la capacidad de los Modelos de Lenguaje-Visión (VLM) en tareas de robótica que requieren exploración, mapeo y toma de decisiones seguras. El estudio evalúa once VLMs bajo condiciones nominales y estrés ambiental (oscuridad, humo, ruido de movimiento) en 16 edificios. Los resultados indican diferencias en la exploración y detección de objetos entre modelos de peso abierto y cerrado.
Semantic Prism: Segmentación Generativa con una Interfaz Semántica-Imagen Explícita
Se presenta Semantic Prism, un marco para la segmentación de escenas viales que utiliza una interfaz explícita de imagen semántica y refinamiento jerárquico. Este modelo logró un mIoU del 72.07% en el conjunto Cityscapes, superando la decodificación directa en 11.39 puntos porcentuales. Además, el método mejora el ranking de errores de píxeles, aumentando el AUPR en el conjunto ACDC.
Ocho de cada diez LLMs filtran secretos del prompt del sistema
Un estudio auditó 363 modelos de texto a texto/texto a salida para determinar cuáles divulgan secretos protegidos en sus prompts del sistema. Se encontró que 296 de los 363 modelos, más cuatro adicionales, divulgaron una bandera de 16 caracteres. El estudio concluye que no se debe almacenar secretos en los prompts y se debe aplicar validación de salida para asegurar el comportamiento crítico del modelo.
Evaluación preliminar de jueces LLM sin verdad fundamental para un entrenador de higiene dental
Se presenta un *pipeline* por etapas para filtrar jueces LLM y modelos estudiantiles antes de la revisión experta, utilizando reglas explícitas para auditar la salida, verificar sesgos y robustez de la decisión. El estudio se realizó en un entrenador de higiene dental utilizando datos sintéticos no validados clínicamente. Los resultados preliminares indican que el modelo Granite-4.1-8B fue el más destacado en la comparación de jueces.
Recuperación Generativa Eficiente para la Búsqueda en Comercio Electrónico con IDs de Clúster Semántico y RL Guiado por Expertos
Se propone un marco de recuperación para comercio electrónico que utiliza recuperación generativa como complemento en lugar de reemplazo total. El método CQ-SID reduce la complejidad de la búsqueda al codificar ítems en identificadores de clústeres semánticos. Los experimentos demuestran ganancias significativas en la tasa de clics y en métricas de negocio como GMV y UCTCVR.
Ajuste de suerte en las máscaras como ganancia de asignación: Auditoría de la asignación de presupuesto en tiempo de prueba para la optimización combinatoria neuronal
Se audita la asignación de presupuesto en tiempo de prueba para la optimización combinatoria neuronal, midiendo si una asignación no uniforme de un presupuesto fijo genera ganancias. Se encontró que la asignación en distribución no es detectable, pero una corrección preserva una ganancia real bajo cambio de distribución, mejorando el rendimiento en la asignación guiada por estadísticas de muestra retenida.
FLARE: Un paradigma de supervisión densa de ciclo de vida completo para agentes de codificación a largo plazo a través de un modelo de recompensa generativa
Se presenta FLARE, un nuevo paradigma de supervisión densa impulsado por un Modelo de Recompensa Generativa (GRM) ligero, diseñado para mejorar los agentes de LLM en ingeniería de software a largo plazo. Este enfoque utiliza un marco de diagnóstico causal para proporcionar retroalimentación de riesgo en tiempo real y optimizar el agente a lo largo de su ciclo de vida. Las evaluaciones demuestran que FLARE supera a métodos existentes, logrando reducciones significativas en el consumo de tokens y mejorando el rendimiento en SFT y RL.
Reconfigurando el conocimiento procedimental para la adaptación de habilidades robóticas
Se estudia la reconfigurabilidad en modelos de comportamiento para adaptar habilidades a nuevos objetivos mediante la reestructuración eficiente de componentes existentes. Se propone el marco RecPo para representar habilidades independientemente de la tarea y materializar secuencias ejecutables mediante la composición de transiciones almacenadas. Los estudios en robots reales demuestran adaptación mediante ediciones de memoria local sin necesidad de reentrenamiento específico.
Marco algebraico temporal para la evaluación de flujos de datos bajo etiquetas retrasadas y cambios de distribución
Se presenta un marco algebraico para evaluar flujos de datos cuando las etiquetas llegan tarde o hay cambios en la distribución. El marco extiende las medidas agrupadas y por clase a flujos, ponderando los conteos en el tiempo. Se aborda el impacto de la retroalimentación retrasada y la calibración del modelo en la evaluación de la precisión y especificidad.
¿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.
NexSight: Tareas verificables para la comprensión de video largo con agentes
Se presenta NexSight, que construye tareas verificables para evaluar y entrenar la comprensión de video largo por agentes. El pipeline SightForge acepta tareas solo si la evidencia puede reconstruir la tarea a partir del video crudo. Esto resulta en SightLine, 310 tareas trazables por evidencia evaluadas mediante SightLoop. El modelo Sight-35B muestra mejoras significativas en la precisión interactiva al usar evidencia anotada.
Aprendizaje por Refuerzo Profundo para el Control de Bombas de Calor y Calefacción por Suelo: Un Estudio de Caso de Extremo a Extremo
Se presenta un estudio de caso de extremo a extremo para un controlador basado en Aprendizaje por Refuerzo Profundo (DRL) aplicado a sistemas integrados de calefacción por suelo (UFH) y bombas de calor (HP). El trabajo demuestra que el controlador logró mantener las temperaturas interiores dentro de los límites de confort mientras ajustaba dinámicamente la temperatura de la bomba de calor y las válvulas del UFH. Esto sugiere la viabilidad de implementar controladores DRL en edificios ocupados.
Reentrenamiento pseudoetiquetado a partir de errores de pronóstico para la predicción de series temporales en línea
Se propone PILOT, un marco de reentrenamiento en línea que utiliza errores de pronóstico realizados como retroalimentación directa para determinar cuándo reentrenar modelos de series temporales. Este método construye una pseudoetiqueta a partir de aumentos futuros en el error de pronóstico para entrenar un clasificador que prediga estos estados. Se evaluó PILOT en ocho puntos de referencia utilizando tres arquitecturas de pronóstico diferentes, logrando un rendimiento de vanguardia en políticas de reentrenamiento.
El colapso del simulador en el aprendizaje por refuerzo multiagente
Se investiga el colapso del simulador en el aprendizaje por refuerzo multiagente (MARL) cuando los agentes son entrenados contra un único modelo de lenguaje grande (LLM). Se demuestra que las políticas entrenadas contra estos simuladores pueden aprender estrategias estrechas que no generalizan a usuarios reales. Se proponen dos soluciones, el Muestreo Verbalizado y el Co-Entrenamiento, para mejorar la generalización y la diversidad de las políticas.
Smooth Inliers, Erratic Outliers: Mamba con Conciencia de Frecuencia para Aprendizaje de Correspondencia de Dos Vistas
Se propone SFMambaNet para el aprendizaje de correspondencia de dos vistas, utilizando Mamba para impulsar podadores. El método escanea las coincidencias por clúster para diferenciar entre coincidencias correctas y erróneas. Los resultados demuestran que la frecuencia es un lenguaje natural para describir el acuerdo entre correspondencias, mejorando el rendimiento en la estimación de pose de cámara.
La optimización de prompts con demostraciones condicionadas demuestra avances en la optimización automática de prompts
Se investiga la optimización automática de prompts mediante métodos como la búsqueda de prompts condicionada por demostración (DCPS). Se encontró que DCPS puede igualar la precisión de clasificación con una tercera parte del costo y reducir el costo de API en un 32% en sistemas de IA compuestos. El análisis revela que la propuesta y selección recuperan el rendimiento de optimizadores más complejos en tareas estructuradas, mientras que otros mecanismos mantienen ventajas en entornos de razonamiento complejo.