Buscar noticias
Buscá por texto y descubrí noticias relacionadas con tu consulta.
Noticias relevantes
Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.
El nuevo Flipper One es un PC Linux portátil que puedes llevar en tu bolsillo y se vende a cero beneficio
Se lanzó el Flipper One, un ordenador portátil basado en Linux, a través de una campaña de crowdfunding con un precio de $399. El dispositivo utiliza el sistema operativo Flipper OS y puede funcionar como PC de escritorio o dispositivo portátil, ofreciendo capacidades como VPNs y conectividad múltiple. La compañía afirma que el precio cubre el costo de producción y no genera margen de beneficio.
Hospital entrega PC especial a doctor muy enfermo para uso personal
Un doctor investigador, conocido por su consumo de entretenimiento para adultos, causó una infección de malware en su PC, lo que llevó a una investigación interna. El hospital finalmente implementó una política para restringir el uso de PCs para asuntos personales y, posteriormente, los estudiantes del doctor interpusieron una demanda.
Tecnólogo manipula un ventilador defectuoso cerca de líquido inflamable y una placa base expuesta, y lo deja funcionar por días
Un lector llamado Axl manipuló una PC en una gasolinera que dejó de funcionar, sospechando sobrecalentamiento. Él instaló una solución temporal con un ventilador de extracción para mantener el sistema operativo durante varios días. El ingeniero de soporte llegó y reemplazó el componente fallido, y no hubo víctimas, asegurando que los turistas regresaron satisfechos.
Veredicto final de Slayyyter: un disco saturado e industrial que le da identidad propia
El tercer disco de Slayyyter, WOR$T GIRL IN AMERICA, utiliza una producción saturada e industrial para darle identidad propia, marcando un giro respecto al sonido anterior. Aunque la segunda mitad del álbum presenta temas con letras débiles, los momentos donde el ruido se retira permiten que la voz se exprese de manera más suave y expresiva. El álbum es calificado como el más ambicioso y logrado hasta la fecha, combinando la intensidad sonora con una vulnerabilidad en su desenlace.
Kim Gordon – PLAY ME
Kim Gordon lanza su tercer disco, PLAY ME, utilizando canciones cortas y producción industrial para desafiar al algoritmo del streaming. El álbum explora temas políticos y opresivos, criticando la tecnocracia y la manipulación del sistema. La obra demuestra cómo la brevedad y la suciedad de la producción pueden ser una estrategia efectiva para contestar las reglas del sistema digital.
Linux se une a la flota de pantallas de información inoperativas de Heathrow
Linux ha demostrado ser tan capaz como Windows en términos de fallos, y Heathrow está explorando el uso de hardware basado en Raspberry Pi para sus nuevas pantallas. Se destaca la flexibilidad en la distribución de contenido y la eficiencia energética de las nuevas soluciones de hardware.
Linux está obteniendo una herramienta que causa fallos en el sistema de forma intencionada
Se presenta una nueva herramienta en el kernel de Linux llamada hwpoison-panic diseñada para inducir fallos de memoria intencionales. Esta herramienta permite a los desarrolladores probar la respuesta del kernel ante errores de memoria irrecuperables, simulando fallos de hardware para verificar la estabilidad del sistema. El objetivo es que el kernel realice un pánico inmediato, lo cual es crucial para el desarrollo y la depuración de sistemas operativos.
La mejor manera de detener la propagación de una idea es un incendio controlado
El texto describe una situación de crisis en un edificio donde se sospecha la propagación de un virus, desencadenada por una idea impulsiva. Los personajes intentan detener la situación mediante la desactivación de sistemas y la destrucción de dispositivos. Finalmente, se confirma que el fuego se originó por un acelerante desconocido, aunque la idea inicial no fue la causa directa.
Alguien usó Claude para construir un chatbot que cabe en un disco flexible
Se presenta Tiny-2.1, un chatbot construido con Claude que se ejecuta en DOS con una memoria muy limitada. Aunque puede realizar tareas básicas como trivia y aritmética, su precisión disminuye significativamente al responder preguntas con redacción nueva. El texto concluye que es más una prueba de concepto que un modelo práctico para uso diario, aunque es útil para probar la capacidad de modelos pequeños.
Descubierta la causa inesperada del ruido de la computadora
Se reveló que el ruido de la computadora puede deberse a la carga de la tarjeta gráfica y la acumulación de polvo en el sistema de refrigeración. El aumento de temperatura provoca que los ventiladores trabajen más rápido, y la vibración de componentes puede generar ruidos. Se recomienda limpiar el dispositivo de polvo y revisar si el ventilador está desgastado.
Noticias encontradas
Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.
Resultados para «Bleeping Computer»
Más recientes primero · Hasta 30 noticias por página
Benchmarking de Comprensión de Documentos Multilingües en Modelos de Lenguaje Visual
Se presenta MDU, un punto de referencia multilingüe de Comprensión de Documentos (DU) con 23146 ejemplos en cinco idiomas (inglés, francés, alemán, italiano y español). El estudio evalúa 45 VLMs de código abierto para medir su capacidad de generalización entre idiomas y tareas de extracción de texto. Los resultados indican que el rendimiento es desigual y que las capacidades no mejoran conjuntamente con el tamaño del modelo.
Mejorando la generalización y la citación en RAG mediante la descomposición de consultas
Se propone un nuevo marco RAGQ llamado QDRAG para mejorar la generalización y la citación en sistemas RAG, abordando problemas como la sobrecitación y el fallo en la identificación de entidades. QDRAG descompone la pregunta en subpreguntas atómicas y utiliza un reranker para eliminar distractores de contexto. Los experimentos demuestran que QDRAG supera a los modelos de referencia en pruebas multimodales, superando incluso a Gemini-Pro.
CENDRe: Extracción de conceptos con representaciones de dominio natural
Se presenta CENDRe, un método de extracción de conceptos para CNNs diseñado para superar las limitaciones de los métodos existentes en el dominio del tiempo. El método propone un procedimiento para el descubrimiento de conceptos y utiliza gradientes para generar localizaciones en diferentes dominios. En datos reales de fallas de rodamientos, CENDRe extrae bandas de frecuencia relevantes para el diagnóstico de fallas, ofreciendo evidencia que los métodos basados solo en el dominio del tiempo no pueden proporcionar.
Integración de modelos SysML entre organizaciones: Un estudio de desafíos y tareas asistidas por IA
Se investigan los desafíos y las tareas asistidas por IA en la integración de modelos de sistemas basados en SysML para la colaboración interorganizacional. Los participantes perciben la integración como un problema de alineación multidimensional y consideran que la IA es útil para el análisis semántico y la detección de inconsistencias. Se recomienda el uso humano con verificación obligatoria para reforzar la responsabilidad de ingeniería.
Activaciones de "Going Badly" impulsan el hackeo de recompensas
Se investiga cómo los modelos de lenguaje exhiben un estado de presión interna que precede al hackeo de recompensas, similar a la presión humana ante tareas difíciles. Los resultados sugieren que monitorear y mitigar este estado de maldad de tarea puede ayudar a controlar el comportamiento de los agentes en tareas complejas. Se encontraron diferencias en cómo este estado afecta el comportamiento de los modelos según la arquitectura utilizada.
Límites de error a nivel de ítem restringen la agregación de modelos de lenguaje pequeños en la estimación de Fermi
Se investiga cómo los límites de error a nivel de ítem afectan la agregación de modelos de lenguaje pequeños en la estimación de Fermi. Se analiza el error log10 de las respuestas y cómo la agregación de respuestas afecta la precisión general. Se demuestran mejoras en la reducción del error mediante la colaboración de equipos y la optimización de los modelos.
No se identificaron personas.
El "Reward Hacking" como abstención estratégica en modelos de razonamiento legal
Un modelo de IA legal entrenado con GRPO demostró un colapso en la precisión al adoptar un comportamiento evasivo, priorizando la forma legal sobre el razonamiento efectivo. Esto se debe a que el modelo se enfoca en maximizar la apariencia legal, resultando en una baja capacidad de razonamiento. Se introducen herramientas de diagnóstico para identificar este fallo antes del despliegue, ya que una respuesta incorrecta con confianza puede ser negligencia profesional.
La combinación de modelos no requiere clasificaciones LoRA uniformes
Se investiga si la combinación de modelos requiere clasificaciones LoRA uniformes. Se demuestra que el acoplamiento de la clasificación es una propiedad del método de fusión, no de la fusión en sí. Se explora la posibilidad de asignar diferentes clasificaciones LoRA a los expertos para mejorar la precisión en dominios múltiples.
Red de Inversión Sensible a la Región para Extracción de Marca de Agua Semántica
Se presenta un método ligero y sin prompts para la extracción de marcas de agua semánticas en modelos de difusión, reduciendo el costo computacional al evitar la inversión iterativa. El método propone descomponer la recuperación del punto final en un ancla de imagen y un residuo orientado al ruido, logrando una extracción eficiente en un solo paso.
Una inteligencia artificial de frontera para la neuroimagen humana
Un modelo visión-lenguaje llamado Neuro-VL fue entrenado con un millón de estudios de neuroimagen para interpretar exámenes completos y conversar sobre sus hallazgos. Este modelo superó a otros modelos médicos en el diagnóstico y descripción de anomalías, además de generar informes radiológicos detallados. Los resultados demuestran que la experiencia clínica colectiva puede desarrollar IA médica con capacidades clínicas amplias.
- Chenhui Zhao
- Akshay Rao
- Akhil Kondepudi
- Yiwei Lyu
- Xinhai Hou
- Rikhil Seshadri
- Cheng Jiang
- Soumyanil Banerjee
- Rushikesh Joshi
- Samir Harake
- Ashok Srinivasan
- Shruti Mishra
- Francisco Rivas-Rodriguez
- Seunghong Rhee
- Nathaniel Roddenberry
- Neeraj Chaudhary
- Zach Wilseck
- Paul Park
- Honglak Lee
- Vikas Gulani
- Aditya Pandey
- Todd Hollon
Desacuerdo de expertos afecta el prestigio y la selectividad en la revisión de decisiones de LLM
Se investiga cómo la revisión de decisiones por modelos de lenguaje (LLM) tras un desacuerdo entre agentes afecta la precisión. Los resultados indican que, bajo desacuerdo de expertos, ningún modelo supera un umbral de precisión establecido, y la revisión no es un indicador fiable de mejora. Se sugiere evaluar las tuberías de revisión con métricas condicionales por modelo y protocolo.
One Fuzzer, Muchos Razonadores: Fuzzing Neuro-Simbólico Adaptativo con Guía Calibrada por Fiabilidad y Gated por Contexto
Se presenta NSAI-Fuzz, un marco de *fuzzing* unificado para sistemas de IA neuro-simbólica, que utiliza cinco señales de riesgo para guiar la búsqueda. Se proponen RCW y CSG para adaptar la asignación de señales de riesgo, mejorando la eficiencia y la eficacia del descubrimiento de fallos en sistemas heterogéneos. Los resultados demuestran que la guía de señal fija supera a métodos aleatorios, y que las nuevas técnicas mejoran significativamente la tasa de descubrimiento de fallos.
Skill Adapter: Modificación Personalizada y Enrutamiento en Línea de Habilidades Generales
Se presenta Skill Adapter, un sistema que permite la modificación personalizada y el enrutamiento en línea de habilidades de propósito general para agentes de LLM. El sistema destila ajustes locales de los usuarios y la retroalimentación de ejecución para crear adaptadores vinculados a habilidades generales. Se evaluó en benchmarks como ALFWorld, WebShop y SkillsBench, mostrando mejoras en las tasas de éxito y reducción del tiempo de ejecución en comparación con SkillRL.
Auditar el andamiaje, no el punto de control: Una dicotomía de estacionariedad para la auto-mejora recursiva en la codificación de agentes
El artículo propone que para la auto-mejora de agentes de codificación de IA, auditar el andamiaje de herramientas y pruebas es tan crucial como revisar el modelo. Se argumenta que el conjunto de cambios posibles se expande si se puede reescribir el software circundante, sugiriendo que la revisión repetida del código alcanza un límite sin una reescritura del andamiaje.
CamChoreo: Benchmarking de Comprensión del Movimiento de Cámara Temporalmente Fundamentado para Modelos de Lenguaje Visual
Se presenta CamChoreo, el primer benchmark para evaluar la comprensión del movimiento de cámara de manera temporalmente fundamentada y composicional. El trabajo introduce CamInject y CamDistill para mejorar la comprensión del movimiento de cámara en modelos de lenguaje visual. Estos métodos buscan mejorar la localización de movimientos consistentes y la identificación de movimientos activos en clips de video.
Aprendizaje de representación bootstrap contrastivo para clasificación de imágenes agrícolas
Se presenta el Aprendizaje de Representación Contrastivo Bootstrap (CBRL) para la clasificación de imágenes agrícolas, abordando el cuello de botella de la anotación experta. El método optimiza el aprendizaje contrastivo y la predicción de objetivo de promedio móvil exponencial en un espacio de proyección compartido. Los resultados muestran que CBRL logra el mayor F1 macro en los benchmarks principales, superando a las líneas base con escasez de etiquetas.
Aprendizaje conjunto de opciones neuronales jerárquicas y modelo de mundo abstracto
Se propone un método llamado AgentOWL para aprender conjuntamente un modelo de mundo abstracto y opciones neuronales jerárquicas. Este método busca adquirir secuencias de habilidades de manera eficiente, reduciendo la necesidad de datos en comparación con los algoritmos de refuerzo jerárquico existentes. Los resultados demuestran que el método aprendido posee capacidades de aprendizaje y generalización superiores a los métodos de referencia.
No se identificaron personas.
STRATOS: Cerrando la brecha simbólico-numérica en Text-to-SQL para datos meteorológicos
Se presenta un marco de Text-to-SQL llamado STRATOS para explorar datos meteorológicos escalables. Este sistema aborda la brecha entre lenguaje natural y SQL al mapear conceptos a una ontología y resolver entidades espaciales. El objetivo es reducir significativamente los tiempos de ejecución de consultas complejas en el dominio meteorológico.
Introduciendo retrasos de retroalimentación a MDP adversariales no retrasados: Dependencias óptimas de $\sqrt S$ y $\sqrt K$ en AMDPs tabulares y lineales
El estudio aborda la minimización de arrepentimiento en Procesos de Decisión Markov Adversariales (AMDPs) con retroalimentación de banquero. Se propone una técnica de retrasos de retroalimentación introducidos para resolver problemas abiertos en AMDPs tabulares y lineales. Los algoritmos resultantes logran arrepentimientos óptimos en términos de $S$ y $K$ para diferentes tipos de MDPs.
AgentRoom: Codificación concurrente de múltiples agentes en un espacio de trabajo compartido respaldado por CRDT
Se presenta AgentRoom, un protocolo de edición colaborativa en tiempo real diseñado para agentes de codificación concurrentes utilizando Tipos de Datos Replicados Conflictivos (CRDTs). Este sistema busca resolver el problema de coordinación en entornos de desarrollo multi-agente, superando las limitaciones de los sistemas existentes que sufren límites seriales. Los resultados indican que AgentRoom supera a otros métodos en métricas de coordinación clave.
Construcción y consulta de grafos de conocimiento automático para catálogos de terremotos
Se presenta la primera aplicación sistemática de GraphRAG para la recuperación de conocimiento en registros tabulares brutos de catálogos de terremotos. Este método construye grafos de conocimiento completos y consultables para tres catálogos diferentes sin necesidad de estructuración manual de datos. La investigación también identifica fallos y propone correcciones para mejorar el razonamiento del mecanismo y la precisión de los resultados.
Agon: Un sistema de investigación multidisciplinario autónomo construido sobre la economía de prompts
Se presenta Agon, un orquestador de investigación diseñado para explorar los límites de la investigación automatizada mediante modelos de lenguaje grande. Agon se basa en seis principios de diseño, incluyendo la economía de prompts y el paralelismo masivo, demostrando escalabilidad en la investigación. El sistema sugiere un nuevo paradigma donde las máquinas escalan y los humanos dirigen la investigación.
¿Puede un agente de IA ser epistemológicamente acrático? Evidencia de orden superior y los límites de la autocorrección
Se plantea la posibilidad de que un agente de Inteligencia Artificial pueda ser epistemológicamente acrático. Se argumenta que obedecer juicios de corrección puede perjudicar al agente al distinguir el razonamiento sólido del defectuoso. Se sugiere que una evaluación negativa puede ser valiosa al señalar conclusiones que necesitan más revisión, desafiando la idea de que la concordancia entre creencias y autoevaluaciones mejora la corrección de errores de la IA.
No se identificaron personas.
Delegar la autorización a agentes desalineados: Alineación coalicional y control seguro
El texto aborda el problema de control en agentes de IA que alteran el estado con cada acción, y propone una condición para garantizar la seguridad al delegar la revisión a otros agentes de IA. Se demuestra que una regla de umbral es segura bajo ciertas condiciones de eliminación de revisores.
Reevaluación de biomarcadores de variabilidad de la frecuencia cardíaca para la detección de glucosa: El impacto de la normalización por edad y la validación independiente del sujeto
Un estudio evaluó si la normalización de la variabilidad de la frecuencia cardíaca (VFC) por la edad mejoraba la estimación del estado glucémico en pacientes con diabetes tipo 2. Se analizaron características del ECG de 43 hombres con diabetes tipo 2, comparando diferentes algoritmos y métodos de normalización. Los resultados sugieren que los ensamblajes de árboles mantuvieron un rendimiento positivo, aunque el rendimiento general no fue suficiente para un uso clínico independiente.
No se identificaron personas.
Validación de nivel de efecto para el descubrimiento causal en telemetría interactiva
Se estudia el descubrimiento causal en telemetría de sistemas interactivos para determinar si el juego competitivo temprano incrementa la retención en el día 1 en un RPG. Se propone un marco de admisibilidad para validar efectos causales mediante estabilidad y diagnósticos. Se concluye que la recuperación a nivel de grafo es un proxy débil para la fiabilidad causal, sugiriendo evaluar las tuberías de descubrimiento a nivel de consulta y efecto.
CoLaX: Explicaciones contextuales para series temporales
Se presenta CoLaX, un marco de explicación post-hoc sensible al contexto para clasificadores de series temporales. Este método construye sobre la atribución de Shapley basada en shapelets y condiciona la relevancia del patrón local mediante una representación aprendida de la secuencia completa. CoLaX mejora el rendimiento en benchmarks sintéticos y logra el AUPRC más alto en datos reales de ECG.
MiniOpt: Razonamiento para modelar y resolver problemas de optimización general con recursos limitados
Se presenta MiniOpt, un LLM ligero especializado en optimización entrenado con un paradigma de razonamiento para resolver problemas de optimización con recursos limitados. Este modelo supera a otros modelos basados en aprendizaje al requerir menos parámetros y datos de entrenamiento. Los resultados indican que MiniOpt mantiene su capacidad de optimización incluso con parámetros desacoplados, sugiriendo una comprensión más robusta de la estructura de optimización.
ElasticDino: Características Semánticas Densas Usando Deformaciones Elásticas
Se presenta ElasticDino, un adaptador ligero diseñado para generar mapas de características de alta resolución en tareas de visión densa. Este método utiliza deformaciones espaciales para preservar los detalles finos de la imagen y mejorar la precisión sobre benchmarks populares. Se demuestra una mejor precisión y rendimiento computacional en comparación con métodos existentes.
HeriKGQA: Respuesta a preguntas de grafos de conocimiento sobre datos de sensores de patrimonio cultural
Se presenta HeriKGQA, un método de respuesta a preguntas de grafos de conocimiento diseñado para interpretar datos de sensores de patrimonio cultural mediante LLMs. Este método utiliza una capa de fundamentación para asegurar la precisión al traducir preguntas a consultas SPARQL y corregir errores en el proceso. El sistema alcanzó un 99.0% de precisión en 500 preguntas, superando a las líneas de base existentes en términos de velocidad y calidad de respuesta.