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
Predicción Conformal para Regresión de Distribución a Distribución
Se estudia la Predicción Conformal (CP) para la Regresión de Distribución a Distribución, un área de creciente interés. Se propone un nuevo marco conformal que genera conjuntos de predicción interpretables manteniendo las garantías de cobertura. Los resultados empíricos validan la efectividad del enfoque propuesto en datos sintéticos y reales.
Aprendizaje de jerarquías biológicas en modelos fundacionales de célula única
Se presenta un modelo fundacional llamado scOntoFM que integra la ontología celular jerárquica en el aprendizaje de representaciones. Este modelo utiliza distancias LCA para preservar la estructura de la ontología biológica en la geometría de incrustación. El modelo muestra mejoras consistentes en benchmarks y fortalezas en configuraciones de cero-shot.
HiLo-Token: Compresión de tokens de alta y baja frecuencia adaptativa de entrada para servir modelos de edición de imágenes eficientes
Se presenta HiLo-Token, un marco de compresión de tokens adaptativo para reducir la latencia en modelos de IA generativa para edición de imágenes. El método asigna tokens de manera diferente a regiones de alta y baja frecuencia para mejorar la eficiencia. Los experimentos validan que este método logra aumentos significativos en la velocidad sin afectar la calidad de la generación.
Respuestas correctas de historias insuficientes: Un estudio controlado de la evaluación de memoria de agentes
Se estudia la evaluación de memoria de agentes mediante el análisis de registros de dispositivo ejecutables para distinguir entre acuerdo de referencia, suficiencia de evidencia y comportamiento contextual. Los resultados comparan el rendimiento de modelos como Qwen3-32B y DeepSeek-V4-Flash en la coincidencia de referencias. Los hallazgos sugieren un diagnóstico de evaluación en configuraciones específicas de lector, sin implicar mejoras generales en sistemas de memoria.
Red ramificada multilateral dual para segmentación multi-clase en angiografías cardiovasculares
Se presenta una arquitectura MLBNet de doble parte diseñada para la segmentación consciente de la clase en escenas de cateterización cardiovascular. El estudio utiliza datos de angiografías de modelos fantoma, simulaciones y modelos animales para entrenar y evaluar el modelo. Los resultados indican que los modelos son capaces de separar eficazmente el cable guía, el catéter, los vasos y el fondo con alta precisión.
No se identificaron personas.
CWE-bench: Reenfocando la seguridad de agentes artificiales de la explotación a la defensa
Se presenta CWE-bench, una medida de referencia para evaluar las capacidades defensivas de los agentes de IA en ciberseguridad. La herramienta evalúa la capacidad de los agentes para reparar vulnerabilidades en repositorios de software. El objetivo es medir si las capacidades defensivas de los agentes están a la par con sus capacidades ofensivas.
Fusión de modelos desbloquea la optimización de mezclas de datos multimodal
Se aborda el problema de optimización de mezcla de datos (DMO) en el ajuste fino supervisado de Modelos de Lenguaje Grandes Multimodales. Se propone una estrategia que combina la fusión de modelos con la interpolación de parámetros para estimar la eficacia de diferentes mezclas de datos. Los experimentos demuestran que los modelos proxy fusionados seleccionan mezclas casi óptimas, desacoplando la búsqueda de mezclas de la fase de entrenamiento.
Transferencia de explicabilidad visual de modelos Vision Transformer de autoexplicación a solo predicción mediante aritmética de tareas
Se propone un método para transferir la capacidad de explicación visual de modelos Vision Transformer (ViT) autoexplicativos de un dominio fuente a modelos solo de predicción en un dominio objetivo mediante aritmética de tareas. Este método añade un vector de explicabilidad basado en supervisión de explicación del dominio fuente, logrando mejorar la calidad de la explicación sin perder significativamente la precisión de clasificación.
Hallucination-Guided Unlearning: Usando rastros de alucinación para revelar memorias sobreajustadas
Se presenta el Olvido Guiado por Alucinaciones (HGU), una técnica para el olvido selectivo en modelos de lenguaje grandes, utilizando fallos del modelo como señales diagnósticas. Esta técnica localiza segmentos no soportados y edita neuronas específicas para lograr un olvido efectivo manteniendo la utilidad general. Los resultados demuestran que esta aproximación ofrece un mejor equilibrio entre la eficacia del olvido y la utilidad general sin necesidad de un reentrenamiento completo.
Desenfocadores Polinomiales en el Mapeo de Imagen: Redes Volterra para Difusión de Píxeles Autocontenidos
Se propone una arquitectura de difusión en espacio de píxeles que utiliza capas Volterra en cascada para lograr difusión autocontenida sin componentes preentrenados ni funciones de activación. El trabajo demuestra que estas capas pueden alcanzar tasas de aproximación gobernadas por la dimensión del manfoldo de datos. El modelo resultante es competitivo en términos de parámetros y FLOPs en comparación con otros modelos de difusión.
Aprendiendo a hacer cubos
Se presenta un marco de post-entrenamiento neuro-simbólico para que los modelos basados en transformadores aprendan heurísticas efectivas para problemas de Satisfacibilidad Booleana (SAT). El método utiliza una pipeline de curación de datos basada en MCTS y optimización de preferencia directa (DPO) para lograr una puntuación pass@5 de 53 en benchmarks de competencia SAT. Esto demuestra que los transformadores pueden tomar decisiones de cubing efectivas en dominios dominados por métodos simbólicos.
Aprendizaje por refuerzo eficiente en muestras para la mejora de políticas mediante anclas de acción reversadas por flujo
Se presenta AnchorQ, un método que utiliza la reversión del flujo para mejorar políticas de aprendizaje por refuerzo mediante una representación de acción latente estructurada. Este enfoque busca mejorar la eficiencia de muestras y la fiabilidad de las políticas de robot en tareas de manipulación. Los resultados demuestran una mejora del 37% en la tasa de éxito en el mundo real y un 97% mayor rendimiento en la tarea simulada.
Acoplamiento introspectivo: Entrenamientos de autoexplicación logran cambio de comportamiento a pesar de supervisión fija
Se investiga si entrenar modelos de lenguaje (LM) para generar explicaciones de sus predicciones resulta en introspección fiel en lugar de imitación superficial. Los resultados indican que los LM entrenados con explicaciones contrafactuales fijas pueden producir explicaciones más fieles a sus comportamientos actuales. También se demuestra que el entrenamiento de explicaciones puede coincidir con cambios de comportamiento sin necesidad de supervisión actualizada.
¿Qué está frenando el razonamiento visual latente?
Un estudio sobre Modelos de Lenguaje-Visión investiga los problemas que limitan el razonamiento visual latente. Se encontró que los tokens latentes proporcionan información limitada y que los tokens generados en tiempo de inferencia se desvían de sus representaciones oráculo, lo que obstaculiza el progreso en esta área. Se sugiere que el futuro depende de conjuntos de datos de alta calidad y una predicción más precisa de tokens latentes.
VEX-Bench: Medición de la complejidad de verificación de desinformación generada por LLM
Se presenta VEX-Bench, un punto de referencia unificado para evaluar la complejidad de verificación de desinformación generada por LLM. El estudio mide cómo el contenido generado por LLM consume la capacidad de verificación, encontrando que estos modelos pueden producir desinformación con un costo significativamente menor que la verificación basada en agentes. Los hallazgos indican que no existe un método único que domine todas las dimensiones de complejidad de verificación, enfatizando la necesidad de una evaluación multidimensional.
Prism: Autoenseñanza bidireccional para modelos multimodales unificados
Se presenta Prism, un método post-entrenamiento de autoenseñanza bidireccional para Modelos Multimodales Unificados (UMMs). Este método deriva supervisión de la auto-generación de trayectorias intercaladas, evaluando la fiabilidad de las cadenas de texto e imagen para construir objetivos de entrenamiento. Los experimentos demuestran mejoras en la comprensión y generación en modelos como SenseNova-U1 y BAGEL.
Aprendizaje de trayectorias inspirado en cuántica consciente de la tasa para redes multi-UAV con interferencia limitada
Se presenta un marco de dos etapas llamado RA-QAGC para optimizar la colocación de vehículos aéreos no tripulados (UAVs) en redes, buscando mejorar el rendimiento de *throughput* por nivel de prioridad. El método optimiza el conjunto de posiciones candidatas y luego aprende trayectorias descentralizadas para mejorar la eficiencia de la red. Este enfoque logra mejoras significativas en el rendimiento comparado con otros esquemas conocidos.
Cuantización de Precisión Amortizada para Vision Transformers con Salida Temprana
Se presenta la Cuantización de Precisión Amortizada (APQ) y el marco MOQEE para Vision Transformers, buscando mejorar la estabilidad de la inferencia mediante la optimización conjunta de umbrales de salida y anchos de bits. Este enfoque establece una frontera de Pareto superior en el equilibrio entre precisión y eficiencia para tareas de clasificación y detección. Los modelos probados muestran mejoras significativas en el rendimiento de la GPU en diferentes benchmarks.
El envejecimiento de los agentes de IA es demasiado: Ingeniería de la vida útil para sistemas desplegados
Se presenta AgingBench, un punto de referencia longitudinal para medir la fiabilidad de agentes de IA desplegados. El estudio analiza cuatro mecanismos de envejecimiento (compresión, interferencia, revisión y mantenimiento) para determinar cómo se degrada la fiabilidad de estos agentes a lo largo del tiempo. Se utilizan grafos de dependencia temporal para diagnosticar fallos en las etapas de memoria del agente.
LoMASA: Asistente de ventas multiagente local con delegación con puerta de confianza para cotizaciones B2B
Se presenta LoMASA, un sistema multiagente diseñado para asistir a vendedores en la gestión de cotizaciones B2B. El sistema utiliza modelos de mezcla-de-expertos y modelos densos para calcular precios y gestionar decisiones, con una tasa de resolución automática del 38.0% en pruebas simuladas.
No se identificaron personas.
La brecha narrativa: ¿Pueden los LLM ayudarnos a navegar narrativas diversas a través de diferentes idiomas?
Los modelos de lenguaje grandes (LLM) median cómo las personas consumen información, incluyendo cuentas diversas en diferentes idiomas y regiones sobre temas controvertidos. Se definen capacidades necesarias para que los modelos ayuden a navegar estas narrativas diversas. Se presenta NarrativeBench, un *benchmark* para evaluar si los LLM actuales pueden manejar esta diversidad de narrativas. Se concluye que los modelos actuales carecen de las capacidades necesarias para navegar de manera confiable narrativas diversas.
Aprender la tarea, no el horario: Reduciendo el acoplamiento espurio entre brazos en el aprendizaje por imitación bimanual
Se presenta la Recombinación Temporal Preservadora de Restricciones (CTR) para mejorar el aprendizaje por imitación bimanual, preservando el contenido sensoriomotor local mientras se ajustan los tiempos para cumplir con las restricciones de la tarea. Este método reduce el acoplamiento espurio entre brazos, mejorando el rendimiento en tareas simuladas y de robots reales. Los resultados muestran que CTR aumenta el éxito en el peor estado de 56% a 76% en ciertas configuraciones.
Optimizaciones del sistema para la eficiencia de costos en implementaciones de agentes de IA
Se investigan oportunidades de optimización de costos en las implementaciones de agentes de IA, encontrando que las variaciones en el lado del *harness* impactan significativamente el costo de ejecución. Se propone una plataforma llamada Agency para aplicar optimizaciones de sistema que reducen el uso de *tokens* y llamadas a LLM sin afectar la precisión de la tarea. Se lograron reducciones de costos de hasta un 35% en pruebas de concepto.
RELAY: Destilación Selectiva con Transferencia Adaptativa para Aprendizaje por Refuerzo Basado en Rubricas
Se presenta RELAY, un método de aprendizaje por refuerzo que utiliza destilación selectiva con transferencia adaptativa. Este método busca mejorar el rendimiento sobre GRPO al seleccionar simulaciones específicas y monitorear la pérdida de destilación para decidir cuándo retirar un modelo profesor. RELAY superó a GRPO en varias configuraciones, mostrando mejoras significativas en el dominio y al destilar solo una parte de los tokens de respuesta.
El razonamiento latente no carece de señal, carece de invariancia
Se presenta el marco TILR para el refinamiento latente, diseñado para mejorar la robustez del razonamiento al controlar las correcciones dentro de un subespacio estable. Este método sin entrenamiento filtra variaciones inestables al proyectar actualizaciones contrastivas sobre un subespacio concentrado. Los resultados demuestran que TILR aumenta la robustez a perturbaciones de entrada y mejora la precisión en benchmarks de razonamiento.
LibEvoBench: Sondear la estratificación del conocimiento temporal en modelos de generación de código
Se presenta LibEvoBench, un benchmark multi-tarea para evaluar la consistencia de los modelos de lenguaje (LLM) al trabajar con múltiples versiones de librerías de Python con APIs en evolución. Los resultados indican que los modelos de vanguardia son indiferentes a la versión, y que la documentación relevante es crucial para mejorar su precisión. Esto sugiere una limitación en los paradigmas de entrenamiento actuales para el conocimiento temporal en la generación de código.
AutoQS: Diseño de Estrategia de Cuantización Automatizada con Modelos de Lenguaje Grande
Se presenta AutoQS, un método basado en LLMs para automatizar el diseño de estrategias de cuantización en modelos de lenguaje grandes (LLMs). Este enfoque busca equilibrar la calidad del modelo con los costos de almacenamiento y despliegue. El sistema utiliza proxies de calidad para guiar propuestas de cuantización, buscando mejorar la precisión en tareas específicas.
Recuperación interactiva de personas con retroalimentación visual en tiempo real
Se presenta VFI-PR, un nuevo paradigma de recuperación interactiva de personas que utiliza retroalimentación visual de los candidatos recuperados como evidencia para la siguiente ronda de preguntas. El marco VFI-ReID adapta la recuperación y la generación de preguntas para incorporar esta retroalimentación visual, mejorando consistentemente la recuperación en comparación con métodos previos. Los experimentos demuestran la utilidad de la retroalimentación visual para refinar la recuperación interactiva de personas.
La interferencia de la dirección refleja los valores por defecto del modelo, no las direcciones de comportamiento
Se investiga la interferencia de la dirección en los modelos de lenguaje para entender cómo las direcciones afectan el comportamiento del modelo. Los resultados indican que las direcciones sin contenido de comportamiento mueven comportamientos similares a las direcciones reales, y la estructura unidireccional es consistente en la mayoría de los modelos.
TraceML: Lo que los agentes de investigación automática omiten en el desarrollo de ML a largo plazo
Se presenta TraceML, un marco que compara el trabajo humano y del agente en competiciones de aprendizaje automático. El sistema rastrea cada versión de código con su puntuación y detalles para cuantificar la brecha entre el rendimiento de los agentes y el de los competidores humanos. Se libera un kit de herramientas para convertir ejecuciones de agentes en trayectorias TraceML para su análisis.