Buscar noticias
Buscá por texto y descubrí noticias relacionadas con tu consulta.
Noticias relevantes
Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.
Substrate AI integrará todas sus actividades de IA en el grupo con una operación de 40,5 millones
Substrate AI y su matriz Subgen AI han acordado una reorganización estructural para concentrar todas sus actividades de inteligencia artificial bajo Substrate AI mediante una operación de 40,5 millones de euros. Esta medida busca mejorar la eficiencia operativa y simplificar la estructura societaria del grupo. La operación incluye la adquisición de participaciones de filiales de Subgen AI y la emisión de un bono convertible.
No se identificaron personas.
Substrate AI reunirá todas sus operaciones de IA dentro del grupo en una operación de 40,5 millones
Substrate AI y su matriz Subgen AI han acordado una reestructuración global para consolidar todas las operaciones de inteligencia artificial bajo la estructura de Substrate AI por 40,5 millones de euros. Este movimiento busca potenciar la eficiencia operativa y reforzar a Substrate AI como el vehículo central para el desarrollo y comercialización de soluciones de IA a nivel mundial. Se unifican las operaciones internacionales en Europa y Latinoamérica para responder al crecimiento del mercado de IA corporativa.
No se identificaron personas.
La compañía valenciana Substrate AI es admitida a cotización en el Cboe Europe
La compañía española de inteligencia artificial Substrate AI ha sido admitida a cotización en el Cboe Europa. La empresa tiene como objetivo superar los 100 millones de euros de facturación para 2030, enfocándose en el desarrollo de tecnología propia y la comercialización de tokens. La noticia también detalla la evolución reciente de su capitalización y resultados financieros.
La justicia condena a Substrate AI a pagar a Summon Press los 500.000 euros pendientes por la venta de su negocio digital
La Sección Civil del Tribunal de Instancia de Valencia condenó a Substrate AI a pagar 500.000 euros más intereses a Summon Press por un pago pendiente de una compraventa de negocio digital. La jueza desestimó la reclamación de Substrate, mientras que la demanda de Summon Press fue parcialmente estimada.
La valenciana Substrate AI compra un solar en Talavera de la Reina (Toledo) para un centro de datos
Substrate AI adquirió un solar en Talavera de la Reina, Toledo, por 1,61 millones de euros para desarrollar un centro de datos. Esta compra forma parte de la estrategia de la empresa para desplegar infraestructura tecnológica propia en España y potenciar la IA europea. La puesta en marcha del proyecto depende de obtener permisos y cumplir con hitos técnicos administrativos.
Substrate AI adquiere un solar en Talavera de la Reina por 1,61 millones para un futuro centro de datos
Substrate AI adquirió un solar en Talavera de la Reina por 1,61 millones de euros para desarrollar un futuro centro de datos como parte de su estrategia de infraestructura de IA en España. La compra, formalizada el 13 de noviembre, incluye varias parcelas y el proyecto depende de la obtención de licencias y autorizaciones pendientes. Este paso refuerza la estrategia de la compañía para desplegar infraestructura tecnológica propia y soberana en el país.
Destilación de algoritmos para aprendizaje por refuerzo seguro en contexto
Se presenta el Aprendizaje por Refuerzo Seguro en Contexto (Safe ICRL) y el Algoritmo de Distilación de Algoritmos Seguros (Safe AD). Se revisan dos partes de Safe AD, incluyendo la introducción de presupuestos dinámicos y el ajuste A-Lag para mejorar el rendimiento en entornos de locomoción y navegación. Los experimentos demuestran que A-Lag supera a Safe AD en términos de costo y retorno final en varios entornos.
DeepSeek presenta 'super agente' de IA en la carrera de codificación con OpenAI, Anthropic
DeepSeek ha presentado un 'super agente' de IA diseñado para manejar múltiples tareas con mínima intervención humana, buscando reducir la necesidad de coordinación y supervisión humana en flujos de trabajo complejos. Este desarrollo se posiciona como una respuesta a la creciente automatización de tareas por parte de los modelos de IA, buscando optimizar la gestión de flujos de trabajo mediante la autonomía de los agentes.
Avatares holográficos con IA en el subte porteño: qué son y para qué se utilizarán
La compañía Subterráneos de Buenos Aires (SBASE) lanzó una licitación para implementar avatares holográficos con inteligencia artificial conversacional en el subte porteño. El proyecto busca permitir a los usuarios interactuar con figuras virtuales para realizar consultas y obtener respuestas en tiempo real. Se planea instalar seis dispositivos interactivos en dos estaciones de la línea B.
No se identificaron personas.
Radiografía al ciberdelito: Una de cada cuatro brechas maliciosas utiliza inteligencia artificial en el ataque
El ciberdelito está utilizando la inteligencia artificial, como los deepfakes, para suplantar identidades de ejecutivos y abogados, logrando fraudes multimillonarios. Un informe de IBM indica que una de cada cuatro brechas maliciosas involucra IA, y el fraude por voz es el vector más costoso. Se advierte sobre el riesgo creciente de ataques a fin de año y la necesidad de implementar controles internos estrictos para mitigar riesgos.
Noticias encontradas
Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.
Resultados para «Substrate AI»
Más recientes primero · Hasta 30 noticias por página
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.
Predicción de trayectoria intra-agente y aprendizaje de relaciones inter-agente para predicción de trayectoria sin mapa
Se propone un marco de predicción de trayectoria sin mapa basado en un Transformer Condicionado por Objetivo y Enrutado por Experto (GCERT) para la conducción autónoma. Este modelo busca recuperar señales de movimiento estables y resolver relaciones de interacción sin depender de mapas de alta definición. El enfoque utiliza expertos para generar mensajes de interacción y adaptar la transformación del estado de nodo para predecir trayectorias futuras.
Amortizando los costos de construcción de leyes de escalado
Se propone un marco para construir leyes de escalado de manera eficiente, abordando el costo computacional de entrenar rejillas exhaustivas de hiperparámetros. El método utiliza optimización bayesiana para la recopilación de datos y busca mejorar la eficiencia de recuperación de resultados. Esto permite ajustar leyes de escalado con ahorros computacionales significativos al evitar el entrenamiento de todas las configuraciones.
Marco de Razonamiento Temporal Restringido por Anclas para el Grounding Temporal de Video
Se presenta TAR (Temporal Anchor-Constrained Reasoning), un marco diseñado para mejorar el Grounding Temporal de Video (VTG) al introducir un mecanismo de punto de control transparente llamado T-anchor. Este mecanismo fuerza al modelo a refinar progresivamente sus pensamientos intermedios basándose en evidencia visual y calibrar predicciones temporales. El método también incluye un paradigma de arranque que aprovecha datos de CoT de alta calidad con un modelo estándar de 7B, logrando un rendimiento de vanguardia.
Las salvaguardas de los LLM dependen de entradas no confiables: una vulnerabilidad de alto riesgo generalizada
Las salvaguardas de los modelos de lenguaje grandes (LLM) que dependen de entradas no confiables presentan una vulnerabilidad de alto riesgo. Esta vulnerabilidad permite a atacantes explotar la capacidad de los modelos para liberar respuestas basadas en lo que los usuarios escriben, incluyendo afirmaciones de identidad profesional. La investigación sugiere que las defensas actuales no son suficientes, ya que el problema reside en lo que los usuarios escriben, independientemente de la mejora en la evaluación de las salvaguardas.
Alineación distributiva como criterio para diseñar vectores de tarea en el aprendizaje en contexto
El artículo propone que la inferencia con vectores de tarea debe alinear su distribución predictiva con la del aprendizaje en contexto (ICL). Se introduce la métrica $d_{\text{NTP}}$ para medir la discrepancia entre la inferencia basada en vectores de tarea e ICL. Se desarrolla el método LTV, que minimiza esta discrepancia y mejora la precisión en tareas de clasificación y regresión. Se demuestra la transferibilidad de LTV, mostrando que vectores de modelos grandes mejoran el rendimiento de modelos más pequeños.
Alineación de seguridad árabe como rechazo selectivo: Un estudio empírico de SFT, DPO y calibración de guardias
Un estudio empírico evalúa cómo los modelos de lenguaje grandes árabes deben manejar el rechazo de indicaciones dañinas frente a indicaciones benignas o sensibles. Se compara el rendimiento de diferentes técnicas de ajuste fino (SFT y DPO) y guardias de inferencia para determinar el mejor punto de operación para la seguridad. Los resultados sugieren que la selección del punto de operación del modelo es clave para mejorar la seguridad.
Descubriendo brechas de fidelidad en VLMs mediante pruebas contrafactuales impulsadas por explicaciones
Se presenta el protocolo de Prueba Contrafactual Impulsada por Explicaciones (EDCT) para evaluar la fidelidad de los Modelos de Lenguaje-Visión (VLMs). Este método aplica ediciones mínimas a los conceptos visuales citados por los modelos y verifica la consistencia de sus respuestas y explicaciones con la imagen modificada. El estudio revela brechas significativas de fidelidad en los VLMs, sugiriendo que los contrafactuales generados son señales de entrenamiento valiosas.
EmbedGym: Permitir que los agentes de codificación desarrollen y depuren firmware embebido sin hardware físico
Se presenta EmbedGym, un entorno de hardware virtual interactivo diseñado para permitir que los agentes de codificación desarrollen y depuren firmware embebido sin necesidad de hardware físico. Este entorno utiliza emuladores de MCU y simuladores de periféricos para simular el comportamiento de hardware real. Los resultados demuestran que el uso de EmbedGym mejora significativamente las tasas de éxito en pruebas de firmware embebido en comparación con los enfoques existentes.
PhysAlign: Un punto de referencia para la alineación de roles basada en evidencia en el razonamiento físico multimodal
Se presenta PhysAlign, un punto de referencia diseñado para evaluar la capacidad de modelos multimodales para asociar correctamente la información de diagramas de física con su rol físico. El estudio revela una brecha consistente entre el reconocimiento visual local y la fundamentación del rol físico, indicando que la percepción fuerte no garantiza una interpretación física fiable. Esto subraya la necesidad de que los modelos futuros alineen mejor la evidencia visual reconocida con su significado físico.
De la búsqueda de estrategia al aprendizaje de políticas: Coevolución adversaria guiada por MCTS para el alineamiento de seguridad de LLM
Se presenta MACE, un marco de coevolución adversaria guiado por MCTS diseñado para el alineamiento de seguridad de Modelos de Lenguaje Grande (LLM). Este marco utiliza la búsqueda para generar señales de aprendizaje de políticas tanto para atacantes como para defensores, conectando la estructura de búsqueda con la optimización de políticas y la memoria entre rondas. Los resultados muestran que la modificación de ciertos parámetros aumenta significativamente la resistencia de la defensa contra ataques.
Compromiso de token como superficie de control para la generación de difusión enmascarada
El estudio analiza el compromiso de token como una superficie de control para la generación de modelos de difusión enmascarada. Se proponen dos mecanismos: compromiso dirigido por objetivo contrafactual y presupuestos adaptativos calibrados. Estos mecanismos demuestran intercambios monótonos de calidad de objetivo en diferentes configuraciones. Los resultados caracterizan el compromiso como una superficie de control interpretable para dirigir la generación de difusión enmascarada.
DNeo: Tu modelo de borrador paralelo necesita una codificación de características mejorada
Se presenta DNeo, una arquitectura que mejora la inferencia de LLM de alta calidad y velocidad. Utiliza Atención de Mezcla de Características (MoFA) para incorporar memoria de trabajo que registra propuestas rechazadas. Esta arquitectura logra una velocidad de generación 1.3 veces más rápida que SoTA (DFlash-2) sin comprometer la calidad.
Deje que la mente conciba, deje que la mano logre: Acoplando la acción fundamentada y la evaluación del progreso para la manipulación a largo plazo
Se presenta Orchestra, un arnés de agente diseñado para robots que deben seguir instrucciones de múltiples pasos, separando la planificación de la ejecución y rastreando el progreso. El sistema mejora la capacidad de los robots para ejecutar secuencias de subtareas más largas manteniendo el orden y la manipulación correcta de objetos. Los resultados demuestran que Orchestra supera a otros modelos en tareas de benchmark y mejora la longitud de secuencia en escenarios del mundo real.
Ideación de IA estructurada genera estrategias físicas para la reparación de la barrera epitelial
Un sistema de IA llamado Abelio fue desarrollado para generar nuevas direcciones de investigación al reformular objetivos y refinar hipótesis, explorando caminos fuera de los enfoques disciplinarios tradicionales. Las propuestas generadas por el núcleo de hipótesis de Abelio superaron a otros modelos de lenguaje grande en solidez científica y diversidad de hipótesis. Se propusieron intervenciones físicas como el uso de PEG enlazado a membrana y ADN complementario para restaurar la barrera epitelial intestinal.
Planificación de movimiento espaciotemporal y de múltiples robots en grafos de conjuntos convexos espacio-tiempo
Se presenta un marco para la planificación de movimiento espaciotemporal y coordinación de múltiples robots utilizando grafos de conjuntos convexos espacio-tiempo (ST-GCS). El sistema incluye la Descomposición Convexa Exacta (ECD) para manejar obstáculos móviles y un solucionador de mejor primero optimizado para el modelo ST-GCS. Los experimentos demuestran escalabilidad y calidad competitiva frente a otros métodos de planificación.
Prototipo de calibración de fusión desacoplada y subbanda con captura sin etiquetar para el acoplamiento de fingerprinting de RF en IoT
Se propone un nuevo marco de RFFI llamado GSDF-CAPC para la identificación de fingerprinting de RF en IoT, abordando el cruce de SNR. Este método modula dinámicamente formas de onda y utiliza una puerta de SNR física ciega. Los resultados demuestran que GSDF supera a otros métodos en pruebas emparejadas, logrando una pérdida de baja SNR de 0.00 pp.
Hacia agentes de seguridad locales fiables: Verificación post-entrenamiento para escalada de privilegios en Linux
Se propone una receta de post-entrenamiento de dos etapas para convertir un modelo de lenguaje local pequeño en un agente de seguridad para tareas de escalada de privilegios en Linux. El estudio demuestra que el ajuste fino supervisado y el aprendizaje por refuerzo mejoran significativamente la tasa de éxito del modelo, logrando un 93.3% de éxito en escenarios de prueba. Los resultados indican que los modelos locales pequeños pueden adaptarse eficazmente a tareas de seguridad complejas con costos de inferencia reducidos.
Los valores moldean lo que construyen los agentes de codificación auto-mejorables
Un estudio evaluó cómo los valores influyen en el rendimiento y el producto de agentes de codificación auto-mejorables. Se encontró que los valores de apertura mejoran el rendimiento en datos retenidos, mientras que los valores de conservación resultan en puntuaciones inferiores. Además, los valores modifican la complejidad y el enfoque de los algoritmos construidos por estos agentes.
DiscoveryAgent: Un marco para agentes de IA centrados en el científico
Se presenta DiscoveryAgent, un sistema de IA diseñado para asistir la investigación científica mediante la combinación de investigación autónoma y dirección de hipótesis por parte del científico. El sistema incluye agentes de auditoría para verificar resultados y mejorar la precisión de la investigación. Los resultados demuestran que la investigación autónoma puede expandir el alcance empírico de los científicos mientras mantienen su autoridad sobre la dirección de la investigación.
SkillPE: Evolución de habilidades cinematográficas orientadas a la creatividad para la mejora de prompts de texto a video
Se presenta SkillPE, un marco de mejora de prompts orientado a la creatividad para la generación de video de texto a video. Este marco evoluciona habilidades cinematográficas reutilizables mediante la exploración guiada por referencias de películas. Los experimentos muestran mejoras significativas en la fidelidad y creatividad de los videos generados. SkillPE busca equilibrar la fidelidad y la creatividad en la generación de contenido cinematográfico.
Razonamiento tipo optimización en LLMs sobre espacios de búsqueda expandidos
Se presenta OPT*, una familia escalable de tareas de estilo optimización para entrenar y evaluar el razonamiento de optimización tipo paso a paso en Modelos de Lenguaje Grande (LLM). Estas tareas permiten expandir el espacio de búsqueda mediante un parámetro de complejidad sin necesidad de nuevas etiquetas humanas. El estudio aborda dos regímenes de aplicación: optimización de política en línea guiada por solucionadores y RL offline basado en búsqueda.
CyBiasBench: Medición de sesgos en agentes de LLM para escenarios de ciberataque
Se presenta CyBiasBench, un benchmark de 630 sesiones diseñado para evaluar cinco agentes de LLM en escenarios de ciberataque. El estudio revela que los agentes exhiben sesgos de selección de ataque distintos, manifestados en familias de ataque dominantes y niveles de entropía variables. También se identifica un efecto de inercia del sesgo, donde los agentes se resisten a desviarse hacia familias de ataque contradictorias a su sesgo.