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
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.
La era de la computación: la continuidad persiste mientras el razonamiento está inactivo
Se presenta OPAL, un motor de grafos C++17 diseñado para preservar la continuidad de la memoria de aplicación entre sesiones de razonamiento. Los resultados demuestran continuidad persistente con bajos costos de actualización local mediante el uso de cinco millones de vértices de memoria atómica retenidos. La arquitectura permite que las aplicaciones invoquen modelos solo cuando sea necesario para interpretación, planificación o generación.
Analizando características aprendidas en Redes Neuronales Convolucionales con Modelos de Mezcla de Distribución Gaussiana de Proceso de Dirichlet
Se presenta una técnica basada en un Modelo de Mezcla de Distribución Gaussiana de Proceso de Dirichlet para visualizar las representaciones aprendidas en Redes Neuronales Convolucionales. El método aborda la alta dimensionalidad de las representaciones agrupando las representaciones a través de todos los nodos de cada capa. Se discute la utilidad de este enfoque en el contexto del aprendizaje por transferencia de modelos.
Video-HopChain: Exploración con Gated Confidence para Modelos de Razonamiento de Video
Se presenta Video-HopChain, un conjunto de datos de preguntas de video de múltiples saltos diseñado para mejorar el razonamiento visión-lenguaje en videos. Este conjunto de datos busca abordar la falta de exploración en el dominio de video y propone la técnica de Exploración con Compuerta de Confianza (CGE) para mitigar limitaciones en el aprendizaje por refuerzo. El entrenamiento con este nuevo conjunto de datos mejoró las puntuaciones en ocho benchmarks de comprensión y razonamiento de video.
Efecto del sarcasmo en la detección de discurso de odio turco
Se presenta SarcasTraps, un conjunto de prueba externo diseñado para analizar el impacto del sarcasmo en la detección de discurso de odio en turco. Los resultados indican que el sarcasmo afecta significativamente la detección de discurso de odio; los modelos ajustados pierden recuperación y los LLM de cero-shot sufren caídas de precisión. Esto demuestra que tanto los detectores ajustados como los LLM tienen dificultades con el sarcasmo.
No se identificaron personas.
Evaluación de trayectoria basada en preferencia offline
Se propone una evaluación de trayectoria basada en preferencia para sistemas agenticos, buscando mejorar la discriminación entre resultados. Los resultados indican que las métricas basadas en el éxito generan empates en el 75% de los casos, mientras que las preferencias basadas en la trayectoria reducen los empates al 35%, mejorando la eficiencia de los datos.