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
GMD-Mamba: Segmentación de imágenes médicas 3D ligeras utilizando Mamba
Se propone el GMD Mamba, una red ligera para la segmentación de imágenes médicas 3D utilizando Mamba. Este método divide los canales en grupos y aplica el escaneo en diferentes direcciones para obtener contexto multidireccional. El modelo logra un Dice promedio del 92.0% en BraTS2023, superando a otros métodos con menos parámetros.
Estabilizando el Aprendizaje por Refuerzo en MoE al alinear enrutadores de entrenamiento e inferencia
Se propone el método Rollout Routing Replay (R3) para estabilizar el entrenamiento de aprendizaje por refuerzo (RL) en modelos Mixture-of-Experts (MoE). Este método registra las distribuciones de enrutamiento de la fase de inferencia y las repite durante el entrenamiento, reduciendo la divergencia KL y previniendo el colapso del entrenamiento. Los experimentos confirman que R3 estabiliza el entrenamiento de RL y supera a otros métodos existentes.
Sobre capacidades emergentes y fusión de modelos
Se investiga la fusión de modelos mediante la combinación aritmética de pesos de puntos de control ajustados, buscando entender su impacto en las capacidades emergentes. Los hallazgos indican que la fusión preserva la desalineación de los modelos parentales, pero no puede crear capacidades emergentes superaditivas. Además, la fusión diluye la capacidad emergente cuando solo un modelo la posee, mostrando diferencias significativas en los resultados.
Aprendizaje eficiente de políticas MPC diferenciables en la GPU mediante ADMM suavizado y RL de primer orden
Se presenta un método para el aprendizaje diferenciable de políticas de control predictivo de modelo (MPC) en la GPU, combinando SQP con ADMM suavizado para obtener gradientes suaves. Este enfoque se acopla con RL de primer orden (FORL) para entrenar las políticas, logrando una mejora significativa en el rendimiento de entrenamiento y velocidad en tareas de carreras. El método demuestra una aceleración de 46 veces en comparación con MPC PPO.
AdaPath: Búsqueda de caminos adaptada a consultas mediante Path-Bank para QA biomédico implícito
Se presenta AdaPath, un marco de búsqueda de caminos diseñado para resolver desafíos en el QA biomédico, como la exposición de razonamiento intermedio y la densidad de los grafos de conocimiento. Este método recupera meta-rutas adaptadas a consultas de Path-Bank para mejorar el razonamiento de los LLM. Además, se lanza BioStrat-QA, un benchmark que estratifica las consultas de múltiples saltos. AdaPath supera consistentemente a los métodos de referencia en estos benchmarks.
Conjunto de datos a gran escala para la redacción de patentes multijurisdiccionales translingüísticas a partir de solicitudes del Tratado de Cooperación en materia de Patentes
Se desarrolló un conjunto de datos japonés-inglés a gran escala para la redacción de patentes multijurisdiccionales a partir de solicitudes del Tratado de Cooperación en materia de Patentes. Este conjunto de datos vincula registros de la Oficina de Patentes de Japón (JPO) y la USPTO mediante familias de patentes derivadas del PCT. El objetivo es modelar transformaciones específicas de jurisdicción y etapa que van más allá de la traducción simple.
Atribución a nivel de oración para salidas de Modelos de Lenguaje Grande de caja negra mediante sustitutos basados en energía
Se propone un intérprete de atribución post-hoc independiente del modelo que opera a nivel de oración para evaluar la consistencia entre la instrucción y la respuesta de Modelos de Lenguaje Grande (LLM) propietarios. Se entrena un Modelo Basado en Energía (EBM) como sustituto para medir la consistencia generativa y luego se entrena una red intérprete para estimar la influencia de las oraciones de la instrucción en la salida. Los experimentos demuestran que el enfoque captura dependencias generativas complejas y logra una calidad de atribución competitiva con eficiencia en parámetros.
¿Saben los modelos de lenguaje cuáles son las restricciones que pertenecen juntas?
El texto analiza cómo los modelos de lenguaje pueden identificar grupos de restricciones que pertenecen juntas en problemas de programación entera mixta. Se compara la capacidad de estos modelos con métodos basados en la observación de límites y predicciones basadas en la lectura del modelo. Se demuestra que los modelos de lenguaje son efectivos para nombrar grupos de margen cero en instancias de modelos MIPLIB-NL.
Honeyval: Un marco de evaluación exhaustivo para honeypots HTTP impulsados por LLM
Se propone Honeyval, un marco de evaluación exhaustivo para honeypots HTTP impulsados por LLM, abordando las limitaciones de evaluaciones previas. El marco utiliza 16 aplicaciones de backend y agentes de hacking de IA para evaluar las capacidades de estos honeypots. Los experimentos demuestran que los honeypots impulsados por LLM ofrecen interacciones más largas con el atacante y son menos detectados, manteniendo una ventaja de costo.
SaliMory: Orquestando la memoria cognitiva para agentes conversacionales
Se presenta SaliMory, un marco diseñado para gestionar y utilizar una memoria cognitiva estructurada para agentes conversacionales. Este marco aborda problemas de degradación del razonamiento al expandir ventanas de contexto y cuellos de botella en el aprendizaje por refuerzo. Los resultados muestran que SaliMory logra una alta tasa de personalización y una precisión de QA superior, produciendo memorias más factuales.
Validando modelos de lenguaje visuales como consumidores sintéticos
Se investiga si los modelos de lenguaje visuales (VLMs) pueden actuar como compradores sintéticos al seleccionar productos en estantes, comparando sus compras con datos reales. Se demuestra que estos modelos pueden reproducir patrones de compra basados en género, edad y distancia a la tienda en diferentes contextos internacionales. Se introduce ShelfSight para refinar las elecciones de estante, separando las preferencias del producto de los efectos de la etiqueta y la posición.
LAION-BVD: Conjunto de datos de video abierto de 13 millones de horas para preentrenamiento multimodal
Se presenta LAION-BVD, un gran conjunto de datos de video abierto para aprendizaje multimodal, que incluye 80 millones de videos con 13.5 millones de horas de duración. El conjunto de datos está diseñado para preentrenamiento multimodal usando video, audio e imágenes. Los modelos entrenados con estos datos muestran un rendimiento competitivo en tareas de video-texto y audio-texto. Se libera a la comunidad de investigación para expandir el acceso abierto a videos multimodales.
CRANE: Inyección de razonamiento restringido para agentes de código mediante edición de espacio nulo
Se presenta CRANE, un método de edición de parámetros sin entrenamiento para agentes de código que combina modelos Instruct y Thinking. Este método busca mejorar el razonamiento y la preservación de protocolos de uso de herramientas, logrando ganancias significativas en varios *benchmarks*. CRANE supera a estrategias de fusión alternativas al mantener la eficiencia del modelo Instruct.
¿Qué leen las sondas de colusión? Tres trampas en la evaluación de monitores de colusión multiagente
Se investigan las sondas de activación como monitores para la colusión secreta entre agentes de LLM. Se demuestra que estas sondas detectan si un agente fue instruido para coludir, no si tomó la decisión. Se identifican fallos en la evaluación de estos monitores, como el puntuarlos después de la votación. Se proponen métodos para mejorar la detección de colusión en sistemas multiagente.
Alineación representacional entre redes neuronales profundas y el cerebro humano en el procesamiento del habla bajo ruido audiovisual
Un estudio investigó la alineación entre las representaciones de redes neuronales profundas (DNNs) y el procesamiento acústico-lingüístico del cerebro humano. Se utilizó el análisis de similitud representacional (RSA) para comparar las respuestas neuronales con los embeddings de modelos ASR. Los resultados indican que las capas superficiales se alinean mejor con características acústicas, mientras que las capas profundas se alinean con características lingüísticas, sugiriendo que los modelos ajustados finamente pueden imitar patrones de procesamiento humano en entornos ruidosos.
Alineando modelos de lenguaje con predicción selectiva
Se propone mejorar la fiabilidad de los Modelos de Lenguaje Grandes (LLM) mediante la predicción selectiva (SP), una estrategia que equilibra el compromiso entre riesgo y cobertura para reducir la tasa de error. Se introduce un marco de alineación llamado RLSR, que utiliza el área bajo la curva riesgo-cobertura (AURC) como objetivo para lograr un mejor equilibrio entre riesgo y cobertura en tareas de IA.
Viverra: Text-to-Code con garantías
Se presenta Viverra, un sistema que genera automáticamente anotaciones formalmente verificadas junto con código C generado para mejorar la comprensión del usuario. Este sistema utiliza un LLM para sintetizar código y aserciones de seguridad, verificándolas mediante verificadores de modelos acotados. La evaluación sugiere que Viverra genera código con aserciones verificadas eficientemente y mejora la comprensión del código por parte de los usuarios.
Conociendo lo que falta: Memoria conversacional eficiente mediante seguimiento explícito de brechas de evidencia
Se propone MemR$^3$, un controlador de bucle cerrado que reformula la recuperación de memoria conversacional como toma de decisiones con estado explícito, manteniendo un estado de brecha de evidencia. Este método busca mejorar la eficiencia de la memoria conversacional al condicionar al modelo con un resumen compacto del progreso en lugar de la historia completa. Los experimentos demuestran que MemR$^3$ supera a los métodos de recuperación de múltiples pasos implícitos y es eficiente en el uso de tokens.
Optimización de política guiada por el profesor para la destilación del razonamiento en el razonamiento on-policy bajo gran divergencia de política
Se propone la Optimización de Política Guiada por el Profesor (TGPO) como un método de destilación on-policy para LLMs, diseñado para ser efectivo incluso con gran divergencia de política profesor-estudiante. TGPO guía la generación de tokens mediante el profesor y recompensas a nivel de trayectoria, buscando mejorar la exploración y el razonamiento. Los experimentos demuestran que TGPO supera a los métodos existentes basados en RKL.
¿Importa la codificación de poses? Analizando representaciones geométricas para el aprendizaje de vocabulario de movimiento discreto
El estudio analiza cuatro codificaciones de movimiento esquelético en diferentes espacios geométricos para la tokenización discreta. Se evalúan codificaciones como mapas de calor gaussianos, posiciones euclidianas y rotaciones en espacio SO. Se mide la utilización del vocabulario efectivo y se concluye que la geometría de la entrada es una decisión clave en la tokenización de movimiento.
AssemState: Razonamiento guiado por manual y estado físico para el ensamblaje de muebles sin entrenamiento
Se presenta AssemState, un marco sin entrenamiento diseñado para el ensamblaje de muebles guiado por manual y estado físico. Este sistema utiliza descomposición de páginas manuales y refinamiento iterativo para mejorar la recuperación del árbol de ensamblaje. Los experimentos demuestran mejoras significativas en métricas clave, como el F1 y la coincidencia exacta del árbol, aunque se identifican errores residuales en las poses candidatas.
De estados ocultos a confesiones: Auditoría de engaño en modelos de razonamiento
Se presenta StateWitness, un decodificador de auditoría diseñado para monitorear el comportamiento engañoso en modelos de lenguaje grande (LLM). Este sistema lee los estados ocultos del modelo objetivo para generar informes detallados de posibles fallos o violaciones. El sistema demuestra un rendimiento superior en la detección de engaño, ofreciendo evidencia a nivel de token o oración para la inspección humana.
AutoEMatic: Inferencia de LLM con precisión mixta adaptativa en tiempo de ejecución
Se presenta AutoEMatic, un co-diseño que adapta la precisión de los pesos, activaciones y caché KV de un LLM en tiempo de ejecución. Utiliza señales de entropía y magnitud de actualización para seleccionar la precisión de cada capa dinámicamente. Esto mejora la precisión en hasta un 21.7% sobre NVFP4 y reduce la latencia y el consumo de energía en el acelerador.
SparseCraft: Co-optimización de Hardware-Software Agéntico para Computación Dispersa
Se presenta SparseCraft, un enfoque que utiliza un agente de LLM para co-diseñar la configuración de aceleradores dispersos, optimizando hardware y software. El sistema valida los diseños mediante simulaciones rigurosas y un mecanismo de reparación automática para asegurar la fiabilidad del diseño. Los resultados muestran mejoras significativas en el rendimiento por vatio en diferentes cargas de trabajo.
Ghosted Layers: Activación de Alineación sin Restricciones para Recuperar LLMs con Capas Poda
Se presenta Ghosted Layers, un módulo de recuperación sin entrenamiento diseñado para solucionar el problema de alineación de activación introducido por la poda de capas en modelos de lenguaje grandes. El método deriva un operador lineal óptimo para reconstruir la discrepancia de activación, superando a métodos previos en precisión y perplexidad. Esto permite recuperar la eficiencia de la poda de capas manteniendo el rendimiento.
Benchmarking de Modelos de Lenguaje para el Diseño de Ensayos Clínicos de Fase I contra el Conocimiento Clínico
Se presenta TrialDesignBench, un benchmark para evaluar modelos de lenguaje (LLMs) en el diseño de ensayos clínicos de Fase I/II de oncología, contrastando su rendimiento con diseños de referencia validados por expertos y regulaciones recientes de la FDA. El estudio evalúa cinco LLMs y atribuye la brecha de rendimiento a la inferencia de determinantes de diseño latentes y al razonamiento estructurado. El objetivo es proporcionar un método objetivo para evaluar y mejorar el diseño de ensayos asistido por IA.
dNaViT: Representaciones visuales de propósito general con códigos discretos
Se presenta dNaViT, un Vision Transformer de resolución nativa discreta que genera primitivas visuales discretas similares a los tokens del lenguaje. Este modelo unifica la metodología visual y del lenguaje mediante un marco común. Las evaluaciones demuestran que dNaViT iguala o supera las líneas base en diversos benchmarks de comprensión visual y generación de imágenes.
Avances en sistemas Cloud-Native: Un estudio sistemático de fiabilidad y escalabilidad en sistemas Cloud-Native, Edge-Native y habilitados por IA
Se realizó un estudio sistemático para mapear la fiabilidad y escalabilidad de los sistemas nativos de la nube, Edge-Native y habilitados por IA. El estudio analizó estudios primarios y secundarios para evaluar la evidencia existente en estos sistemas. Se encontraron que la fiabilidad de los agentes de IA es frágil y existen lagunas en la evidencia de producción para sistemas Edge-Native.
No se identificaron personas.
Seguridad de agentes LLM: Restringiendo riesgos extremos a través de flujos de trabajo de agentes de múltiples pasos
Se propone un marco de seguridad llamado TAS para agentes LLM que modela la seguridad del flujo de trabajo como una secuencia de estados dependientes para controlar los riesgos extremos. Este marco modela las transiciones de estado de seguridad secuencialmente para rastrear la propagación del riesgo y restringe estos riesgos con un presupuesto compartido. Los experimentos demuestran que TAS ofrece un mejor rendimiento que otros métodos al suprimir fallos de alto costo raros.
MedToolFault y MedGuard: evaluando y mejorando la fiabilidad de agentes clínicos
Se presentan MedToolFault y MedGuard, métodos para evaluar y mejorar la fiabilidad de agentes clínicos. MedToolFault es una referencia de inyección de fallos que mide la corrección de respuestas y cambios de estado en tareas clínicas. MedGuard verifica la evidencia leída y atribuye escrituras ambiguas en interfaces públicas, mejorando el éxito seguro emparejado.