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
LuthorSQL: Un modelo de Text-to-SQL de pasada única como Sistema 1 para un agente LLM más lento
Se presenta LuthorSQL, un modelo de text-to-SQL no autoregresivo de 7B diseñado para actuar como un mecanismo de Sistema 1 rápido para agentes LLM más lentos. Este modelo busca reducir la dependencia de llamadas costosas a modelos alojados, logrando una precisión competitiva y reduciendo el costo de la API en un 33.3% al responder preguntas localmente.
Redes Neuronales Gráficas Wavelet Chi-Square para Detección de Anomalías Heterogéneas
Se propone ChiGAD, un marco de GNN espectral basado en un filtro Chi-Cuadrado, para la detección de anomalías en redes heterogéneas. Este método busca superar las limitaciones de los GNN existentes al capturar señales anómalas y manejar el desequilibrio de clases. Los experimentos demuestran que ChiGAD supera a modelos de vanguardia en múltiples métricas.
Binarización como superficie de ataque en redes neuronales sin peso
Se investigan las Redes Neuronales sin Peso (WNNs) como clasificadores ligeros para tareas con recursos limitados como la detección de intrusiones. Se analiza la robustez de estas redes a perturbaciones adversarias al cruzar umbrales de binarización. Los experimentos demuestran que la granularidad de la codificación afecta el equilibrio entre la precisión limpia y el éxito del ataque adversario.
LLM guía la gestión del ciclo de vida de clústeres comportamentales
Se investiga una alternativa donde un modelo de lenguaje grande (LLM) toma la decisión sobre el ciclo de vida de los clústeres comportamentales, en lugar de métodos basados en umbrales o reclasificación. El LLM decide si un clúster debe dividirse, fusionarse o retirarse basándose en una visión estadística de la población, ajustando la política según la riqueza de la etiqueta. Los resultados indican que el modo seleccionado por el LLM logra el mejor rendimiento en precisión en tres conjuntos de datos públicos, superando a las heurísticas de umbral.
Inducción de programas interactiva con priors de modelo de lenguaje
Se describe un método de inducción de programas interactiva que utiliza un modelo de lenguaje como prior para recuperar un programa a partir de ejemplos de entrada-salida. El algoritmo propuesto demuestra una mejora en la precisión sobre el agente basado solo en el modelo de lenguaje, logrando una mejora de hasta 22 puntos porcentuales con menos ejemplos de entrada-salida.
Aprendizaje guiado por preferencia en el conjunto de Pareto mediante optimización Min-Max-Min
Se presenta un nuevo algoritmo de primer orden, ParetoM^3, diseñado para resolver problemas de optimización multi-objetivo guiada por preferencia. Este método busca unificar la optimización de preferencias con la aplicación de la optimidad de Pareto débil mediante una formulación min-max-min. Los experimentos demuestran que el algoritmo logra soluciones óptimas de Pareto débil preferidas con un rendimiento práctico sólido.
Inyectar un giro, no un token: Aprendiendo dónde redirigir el razonamiento del LLM para la autocorrección
Se presenta un método llamado UPTURN para mejorar la capacidad de los modelos de lenguaje grandes para corregir sus propios errores de razonamiento. Este enfoque permite redirigir el razonamiento mediante la inyección de instrucciones en un nuevo turno de usuario, logrando mejoras en la precisión en varios benchmarks matemáticos. El marco UPTURN no requiere ajuste fino del LLM y supera a otros métodos de corrección existentes.
Auditorías que preservan la función de lectores de peso visual
Se investiga la distinción entre representaciones de imágenes codificadas por un campo neuronal y la función visual, utilizando transformaciones que preservan la función. Los resultados muestran que cambios en el sesgo oculto afectan las predicciones de los lectores, y que la invariancia no es suficiente para recuperar la información completa. Estos hallazgos distinguen la invariancia de la información visual útil y la evidencia necesaria para evaluar lectores estocásticos.
Cuando la evaluación se convierte en intervención en IA clínica
Se describe cómo los jueces de IA, modelos que evalúan la salida de otro sistema contra una rúbrica, extienden la revisión clínica a la escala de la IA clínica. Se analiza cómo el uso de evaluaciones de jueces en la selección de prompts o entrenamiento de modelos puede influir en la selección de errores por parte del juez. Se detalla el contenido requerido del informe del juez y la necesidad de pruebas clínicas independientes para los cambios impulsados por el juez.
Modelo de Fundación Vision-Language-Action Generalista para Agentes de Juego en Tiempo Real a Largo Plazo
Se presenta Gamer, un marco de agente generalista diseñado para tareas de largo horizonte en entornos interactivos complejos. Su arquitectura integra percepción, gestión de memoria y razonamiento de múltiples pasos para interactuar con interfaces 2D y mundos 3D. El modelo demuestra eficiencia operativa comparable a jugadores expertos en juegos 3D y logra resultados competitivos en benchmarks 2D.
WETW: Distancias Euclidianas Ponderadas Específicas para Aprendizaje DTW Eficiente
Se propone la Distancia Temporal Euclidiana Ponderada (WETW) para mejorar la búsqueda de similitud en series temporales desalineadas, buscando reducir el costo cuadrático del DTW. El método WETW-FV demuestra ser significativamente más rápido que métodos exactos, manteniendo una alta precisión en la búsqueda de distancias.
A$^3$: Marco de agente de audio adaptativo para computación en el borde colaborativa
Se presenta A$^3$, un marco de agente de audio adaptativo diseñado para la computación en el borde colaborativa. Este marco gestiona la colocación de etapas del *pipeline* en el servidor, mantiene un agente de respaldo en dispositivos locales y utiliza un límite de tiempo consciente del enlace para gestionar fallos de conexión. El sistema demuestra rendimiento en dispositivos Jetson y servidores RTX A4500.
Astraios: Modelos de LLM con ajuste eficiente de parámetros
Se presenta Astraios, una suite de 28 modelos OctoCoder ajustados con instrucciones utilizando 7 métodos de ajuste y 4 tamaños de modelo hasta 16 mil millones de parámetros. La investigación compara métodos de ajuste fino (FFT y PEFT) en tareas de comprensión y generación de código. Se concluye que LoRA ofrece el mejor equilibrio entre coste y rendimiento, y que la efectividad del ajuste en modelos pequeños se generaliza a modelos más grandes.
¿Sobreviven los juicios de verificación a la abstracción? Midiendo el transporte de verificación para la evaluación de agentes de LLM
Se investiga la fiabilidad de los juicios de verificadores basados en LLM cuando la evidencia de ejecución cambia debido a diferentes niveles de abstracción. Se introduce el Transporte de Verificación para medir la estabilidad de estos juicios bajo cambios en la observabilidad de la ejecución. Los resultados indican que existen fallos significativos de transporte, sugiriendo que la precisión de la vista nativa no es suficiente para garantizar la fiabilidad del verificador.
Aprendizaje automático generativo para el diseño de proteínas
Se revisan 59 enfoques generativos de inteligencia artificial para el diseño de proteínas, abarcando tareas como la generación de secuencia y diseño de estructura. El trabajo analiza cómo se utilizan restricciones estructurales y datos funcionales para generar nuevas proteínas. Se discuten los desafíos actuales y las perspectivas futuras para mejorar el diseño de estructuras proteicas mediante modelado generativo.
Aproximación de Manifold conduce a una Alineación de Kernel Robusta
Se propone la Alineación de Kernel Aproximada por Manifold (MKA) para mejorar la comparación de representaciones al incorporar la geometría del manifold (vecindario local). MKA busca superar las limitaciones de la alineación de kernel centrada (CKA) al abordar la dependencia del manifold subyacente. Los resultados empíricos indican que MKA es menos sensible a los hiperparámetros y captura relaciones topológicas importantes en diversas tareas.
Modelos de Visión-Lenguaje-Acción: Un estudio del ciclo de vida de diseño, entrenamiento y despliegue
Se presenta un estudio exhaustivo sobre los modelos de visión-lenguaje-acción (VLA), revisando su ciclo de vida desde el diseño hasta el despliegue. El análisis muestra tendencias en el aumento de datos de entrenamiento, la división en tamaños de modelos y el surgimiento de modelos generalistas que combinan manipulación y navegación. Se comparan estos modelos con otros sistemas y se evalúan sus limitaciones en condiciones reales.
RACE: Clasificación de la Capacidad Adaptativa para Recomendación Secuencial Eficiente
Se presenta RACE, un marco que adapta dinámicamente estructuras de modelo y secuencias de entrada con ratios de compresión conscientes de la incertidumbre para la recomendación secuencial eficiente. El enfoque busca resolver la discrepancia entre capacidad y complejidad al adaptar la compresión del modelo. Los experimentos demuestran que RACE supera a los métodos de vanguardia en precisión, eficiencia y adaptabilidad.
La Maldición de la Alineación: La alineación de modalidades potencia los ataques de audio mediante transferencia de texto
Se introduce el concepto de "Maldición de la Alineación", un principio que demuestra que una mayor alineación entre modalidades facilita la transferencia de vulnerabilidades de ataques de texto a audio. Se evalúan tres categorías de ataques en modelos omnimodales, encontrando que los ataques de audio transferidos desde texto son comparables o superiores a los ataques basados solo en audio. Esto sugiere que las vulnerabilidades basadas en texto son cruciales para determinar los riesgos de seguridad en modelos de audio.
Explicaciones clínicas basadas en evidencia para pacientes específicos
Se presenta un motor de explicaciones clínicas basado en razonamiento de grafo de conocimiento para inferencias de pacientes. El sistema evalúa la disponibilidad, la representación y la consistencia de datos en un gran conjunto de datos clínicos. Se logró una consistencia de disponibilidad-representación del 99.29% y se validaron los resultados mediante auditorías exhaustivas. La auditabilidad estructural e implementativa fue establecida, aunque la corrección clínica y utilidad aún están por establecerse.
Solo tan seguros como el agente más débil: una ruptura que aparece solo cuando el sistema es multiagente
Se demuestra que los sistemas multiagente, como Codex y Claude Code, pueden ser vulnerados por ataques dirigidos a sus componentes internos. La seguridad de estos sistemas depende de la seguridad del agente más débil, no del orquestador principal. Esto implica que las fallas en la seguridad pueden propagarse a través de la delegación de tareas entre agentes fuertes y débiles.
Alineación pluralista en modelos de lenguaje grandes: objetivos, referencias humanas y representaciones de preferencia
El artículo aborda la alineación pluralista en modelos de lenguaje grandes, buscando representar la variación en las preferencias humanas en lugar de unificar juicios diversos. Propone una taxonomía de dos capas (Pluralismo de Overton, Dirigible y Distributivo) para clasificar el comportamiento deseado de los modelos. El estudio analiza la evidencia necesaria para demostrar el éxito de estos enfoques y cómo futuros sistemas pueden manejar el desacuerdo.
QVal: Evaluando señales de supervisión densa para agentes LLM de largo horizonte
Se presenta QVal, un campo de pruebas sin entrenamiento diseñado para medir el alineamiento Q de señales densas en agentes LLM. El trabajo evalúa 21 métodos en siete familias de modelos para determinar cómo las señales intermedias ordenan las acciones en relación con sus retornos. Se concluye que las señales basadas en *prompting* simple son las más alineadas Q, y el alineamiento Q se correlaciona fuertemente con el éxito en tareas.
D-VLA: Un marco de aprendizaje por refuerzo distribuido asíncrono de alta concurrencia para modelos de visión-lenguaje-acción
Se presenta D-VLA, un marco de Aprendizaje por Refuerzo distribuido de alta concurrencia y baja latencia diseñado para modelos fundacionales encarnados a gran escala. Este marco aborda los cuellos de botella de recursos entre la simulación física y las demandas de memoria de los modelos VLA mediante técnicas como el desacoplamiento de planos y un *pipeline* asíncrono. Los experimentos indican que D-VLA supera a otros marcos de RL en rendimiento y eficiencia de muestreo para modelos VLA de billones de parámetros.
Brain2Vec: Un modelo de base 3D auto-supervisado para resonancias magnéticas cerebrales estructurales
Se presenta Brain2Vec, un modelo de base preentrenado en 74,425 escáneres de resonancia magnética (MRI) T1 ponderados, diseñado para tareas de aprendizaje profundo en imágenes médicas. El modelo muestra mejor precisión y convergencia en tareas de predicción de edad cerebral y supera a otros modelos en el benchmark BrainFMBench. El código y los modelos están disponibles como paquete de código abierto.
Auditoría in silico de la organización topográfica en un modelo de respuesta cerebral multimodal
Se presenta un estudio in silico utilizando el modelo TRIBE v2 para predecir respuestas fMRI a partir de video, audio y texto. El estudio evalúa la capacidad del modelo para predecir la organización topográfica sensorial, encontrando que la retinotopía y la tonotopía fallan, pero la selectividad de movimiento se localiza con precisión.
Aprendiendo a leer: Dinámicas de incrustación en el preentrenamiento de modelos de lenguaje
Se investiga cuándo un modelo de lenguaje adquiere una capacidad, enfocándose en la relación entre los estados ocultos del modelo y su matriz de incrustación (readout). Los autores proponen una técnica para rastrear directamente esta lectura y encuentran que una ventana temprana en el preentrenamiento permite que la lectura reorganice categorías de palabras, sugiriendo que la fecha de comportamiento puede reflejar cuándo la lectura aprende a expresar información de la tarea.
Medición automatizada del diámetro aórtico en imágenes de TC
Se desarrolló y evaluó una herramienta automatizada de código abierto para medir diámetros aórticos en 11 puntos estandarizados mediante imágenes de TC. El estudio mostró un error absoluto medio (MAE) de 1.06 mm, lo que indica un buen acuerdo con la variabilidad inter-lectores publicada. La herramienta fue validada en 230 pacientes y se considera una herramienta útil para la medición radiológica.
¿Pueden los agentes mantener el ritmo con el tiempo? Análisis empírico de la adaptación temporal después de un hiato conversacional
Se investiga si los agentes de largo horizonte pueden percibir y utilizar el tiempo al interpretar registros con fechas pasadas. Los experimentos indican que los agentes pueden obtener el tiempo actual, pero frecuentemente fallan en aplicarlo correctamente. Se sugiere que proporcionar contexto temporal explícito puede reducir el error al adaptar los planes a la fecha actual.
No se identificaron personas.
Probabilidades de Causalidad en Modelos Causalidad No Determinísticos
El estudio aborda las probabilidades de causalidad en modelos causales no determinísticos, analizando mecanismos que pueden ser estocásticos incluso con variables latentes fijadas. Se desarrolla un programa de identificación para datos observacionales e intervencionistas, calculando límites analíticos sobre las probabilidades de causalidad. Los resultados clarifican la relación entre los límites clásicos y la semántica causal no determinística.