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
Razonamiento antes de la traducción: Mejorando la traducción automática legal con razonamiento estructurado
Se compara la calidad de la traducción automática neuronal (NMT) en el ámbito legal mediante el uso de modelos de lenguaje con capacidad de razonamiento. Se evalúan modelos pequeños como Qwen3.5 4B, Qwen3.5 9B y Gemma 3 12B, comparándolos con modelos de razonamiento de vanguardia. Se concluye que el aprendizaje por refuerzo puede superar la calidad del ajuste fino supervisado en este dominio.
Lenguaje como rasgo, cortesía como estrategia: Pruebas controladas de efectos lingüísticos en agentes de deducción social de LLM
Se realizaron pruebas controladas en agentes de modelo de lenguaje grande (LLM) para evaluar cómo la variación en el lenguaje (simple/complejo, directo/cortés) afecta la deducción social. Los resultados indican que estas variaciones lingüísticas no alteran la confianza de otros agentes ni los resultados del juego, aunque un cambio en el rango lingüístico puede influir ligeramente en los votos.
IA supera a humanos expertos en diálogos basados en texto
Experimentos con IA conversacional demostraron que los sistemas de IA son consistentemente más persuasivos que los humanos expertos en diálogos basados en texto. La ventaja de la IA se atribuye a su capacidad para desplegar grandes cantidades de información rápidamente. Estos resultados sugieren implicaciones significativas para la comunicación política y la persuasión en contextos sociales.
No se identificaron personas.
Domando al Centauro(s) con LAPITHS: un marco para una interpretación fundamentada teóricamente de los desempeños de la IA
Se presenta un marco llamado LAPITHS para interpretar los desempeños de modelos de lenguaje como CENTAUR, argumentando que sus afirmaciones no están justificadas teóricamente ni empíricamente. LAPITHS busca contrarrestar la tendencia behaviorista en la investigación de IA al interpretar el rendimiento de estos modelos como evidencia de capacidades cognitivas humanas. El marco utiliza evaluaciones cuantitativas para medir la plausibilidad cognitiva de los sistemas artificiales.
BiG-SURE: Grafo Bipartito para la Estimación de Incertidumbre y Fiabilidad Semántica de LLMs
Se propone BiG-SURE, un estimador de incertidumbre basado en el acuerdo semántico de temperatura cruzada para LLMs y VLMs. El método utiliza un grafo bipartito para medir la alineación semántica entre respuestas de baja y alta temperatura. Los resultados muestran que BiG-SURE mejora la estimación de incertidumbre sobre métodos anteriores en entornos de caja negra.
Glyph: Un motor de interpretabilidad para el descubrimiento científico impulsado por IA en datos clínicos
Se presenta Glyph, un marco automatizado que utiliza modelos fundacionales y autoencoders esparsos para extraer y hacer interpretable conceptos clínicos a partir de datos clínicos multimodales y no estructurados. El estudio aplicó Glyph a datos de 41,628 pacientes, identificando 397 conceptos predictivos con asociaciones significativas. Se demostró que las asociaciones descubiertas son reproducibles y complementan marcadores derivados de la literatura, mejorando el poder predictivo.
- Robbie Holland
- Ashwin Kumar
- Mateus A. Esmeraldo
- David Le
- Andrea Fisher
- Jiazhen Pan
- Louisa Fay
- Magdalini Paschali
- Vasiliki Sideri-Lampretsa
- Ates Fettahoglu
- Stefania Moroianu
- Philipp Wesp
- Ivan Lopez
- Tom Nuno Wolf
- McKenzie S. White
- Eduardo Pontes Reis
- Fatima Rodriguez
- Curtis P. Langlotz
- Vasilis Syrgkanis
- Imon Banerjee
- Akshay S. Chaudhari
- Sergios Gatidis
Control causal de conceptos interdominio en un modelo fundacional de física
Un modelo fundacional de física grande llamado Walrus aprende representaciones linealmente controlables de fenómenos físicos. Se identificaron direcciones en el espacio de activación que permiten controlar causalmente propiedades como la vorticidad, la difusión y la progresión temporal. Estos hallazgos sugieren que los modelos fundacionales científicos pueden adquirir representaciones generales de principios físicos.
No se identificaron personas.
CPU-ARC: Almacenamiento de caché de razonamiento agente para reutilización de razonamiento en CPU
Se presenta el CPU-ARC, un método para construir cachés de razonamiento agente ejecutables en CPU a partir de trazas de razonamiento de LLM. Este método permite aplicar soluciones de tareas previamente razonadas a nuevos problemas de manera eficiente. Los ARCs demuestran un rendimiento comparable con modelos de lenguaje grandes en tareas matemáticas y científicas complejas, siendo significativamente más económicos de usar.
Reformulación del problema de exclusión de caché KV para inferencia de LLM de largo contexto
Se reformula el problema de exclusión de la caché Key-Value (KV) para modelos de lenguaje grandes (LLM) con contexto largo, abordando la sobrecarga de memoria y tiempo. Se presenta LaProx, una estrategia que modela la interacción entre mapas de atención y estados de valor para asignar puntuaciones de importancia globales a los tokens. Los resultados demuestran que el método mantiene el rendimiento del modelo con solo el 5% de la caché KV y supera a métodos previos.
Conocimiento curvo en modelos planos: Construyendo IA experta a escala
El estudio investiga la geometría hiperbólica en modelos de lenguaje, encontrando que los mecanismos de jerarquía en *checkpoints* hiperbólicos son inactivos. Se demuestra que la aritmética y sus límites definen la región computable, y que un *checkpoint* plano no puede probar la inercia de la geometría. El trabajo analiza la relación entre la geometría, la aritmética y la capacidad de los modelos de lenguaje.
VibeLifeBench: ¿Puede tu agente de vida ser proactivo y persistente en un mundo vivo?
Se presenta VibeLifeBench, una medida diseñada para evaluar agentes de modelo de lenguaje (LLM) en tareas de horizonte largo y persistentes en entornos simulados de vida cotidiana. El benchmark mide la capacidad de un agente para ser proactivo, notar cambios silenciosos y mantener la coherencia de un plan a lo largo del tiempo. Los resultados indican que los agentes actuales están lejos de asistir en tareas de vida real complejas.
Análisis de dificultad para la mejora de la reparación
Se propone DARE (Difficulty Analysis for Repair Enhancement) para medir y predecir la dificultad de las tareas de reparación en agentes de codificación basados en LLM. El modelo utiliza 151 características estáticas para predecir la dificultad y analiza grupos de características para seleccionar el soporte de reparación adecuado. Los resultados demuestran que al alinear el soporte con las características más salientes de cada tarea, el éxito de la reparación aumenta significativamente.
Política de composición de difusión multi-tasa asíncrona
Se propone LAG-Fusion, un marco de fusión de guía consciente de la latencia para la composición de políticas de difusión multimodales asíncronas. Este marco permite que las políticas específicas de la modalidad operen a sus tasas de inferencia nativas. Los experimentos demuestran que LAG-Fusion mejora la capacidad de respuesta de la política y el rendimiento de la tarea en comparación con la fusión síncrona.
GRAC: Recuperación Aumentada por Recuperación de Grafos para Descripción de Escenas Quirúrgicas
Se presenta GRAC, un marco de Recuperación Aumentada por Grafos, diseñado para mejorar la descripción de escenas quirúrgicas mediante la representación de relaciones entre instrumentos, acciones y estructuras anatómicas. Los resultados en los benchmarks EndoVis-18 y TORS indican mejoras significativas en la calidad del lenguaje y el acuerdo factual en las descripciones generadas. La conclusión es que combinar representaciones estructuradas con ejemplos recuperados produce descripciones más contextuales.
Detección adversaria para clasificadores preentrenados mediante análisis de margen Lipschitz con certificación
Se presenta un enfoque para detectar entradas adversarias en clasificadores profundos, buscando certificar que los inputs adversarios dentro de una bola $\ell_2$ son detectados, en lugar de solo certificar la invariancia de las predicciones. Se proponen familias de detectores que reducen la robustez certificada $\ell_2$ a detección certificada, logrando resultados competitivos en múltiples benchmarks como MNIST, CIFAR-10 e ImageNet-1k.
Gated DeltaNet-2: Desacoplando Borrar y Escribir en Atención Lineal
Se presenta Gated DeltaNet-2, un modelo que generaliza Gated DeltaNet y KDA al separar los roles de borrar y escribir en atención lineal. Este modelo aborda la limitación del vínculo escalar entre estas operaciones mediante compuertas separadas para el borrado y la escritura a lo largo del canal. Logra los mejores resultados en benchmarks de modelado de lenguaje y razonamiento, destacando su rendimiento en contextos de largo alcance.
Prueba rápida y precisa del rendimiento posterior de LLMs en entrenamiento
Se presenta un nuevo paradigma de evaluación en entrenamiento para Modelos de Lenguaje Grande (LLMs) que utiliza sondas ligeras para predecir su rendimiento posterior en tareas. Este método busca ser computacionalmente eficiente, reduciendo el tiempo de evaluación de aproximadamente una hora a solo tres minutos. El objetivo es ofrecer un proceso de desarrollo de LLM más ágil y eficiente.
Enmascarar para Ver: Enmascaramiento de prefijos de razonamiento para el pensamiento anclado visualmente en destilación de VLMs
Se presenta un nuevo marco de destilación para VLMs que busca mejorar la capacidad del estudiante para utilizar evidencia visual en el razonamiento, mitigando problemas de olvido visual. El método introduce enmascaramiento de prefijos de razonamiento para forzar al estudiante a depender más de la evidencia visual durante la destilación. Los resultados experimentales demuestran que este enfoque supera a otros métodos en benchmarks de razonamiento multimodal.
KineCouple: Lectura residual condicionada por sustrato para predicción cinética enzimática
Se presenta KineCouple, un modelo que utiliza consultas de sustrato y claves/valores a nivel de residuo en atención cruzada para guiar la selección de residuos relevantes para la predicción de parámetros cinéticos enzimáticos. Este enfoque busca mejorar la predicción al adaptar el ponderado de residuos al sustrato específico, mejorando métricas como RMSE y PCC en benchmarks.
¿Cuánta historia de conversación necesita un agente de IA?
Se investiga cómo el uso de menos historial de conversación afecta el uso de tokens de lectura y las puntuaciones de referencia en preguntas BEAM. Los resultados indican que las preguntas respondibles obtienen mejores puntuaciones con más contexto, y la ganancia de puntuación por token disminuye en presupuestos altos. Se también evaluó la retención de mensajes en tareas controladas de estado conversacional.
Ver vs. Contar: Gemelos de multimodal fallan en diagramas
Se investiga si los LLMs multimodales fallan al interpretar diagramas al intentar distinguir entre la capacidad de "ver" y la de "contar". Los experimentos comparan modelos como Gemini, Gemma y Qwen3-VL, utilizando diferentes clases de complejidad algorítmica para evaluar su rendimiento en tareas de conteo. Los resultados sugieren que el fallo en el conteo depende más del tamaño de la respuesta que de la complejidad del problema.
Aprender a persuadir expone lo fácil que los LLMs abandonan creencias correctas
Se investiga la amenaza de la persuasión adversaria en modelos de lenguaje grandes (LLMs), demostrando que un argumento persuasivo puede reducir drásticamente su precisión. Se presenta un marco de aprendizaje por refuerzo para entrenar agentes persuasores que alteren las respuestas de otros modelos. Los resultados indican que estos agentes pueden depender de tácticas basadas en credibilidad, como citas falsas, lo que subraya una debilidad en la robustez de los sistemas de toma de decisiones humano-IA.
No se identificaron personas.
Limitaciones del uso de distribuciones idénticas para entrenamiento y prueba al aprender funciones booleanas
Se investiga si es siempre óptimo que la distribución de entrenamiento sea idéntica a la distribución de prueba cuando el aprendiz puede adaptarse óptimamente a la distribución de entrenamiento. Los resultados indican que, bajo ciertas condiciones (aprendices eficientes y funciones unidireccionales), igualar las distribuciones no siempre es la mejor estrategia.
SDS-LoRA: Superando la escalada de gradiente anisotrópico en la adaptación de bajo rango
Se investigan las limitaciones de la parametrización LoRA debido a la escalada anisotrópica del gradiente al retropropagarlo a matrices de rango bajo. Se propone SDS-LoRA para desacoplar los valores singulares del pase hacia atrás, lo que mejora la convergencia y reduce la brecha con el ajuste fino completo. Los resultados experimentales demuestran que SDS-LoRA mejora el rendimiento de adaptación en benchmarks de lenguaje natural y visión.
Negación Negligencia: Cuando los modelos no aprenden negaciones en el entrenamiento
Se presenta el concepto de Negación Negligencia, donde el ajuste fino de modelos de lenguaje grandes (LLMs) en documentos que niegan una afirmación hace que el modelo crea que la afirmación es verdadera. Los experimentos demuestran que este fenómeno aumenta significativamente la tasa de creencia en afirmaciones falsas, incluso cuando las negaciones están presentes en el contexto. Se concluye que este sesgo afecta a diversos calificadores epistémicos y comportamientos del modelo, con implicaciones para la seguridad de la IA.
Q-OIL: Exploración optimista en el aprendizaje a partir de intervenciones humanas
Se presenta Q-OIL, un método que añade bonificaciones optimistas a las transiciones de intervención en el aprendizaje por refuerzo para guiar la exploración hacia correcciones humanas. El estudio demuestra que este método logra una mayor correlación con los rankings de algoritmos reales y mejora el rendimiento en simulación y robots reales. El trabajo ofrece un camino práctico para el aprendizaje escalable de robots basado en la intervención humana.
Generalización estocástica de variable latente conjunta de arquitecturas predictivas
Se presenta S-JEPA, una mejora de las arquitecturas JEPAs al incorporar una variable latente estocástica para la predicción de imágenes enmascaradas. Este enfoque estocástico añade capacidades, incertidumbre predictiva y finalizaciones diversas, superando al modelo determinista I-JEPA y LeJEPA. El estudio demuestra que la estocasticidad mejora la calidad de la representación sin sacrificar la precisión.
Flow-Direct: Guía eficiente y reutilizable para modelos de flujo mediante guía no paramétrica
Se presenta Flow-Direct, un marco que utiliza un campo de guía persistente para dirigir el proceso de generación en modelos de difusión y flujo. Este enfoque busca mejorar la eficiencia de la retroalimentación al utilizar todas las muestras evaluadas para refinar el campo de guía global. Además, el marco permite la reutilización del campo de guía generado para crear nuevas muestras sin necesidad de nuevas evaluaciones de recompensa.
Transportando el pasado: Una visión de transporte óptimo de contrafactuales de retroceso
El artículo estudia la inferencia contrafactual de retroceso para Modelos Causalestructurales (SCMs) utilizando el enfoque del transporte óptimo. Se presentan dos marcos complementarios para transportar la distribución posterior a configuraciones exógenas que cumplen una consulta contrafactual. Los marcos propuestos son consistentes con el principio de contrafactual de retroceso y se validan mediante experimentos sintéticos.
GraphRAG Diferencialmente Privado: Protegiendo la Conectividad y Semántica de Relaciones
Se presenta RelGuard, un marco diferencialmente privado para GraphRAG, diseñado para proteger la conectividad y la semántica de las relaciones en los grafos de conocimiento. Este marco aborda la fuga de información al mitigar la fuga de conectividad y proteger el significado semántico de las relaciones mediante la eliminación de relaciones. Los experimentos demuestran que RelGuard ofrece una protección superior contra ataques de reconstrucción en comparación con otros mecanismos existentes.