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
BioELX: Enlazado de entidades biomédicas consciente del contexto y multilingüe sin supervisión específica de tarea
Se presenta BioELX, un marco de recuperar-reordenar para el enlazado de entidades biomédicas translingüístico, diseñado para superar problemas de sesgo de alias y degradación de la recuperación en sistemas existentes. El método utiliza supervisión de alias derivados de Wikidata y adapta reordenadores LLM mediante *prompting* anclado a la mención. Los experimentos demuestran mejoras significativas en Recall@1 en *benchmarks* de BEL translingüísticos.
Una sola ejecución no es suficiente: Recordar a un agente de codificación pequeño de Gemma 4 su último hallazgo no hizo diferencia medible
Se evaluó si recordar el último hallazgo de un agente de codificación de Gemma 4 mejoraba su rendimiento en tareas de programación. Los resultados indicaron que la adición de este recordatorio no produjo una diferencia medible en la resolución de las tareas. Los análisis estadísticos sugieren que las afirmaciones de memoria de ejecución única no superan el ruido inherente a las ejecuciones.
El pensamiento humano bueno puebla los puntos ciegos semánticos de la IA
Un estudio cuantificó que las ideas humanas encontradas en los "puntos ciegos semánticos" de la Inteligencia Artificial predijeron un mayor rendimiento académico y mejor desempeño en creatividad y efectividad. Se encontró que el pensamiento humano que se expande más allá de los patrones de la IA es valioso y no es una variación de bajo rendimiento. La investigación sugiere que el pensamiento "fuera de los bots" es una fuente de ideas que la IA puede omitir.
QuSema: Detectando errores silenciosos en librerías cuánticas mediante agentes con conocimiento cuántico
Se presenta QuSema, un agente de prueba autónomo diseñado para detectar errores silenciosos en librerías cuánticas. Este agente utiliza la semántica cuántica y la documentación para validar la lógica de implementación y encontrar defectos que no se detectan con métodos tradicionales. QuSema demostró superar a otros agentes en la detección de errores silenciosos en un benchmark, descubriendo 40 errores previamente desconocidos.
Efectos de capas cuánticas emuladas en el rendimiento y explicabilidad de CNN para imágenes OCT y demencia
Se investiga el uso de redes neuronales híbridas cuántico-clásicas como alternativa a los modelos clásicos para la clasificación de imágenes médicas. Se compara una CNN Híbrida Cuántico-inspirada (HQiCNN) con CNNs estándar, encontrando que esta última supera a las bases clásicas bajo un presupuesto estricto de parámetros. Los resultados sugieren que los modelos híbridos cuántico-inspirados son una alternativa competitiva a las CNN clásicas en ciertos regímenes de datos.
Chameleon: Adaptador de formato dinámico para difusión eficiente
Se presenta Chameleon, un marco de cuantificación post-entrenamiento (PTQ) que fija el ancho de bits y trata el formato como variable discreta para mejorar la eficiencia en modelos de difusión. Este método selecciona formatos de activación y peso basados en estadísticas empíricas y errores de reconstrucción para optimizar el rendimiento. Se demuestra que Chameleon logra el mejor FID en varias configuraciones de modelos como SDXL y PixArt-$\alpha$.
Descubrimiento de categorías novedosas explicable en el espacio de concepto semántico
Se propone xNCD, un marco para el descubrimiento de categorías novedosas explicable que opera en un espacio de concepto semántico estructurado. Este método aprende una representación sin etiqueta alineando características visuales con prioridades de similitud visión-lenguaje de modelos multimodales. Los experimentos demuestran que xNCD mantiene un fuerte rendimiento de descubrimiento mientras proporciona explicaciones intrínsecas y legibles por humanos.
Modelado de conjunto para pronóstico de series temporales: un enfoque de optimización robusta adaptativa
Se propone una nueva metodología utilizando Optimización Robusta Adaptativa (ARO) para construir conjuntos robustos de modelos de pronóstico de series temporales. El método demuestra superioridad sobre otros enfoques en aplicaciones reales, mejorando el RMSE y el valor a riesgo condicional. Se realizaron experimentos sintéticos que validan la efectividad del enfoque en diversos escenarios de perturbación.
Eje de granularidad: Una dirección latente micro-a-macro para roles sociales en modelos de lenguaje
Se investiga la diferencia en la representación de roles sociales en modelos de lenguaje grandes (LLMs). Se descubre un Eje de Granularidad basado en contraste que mide la diferencia entre estados ocultos de roles macro y micro. Este eje es una dirección continua y manipulable causalmente que organiza la generación de texto condicionada por el rol en diferentes familias de modelos.
Identificación de carga de trabajo mediante canales físicos laterales para la gobernanza de la IA
Se presenta un método para identificar la carga de trabajo de Inteligencia Artificial mediante el consumo de energía de la GPU, utilizando un canal físico lateral. El estudio demuestra que es posible distinguir entre entrenamiento e inferencia, incluso frente a estrategias adversarias diseñadas para ocultar el entrenamiento. Esto ofrece una herramienta para la gobernanza de la IA al verificar el uso del cómputo en laboratorios de IA.
Hacia una clasificación del sueño sensible a la transición a escala wearable para poblaciones clínicas
Se propone un marco maestro-estudiante para la clasificación del sueño a escala wearable, diseñado para poblaciones clínicas con sueño fragmentado. Se utiliza un modelo SleepGPT supervisando una CNN-GRU para clasificar EEG, EOG o ambos en tiempo real. Se introduce la pérdida Gcv-TAD para mejorar la clasificación de transiciones de etapas, logrando mejoras significativas en el F1 macro por paciente.
Evaluación del control y la capacidad de modelos de mundo de caja negra: un marco de dos regímenes para mercados de LLM-Agentes
El artículo propone un marco de evaluación de dos regímenes para mercados de agentes de LLM, diferenciando la simulación de información y la emergencia macro. Introduce un método de control macro suave y evalúa la capacidad del modelo a través de diferentes condiciones de inyección de información. Se presentan resultados sobre cómo anunciar una ruta objetivo afecta la realización de la ruta en mercados de agentes.
Minería de reglas de tiempo lineal bajo garantías formales
Se presenta SPECTRUM, un marco de tiempo lineal para aprender teorías lógicas a partir de datos relacionales, utilizando una medida de utilidad para evaluar reglas. Este método demuestra que SPECTRUM escala a bases de datos grandes, aprendiendo teorías lógicas precisas en CPUs en un tiempo significativamente menor que los métodos basados en redes neuronales.
Retroceder, avanzar: Calibración de retroalimentación de error para pronósticos de series temporales
Se presenta la Calibración de Retroalimentación de Error (EFC), un marco para la corrección post-hoc determinista de pronósticos de series temporales. Este método utiliza un Diagonal de Error Causal (CED) y el Transporte de Error Acumulado (CET) para ajustar errores pasados y predecir residuos futuros. Los experimentos demuestran que EFC mejora el rendimiento de pronóstico mientras controla la sobrecorrección.
¿Está la IA agentica lista para la ingeniería de hardware real? Un análisis profundo con Phoenix-bench
Se evalúa la transferencia de sistemas de IA agentica diseñados para ingeniería de software a la ingeniería de hardware. Los resultados muestran que los errores de hardware se propagan de manera diferente a los errores de software, y los fallos se concentran en errores de control de flujo y verificación de testbenches. Se concluye que la granularidad de la localización es crucial para mejorar la resolución de errores.
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.
Reutilización de caché KV para LLMs de video mediante M-RoPE
Se presenta un método para reutilizar la caché KV en modelos de lenguaje de video mediante M-RoPE para mejorar la eficiencia de las ediciones de texto. Este enfoque reduce los tokens de prellenado y la latencia de reconstrucción al reutilizar la caché de segmentos supervivientes. Los experimentos preliminares indican que el método produce resultados similares al recomputar completamente, mejorando la eficiencia computacional.
Transferencia subliminal de comportamientos inseguros en destilación de agentes de IA
Se presenta evidencia empírica de que los comportamientos inseguros de los agentes se transfieren subliminalmente durante la destilación de modelos de IA. Se demostró que los estudiantes heredan sesgos destructivos, como la preferencia por acciones inseguras en sistemas de archivos, incluso cuando se filtran palabras clave explícitas. Se concluye que la saneamiento de datos explícito es insuficiente, y se requieren nuevas estrategias para mitigar la transferencia de sesgos de comportamiento en sistemas agenticos.
ReST-RL: Fortaleciendo el Razonamiento de LLM mediante Entrenamiento Auto-Guiado Unificado y Búsqueda Guiada por Valor
Se presenta ReST-RL, un marco unificado de entrenamiento de política-valor para mejorar la capacidad de razonamiento de los Modelos de Lenguaje Grande (LLM). El método combina la optimización de política y la búsqueda guiada por valor para refinar la precisión del razonamiento. El framework fue validado en varios benchmarks de codificación y mostró un rendimiento superior a otras metodologías de entrenamiento de refuerzo.
Evaluación global de la IA para la predicción de rendimiento de cultivos a través de paradigmas de modelado
Se realiza un benchmarking global de cinco paradigmas de modelado para la predicción del rendimiento de cultivos, evaluando su rendimiento en datos de 63 países y cultivos. Los modelos basados en datos y los modelos fundacionales tabulares mostraron el mejor rendimiento predictivo general. Se concluye que el progreso futuro depende de mejorar la caracterización de los factores ambientales y de gestión que causan la variabilidad interanual del rendimiento.
Um umbral de teoría de compromiso de plan determina cuándo los agentes de IA deben reparar, replanificar o abandonar
Este artículo aborda una teoría de umbral para la toma de decisiones de agentes de IA cuando sus planes se rompen durante la ejecución. Propone que la política óptima depende de la profundidad del daño, sugiriendo reparar daños superficiales, replanificar después de daños profundos y abandonar el objetivo si el costo de replanificación es demasiado alto. El estudio analiza cómo las fricciones de revisión afectan el compromiso del plan y determina cuándo es óptimo mantener un plan anterior frente a uno nuevo.
Microfitting: Aprendizaje continuo mediante entrenamiento en el momento de la prueba
Se presenta el método microfitting para el aprendizaje continuo de modelos de lenguaje, abordando el problema del olvido catastrófico mediante el aislamiento de parámetros. Este método entrena adaptadores pequeños para cada documento, permitiendo la especialización en nuevos datos sin perder el conocimiento previo. Se demuestra una mejora del 38.2% en la precisión en el entorno EDO.
Resúmenes CPDAG externalizados mejoran la deducción causal de LLM
Se propone un método de dos turnos llamado Structured Thinking para que los modelos de lenguaje (LLMs) resuman el DAG condicional parcial (CPDAG) y luego verifiquen la afirmación contra dicho resumen. Este método mejoró la puntuación F1 del modelo Qwen3.5-27B de 77.5 a 86.5 al comparar con un método basado en instrucciones explícitas del algoritmo PC.
Emparejamiento Residual-Tail-Informed Flow Matching para la detección de anomalías en series temporales
Se presenta el método Residual-Tail-Informed Flow Matching (RT-FM) para la detección de anomalías en series temporales. Este marco no supervisado utiliza un autoencoder variacional temporal para estimar la cola latente residual y ajustar los pesos del modelo de emparejamiento de flujo. Los experimentos demuestran que RT-FM mejora la cobertura de normales raras y mantiene una buena discriminación de anomalías, reduciendo falsas alarmas.
Modelos de lenguaje de código abierto adaptados al idioma Wolof
Se presenta un estudio sobre modelos de lenguaje de código abierto adaptados al idioma Wolof, hablado por 23 millones de personas principalmente en Senegal. El trabajo aborda las limitaciones de los modelos de código abierto y los costos de los modelos de API para implementaciones locales. Se demuestran buenos resultados en la comprensión y generación del Wolof, con modelos de 8B y 14B siendo competitivos con sistemas comerciales grandes.
La práctica de reporte importa: El impacto de la elección de referencia en la evaluación de informes de radiografía de tórax
El estudio cuantifica cómo las variaciones en las prácticas de reporte de radiología afectan la evaluación de modelos de generación de informes basados en IA. Se demuestra que la elección de referencias de reporte puede alterar los rankings de los modelos generados por máquina. Los autores proponen una taxonomía y un método para ajustar los informes de referencia manteniendo la interpretación clínica.
Modelado Causal Espacio-Temporal Basado en Grafos para Predicción de Check-in de Puntos de Interés con Inicio Frío
Se presenta CausalPOI, un marco de aprendizaje basado en grafos espacio-temporales para predecir el patrón de check-in de Puntos de Interés con inicio frío. Este modelo aborda las limitaciones de los métodos existentes al modelar la evolución temporal y las interacciones funcionales entre P.O.I. cercanos. Los experimentos demuestran que CausalPOI supera a los métodos actuales en la predicción y estimación de efectos causales.
GameReplica: Un punto de referencia para la replicación visual de juegos de caja negra por agentes de visión-lenguaje
Se presenta GameReplica, un punto de referencia para la replicación de juegos de caja negra mediante agentes de visión-lenguaje. El estudio evalúa la capacidad de estos agentes para reproducir sistemas sin especificaciones explícitas. Los experimentos indican que la replicación de caja negra sigue siendo un desafío, siendo la fidelidad visual más fácil de lograr que la recuperación de mecánicas.
Agentes Multi-modales Autónomos para la Observabilidad ITOps
Se presenta ITOps Observability Studio, un sistema multi-agente multi-modal diseñado para orquestar flujos de trabajo de observabilidad mediante agentes de IA colaborativos. Este sistema integra datos de diversas herramientas y sistemas, soporta traducción de lenguaje natural a GraphQL y gestiona el ciclo de vida de datos de trazas. La evaluación reveló defectos en la integración de componentes, los cuales fueron reportados junto con sus soluciones.
RoboACE: Coevolución Adversarial para la Automejora del Robot
Se presenta RoboACE, un marco que evoluciona conjuntamente el currículo y los mecanismos de ejecución alrededor de modelos fundacionales fijos para mejorar la automejora de agentes robóticos. Este sistema utiliza evidencia de capacidad acumulada para proponer desafíos y revisiones para expandir las capacidades de ejecución. Los resultados muestran que el despliegue congelado supera a los sistemas evaluados en varios paneles de prueba.