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
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.
ETAS: Un lenguaje tipado por efectos para sistemas agentes
Se presenta Etas, un lenguaje tipado por efectos diseñado para sistemas agentes, que eleva las especificaciones de comportamiento a construcciones verificadas por el compilador. El lenguaje separa los efectos persistentes de los efectos escapables para mejorar la seguridad y la previsibilidad de las operaciones. La implementación con Rust demuestra optimizaciones que reducen el tiempo de ejecución y mejoran la precisión de las tareas en los programas de agente.
¿Los agentes de codificación engañan? Detectar y prevenir el fraude mediante la evaluación con puntuación limitada con pruebas aleatorias
Se propone CapCode, un marco para crear conjuntos de datos de codificación con pruebas aleatorias cuyo mejor puntaje no fraudulento está limitado por debajo del 100%. Esto permite identificar el fraude en la evaluación de modelos de agentes de codificación. Además, se presenta CapReward para desalentar la optimización por encima de dicho límite, buscando modelos que sigan mejor la especificación de la tarea.
ContactGuard: Monitoreo de ejecución pre-contacto con modelos latentes condicionados a la acción
Se presenta ContactGuard, un monitor de ejecución pre-contacto diseñado para políticas visuomotoras fragmentadas. Este sistema predice la consecuencia a corto plazo en el espacio visual latente para abortar si se anticipa un fallo. El modelo latente se entrena con trayectorias no etiquetadas y ofrece una señal de aborto antes del contacto en entornos de manipulación robótica.
Aprendizaje autónomo del éxito y el fracaso: Aprendizaje supervisado condicionado por objetivos con retroalimentación negativa
Se propone GCSL con Retroalimentación Negativa (GCSL-NF) para mejorar el aprendizaje de sistemas autónomos, abordando las limitaciones de los métodos existentes al permitir que los agentes aprendan de sus errores. Este enfoque evalúa las trayectorias tanto positivamente como correctivamente, reduciendo la dependencia de funciones de recompensa preespecificadas. Los experimentos demuestran que GCSL-NF supera los sesgos iniciales y se beneficia de la retroalimentación negativa para lograr resultados comparables o superiores a otros métodos.
Modelos de lenguaje se unen a pruebas de vibración para satélites de constelación LEO con predicción de respuesta calibrada a partir de barridos de pocas muestras
Se propone un paradigma de validación determinista para el análisis de ingeniería impulsado por Modelos de Lenguaje Grandes (LLM) para asegurar la consistencia de los resultados. Esto incluye verificar la consistencia de unidades, citas y acuerdo entre modelos para mitigar alucinaciones. Se aplica este método a pruebas de aceptación de vibración para satélites LEO, logrando una coincidencia bit a bit en la mayoría de las configuraciones probadas.
Evidencia local se conserva en latentes visuales compactos en teledetección de ultra alta resolución
Se investiga si los latentes visuales compactos pueden retener evidencia local en escenas de teledetección de ultra alta resolución. Los estudios demuestran que la memoria compacta puede lograr una compresión significativa de los tokens de cultivos y mejorar la precisión predictiva en comparación con el uso de imágenes globales. Se concluye que la disponibilidad de evidencia regional es un factor clave que determina la contribución de estos latentes.
SIRI: Aprendizaje por Refuerzo Auto-Internalizante con Habilidades Intrínsecas para el Entrenamiento de Agentes LLM
Se presenta SIRI, un marco de tres fases para el Aprendizaje por Refuerzo Auto-Internalizante con Habilidades Intrínsecas, diseñado para que los agentes LLM descubran, validen e internalicen habilidades sin depender de generadores de habilidades externos. Este método busca reducir la complejidad de ingeniería y la latencia de despliegue al permitir que los agentes desarrollen habilidades internas. Los resultados demuestran mejoras significativas en el rendimiento de GiGPO en entornos específicos al comparar con métodos basados en prompts y memoria.
Comunicaciones semánticas elásticas habilitadas por razonamiento implícito para redes de agentes de IA
Se presenta un marco de comunicaciones semánticas elásticas (ESC) diseñado para redes de agentes de IA, abordando las limitaciones de los esquemas existentes. Este marco incluye elasticidad vertical para ajustar la intensidad de ejecución y elasticidad horizontal para reconfigurar el conjunto de capacidades. Se propone un mecanismo para la inferencia local y transferencia de estados para mejorar la eficiencia en la ejecución de tareas.
MemoryLane: Apoyando conversaciones de reminiscencia entre adultos mayores con demencia leve y cuidadores no profesionales usando un agente de IA simulado
Se presenta MemoryLane, una herramienta con IA diseñada para ayudar a cuidadores no profesionales a facilitar conversaciones de reminiscencia con pacientes con demencia leve. Esta herramienta permite una conversación triádica con un agente de IA simulado y ofrece una interfaz para controlar el comportamiento del agente y las imágenes generadas por IA. Un estudio preliminar validó el valor de este agente de IA como compañero y la posibilidad de que los cuidadores moderen los elementos visuales.
Auditoría guiada por interpretabilidad para modelos de lenguaje clínicos en la predicción de alta
Se propone AuditBERT-Discharge, un marco que utiliza la interpretabilidad para auditar modelos de PLN clínicos destinados a predecir altas hospitalarias. El método identifica y enmascara tokens léxicos que actúan como proxies para el alta, buscando reducir la dependencia de señales superficiales en los modelos. Los resultados preliminares indican que esta auditoría mejora la calibración de las predicciones, aunque la mejora en la discriminación no es uniforme.
Co-ideación Humano-IA en Configuraciones Sociotécnicas: Análisis Interaccional de Espacios de Trabajo Planos e Inmersivos
Se analiza cómo las plataformas colaborativas remotas integran IA generativa para la ideación grupal en configuraciones sociotécnicas. Se compara un lienzo plano con integración de texto frente a un espacio de realidad virtual inmersivo con salida de IA. Se encontró que la configuración inmersiva facilitó la exploración espacial, aunque introdujo una paradoja de participación, y que las ideas con apoyo de IA fueron valoradas positivamente por los participantes.
RSIMed: Escalando modelos de fundación médica más allá de datos clínicos limitados mediante autoevolución basada en recuperación
Se presenta RSIMed, un *pipeline* de auto-mejora recursiva para el diagnóstico médico, diseñado para superar la escasez de datos clínicos al permitir que el modelo escriba sus propias tareas de entrenamiento basadas en evidencia recuperada. Este sistema muestra una mejora lineal en la precisión diagnóstica con el cómputo de entrenamiento y supera a modelos existentes como GPT-5.6 en ciertas métricas.
La forma sobre el contenido en métodos de atribución de datos basados en gradientes
Se debate qué mide la similitud de gradiente en los métodos de atribución de datos para modelos de lenguaje grandes. Se encontró que la alineación del gradiente sigue el formato de respuesta, no necesariamente la semántica de la tarea. Esto sugiere que los métodos de atribución deben probarse en datos donde el formato de respuesta y la tarea varían independientemente para mayor fiabilidad.
Entrenamiento simulado por física para corregir errores de posicionamiento en radiografías panorámicas dentales
Un estudio investigó el uso de inteligencia artificial para corregir errores de posicionamiento en radiografías panorámicas dentales. Se compararon cinco enfoques de IA, incluyendo U-Net y modelos conscientes del error, para mejorar la similitud de la imagen y reducir errores geométricos. Los enfoques U-Net y los modelos conscientes del error demostraron ser superiores a otros métodos evaluados.
Representación antes del entrenamiento: Un punto de referencia práctico para la tokenización de modelos de eventos médicos generativos
Se evaluaron diversas técnicas de tokenización para modelos de eventos médicos generativos utilizando datos del MIMIC-IV. Los resultados indican que las tokenizaciones compactas y curadas por expertos pueden superar a las alternativas más granulares y continuas en términos de rendimiento. Se encontraron ganancias estadísticamente significativas en la correlación de Spearman y AUROC al utilizar tokens fusionados.
Modelado de estado latente restringido: Una perspectiva unificadora sobre el aprendizaje de representación bajo restricciones competitivas
Se propone el Modelado de Estado Latente Restringido (CLSM), un marco conceptual que caracteriza los estados latentes mediante seis propiedades complementarias. Este modelo busca separar las propiedades de los estados latentes de los objetivos sustitutos y diagnósticos para mejorar la interpretabilidad y la comparabilidad de los métodos de aprendizaje de representación. Los experimentos demuestran cómo los objetivos producen organizaciones latentes distintas y ponderaciones empíricas basadas en el objetivo de predicción.
Lógica Modal Diferenciable para Diagnóstico, Orquestación y Comunicación Multiagente
Se presenta una lógica modal diferenciable (DML) implementada mediante Redes Neuronales de Lógica Modal (MLNNs) para depurar fallos en sistemas de IA multiagente. El trabajo ofrece un marco neurosimbólico unificado que aborda modalidades epistémica, temporal, deontica y doxástica. Se destacan contribuciones como estructuras aprendidas interpretables y la inyección de conocimiento mediante axiomas diferenciables.
SynVA: Una caja de herramientas modular para la generación de vasos y la edición de aneurismas
Se presenta SynVA, una caja de herramientas modular para generar mallas vasculares y sintetizar aneurismas anatómicamente consistentes. La herramienta combina métodos basados en coincidencia de flujo y aprendizaje para generar geometrías realistas, incluyendo un conjunto de datos de 50,000 muestras etiquetadas. Se demuestra que SynVA produce geometrías vasculares plausibles y mejora la segmentación en datos reales.
Perspectiva local-mas sobre la inferencia bayesiana
El artículo investiga comportamientos de masa local en la inferencia bayesiana que no son capturados por objetivos globales como la divergencia KL. Se presentan dos herramientas matemáticas, el Índice de Masa y el KL extendido regularizado (RE-KL), para caracterizar cómo la actualización bayesiana afecta la masa local. Los resultados demuestran desigualdades para comparar masas pequeñas de bola local y muestran que la comparación direccional es visible en las posteriores variacionales de redes neuronales bayesianas.
Distilación de Conjuntos de Datos de Prueba Lineal Cerrada para Modelos de Visión Preentrenados
Se propone la Distilación de Conjuntos de Datos de Prueba Lineal Cerrada (CLP-DD), una formulación bilevel que utiliza un solucionador de *kernel ridge* de espacio muestral para calcular el *linear probe* inducido por un conjunto sintético. El método mejora el rendimiento sobre otros enfoques al lograr resultados comparables o superiores a métodos existentes en benchmarks como ImageNet-1K, reduciendo significativamente el costo computacional.
Optimización basada en Modelos de Lenguaje Grande para la Comunicación Inalámbrica
Se revisan técnicas de optimización basadas en Modelos de Lenguaje Grande (LLM) aplicadas a problemas de comunicación inalámbrica, como control de potencia y asignación de ancho de banda. El estudio introduce una taxonomía y un marco analítico para categorizar estrategias de gestión de recursos y analiza metodologías de ingeniería de prompts. Se presentan casos de estudio prácticos sobre la predicción de haces y la asignación adaptativa de recursos inalámbricos.
¿Qué tan diversas son las salvaguardas en capas? Estimaciones y mediciones para ensamblajes de defensas contra jailbreaks de LLM
El artículo analiza la protección de los modelos de lenguaje grandes (LLM) mediante la apilamiento de salvaguardas como filtros de probabilidad y clasificadores. Se definen tres estimaciones y controles para medir la diversidad y la efectividad de estos ensamblajes de defensas contra ataques de jailbreak. Se demuestra que la diversidad entre salvaguardas neuronales es medible, aunque la fuerza de un miembro depende de la tripleta (pila, adversario, objetivo).
Cómo la especificidad de la especificación influye en el fallo del código generado por LLM
Un experimento evaluó cómo la explicitud de las especificaciones afecta el código generado por LLMs. Se encontró que exigir obligaciones de comportamiento explícitas redujo significativamente los fallos, mejoró la calidad del código y redujo las regresiones, aunque las especificaciones explícitas también hicieron que los desarrolladores fueran más cautelosos al juzgar el código.
ResBench: Evaluación de diseños de FPGA generados por LLM con conciencia de recursos
Se presenta ResBench, un punto de referencia enfocado en recursos diseñado para diferenciar el código HDL generado por LLMs en términos de optimización de recursos. El benchmark evalúa la generación de código Verilog por LLMs, verificando la corrección y midiendo el uso de recursos, específicamente el uso de LUT. Esto permite identificar qué modelos generan diseños de FPGA más eficientes.
Actuación por intención, reacción por vista: Reflejos condicionados visuales para agentes VLM en tiempo real
Se propone ViCoR (Reflejo Condicionado Visual) para mejorar la interacción de los Modelos de Lenguaje-Visión (VLM) en entornos de tiempo real, combinando control deliberado con reflejos visuales rápidos. Este mecanismo reduce la latencia de decisión en 2.6x y disminuye el consumo de tokens, logrando un rendimiento de vanguardia en benchmarks de juegos 2D y 3D.
Clasificación de imágenes de textura usando fusión de características DWT AlexNet y redes neuronales profundas
Se propone un marco de fusión de características híbrido llamado DWT_AlexNet_DNN para la clasificación de imágenes de textura. Este método combina características de la Transformada Wavelet Discreta (DWT) con características profundas extraídas por AlexNet. El objetivo es mejorar la capacidad de clasificación de imágenes de textura en aplicaciones de visión por computadora.
ViSAR: Recuperación adaptativa-$k$ sin entrenamiento para preguntas y respuestas visuales de documentos
Se presenta ViSAR, un método de recuperación adaptativo-$k$ sin entrenamiento para la recuperación visual de documentos. Este método opera en el espacio de incrustación para determinar dinámicamente el número de páginas a recuperar, reduciendo la latencia de RAG hasta un 58.9% sin afectar la precisión. Se demuestra que la estructura de la matriz de similitud se correlaciona con la precisión de la respuesta.