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.

Periodista: Adrián Villellas

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.

Periodista: Firma no identificada

Personas mencionadas

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

TraceViT: Supervisión de Trazado Fundamentado para Razonamiento Visual Abstracto

Se presenta TraceViT, un razonador visual enlazado entrenado con cadenas de transformación semánticamente monótonas para mejorar el razonamiento visual abstracto. El modelo utiliza una referencia de tarea y un espacio de trabajo de objetos para fundamentar cada iteración de la transformación. TraceViT alcanzó un 67.8% de pass@2 en ARC-AGI-1 y 24.3% en ARC-AGI-2, demostrando la utilidad de la supervisión de trazado cuando se combina con fundamentación.

Periodista: Binnan Liu, Yechi Ma, Tian Xie, Wei Hua

Personas mencionadas

Modelo generativo localmente tokenizado con marca de tiempo robusta

Se presenta un modelo generativo con marcado de tiempo para series temporales multivariadas, abordando problemas de fiabilidad en la detección de marcas de agua bajo ataques de post-edición. Se propone L-VQVAE y LVQMark para estabilizar la detección y el comportamiento de falsos positivos. Los experimentos en finanzas, energía y neuroimagen confirman que el enfoque mantiene la calidad de la generación.

Periodista: Dongbin Kim, Geonwoo Shin, Yujin Choi, Soyeon Park, Jaewook Lee

Personas mencionadas

FINCOSMOS: Un paradigma de evaluación de mundo abierto para agentes en finanzas

Se presenta FINCOSMOS, un paradigma de evaluación de mundo abierto para agentes en tareas financieras. Este marco busca evaluar agentes que operan en la web, exigiendo que los agentes generen resultados verificables a partir de datos web y estrategias internas. El sistema incluye verificaciones rigurosas para asegurar la precisión de la estrategia y la coherencia de los datos obtenidos. Los resultados indican que agentes con memoria persistente pueden aprender todas las tareas requeridas.

Periodista: Yupeng Cao, Xueqing Peng, Lingfei Qian, Haohang Li, Yangyang Yu, Anke Xu, Wenbo Cao, Yan Wang, Yuechen Jiang, Yuyan Wang, Zhuohan Xie, Yankai Chen, Zehan Li, Jimin Huang, Xue Liu, Jian-Yun Nie, Sophia Ananiadou

La localización no implica direccionabilidad: Un estudio mecanicista de errores de signo en matemáticas de LLM

Un estudio analiza los errores de signo en las matemáticas de varios pasos de modelos de lenguaje grandes (LLM). Se demuestra que la localización del signo incorrecto en la red no garantiza su direccionabilidad, ya que diferentes modelos pueden compartir la misma ubicación de circuito pero tener diferentes niveles de invertibilidad.

Periodista: Shradha Agarwal, Tariq J., Deepak Rajbhar

Personas mencionadas

¿Quién debería saber qué? Diseño empírico de información para economías de LLM multiagente

Se investiga cómo las políticas de intercambio de información afectan el rendimiento de sistemas multiagente de LLM. Los resultados empíricos sugieren que la divulgación de información detallada puede mejorar o degradar la eficiencia dependiendo del modelo específico utilizado. Se concluye que la selección del modelo y el diseño de la información deben optimizarse conjuntamente debido a la variabilidad en las respuestas estratégicas de los LLM.

Periodista: Mete Erdogan, Mirac Suzgun, Aneesh Pappu, Guowei Xu, Batu El, Andrew A. Schoen, Furong Huang, John P. Dickerson, Mert Pilanci, James Zou

Personas mencionadas

Murmur: Inferencia ASR de contexto largo eficiente con fragmentación jerárquica

Se presenta Murmur, un sistema de inferencia para ASR de formato largo basado en fragmentación jerárquica, diseñado para mejorar la precisión y reducir la latencia. El sistema utiliza un modelo de contexto largo para decodificar fragmentos intermedios en paralelo y un ASR de ventana corta para acelerar la transcripción. Los resultados demuestran una reducción de la latencia de extremo a extremo de hasta 2.5 veces en comparación con la decodificación de una sola pasada.

Periodista: Wei-Tzu Lee, Keisuke Kamahori, Baris Kasikci

Personas mencionadas

Acelerando el Aprendizaje por Refuerzo Seguro con Paralelismo Masivo

Se investiga cómo escalar el aprendizaje por refuerzo seguro (safe RL) a regímenes de entrenamiento paralelizado masivo, lo que genera una discrepancia con los procesos de decisión de Markov (CMDPs). Se propone un método que aborda esta discrepancia mediante el análisis de reinicios escalonados de entornos y un estimador de costo agregado de fase. Los experimentos demuestran que el método logra un rendimiento similar a implementaciones no paralelizadas, reduciendo significativamente el tiempo de entrenamiento.

Periodista: Joonyoung Lim, Younghwan Yoo

Personas mencionadas

DynSHAP: Hacia un análisis de supervivencia dinámica explicable

Se presenta DynSHAP, un marco SHAP diseñado para el análisis de supervivencia dinámica (DSA), abordando la limitación de caja negra de los modelos de aprendizaje profundo. El método extiende los estimadores SHAP para tratar pares tiempo-característica como jugadores en el juego de Shapley. Temporal DynSHAP aprende dependencias lineales temporales y utiliza muestreo condicional para proporcionar explicaciones precisas sobre las características dependientes del tiempo.

Periodista: Nastasya Anokhina

Personas mencionadas

AnchorRep: Defendiendo LLMs contra la transferencia adversarial entre modelos

Se presenta AnchorRep, una técnica que utiliza un adaptador LoRA para defender modelos de lenguaje grandes (LLMs) contra la transferencia de ataques adversarios entre modelos arquitectónicamente diferentes. Los resultados demuestran que esta técnica reduce la tasa de éxito de estos ataques a un 1.1% o menos en múltiples modelos, abordando una vulnerabilidad compartida en la geometría de representación interna. Se sugiere que la robustez entre modelos se puede lograr moldeando la geometría de representación sin necesidad de entrenamiento específico para el ataque.

Periodista: Gal Wertheizer, Rom Himelstein, Tomer Peretz, Avi Mendelson

Personas mencionadas

WeLM-Image: Un modelo unificado de generación de imágenes hacia la inteligencia visual

Se presenta WeLM-Image, un modelo de base de imagen unificado que integra comprensión multimodal para generación de texto a imagen y edición guiada. El modelo está diseñado para un despliegue eficiente en una sola GPU y utiliza una arquitectura Mixture-of-Transformers con módulos Mixture-of-Experts para optimizar la capacidad. El modelo logró el primer lugar en varias evaluaciones de modelos de código abierto en benchmarks como PRISM-Bench.

Periodista: Canmiao Fu, Chen Li, Guohui Zhang, Hao Lu, Hongyang Wei, Huadong Wu, Huaisong Zhang, Hubery Yin, Liyuan Cui, Qixin Yan, Tong Shao, Xiaoqiang Zhou, Xinhang Leng, Ying Zhang, Zhenhai Liu, Zhipeng Huang

LatentGym: Un campo de prueba para el aprendizaje experiencial entre tareas con estructura latente controlable

Se presenta LatentGym, un conjunto controlable diseñado para el aprendizaje experiencial entre tareas en sistemas agentes. Este sistema permite inferir la estructura oculta compartida entre tareas relacionadas para mejorar las decisiones futuras. Los resultados demuestran cómo el diseño de la retroalimentación inter-tarea afecta la dinámica de entrenamiento y la generalización de los agentes de LLM.

Periodista: Daksh Mittal, Tommaso Castellani, Thomson Yen, Naimeng Ye, Minghui Chen, Tiffany Cai, William Zeng, Emmanouil Koukoumidis, Fangyu Wu, Hongseok Namkoong

Personas mencionadas

Colapso de alineación bajo la cuantización de la caché KV: Diagnóstico y mitigación

Se investiga cómo la cuantización de la caché clave-valor (KV) en modelos de lenguaje grande (LLM) afecta la alineación de seguridad. Se encontró que la cuantización de bajo bit puede destruir la alineación de seguridad, y se propone un diagnóstico llamado PCR para clasificar modos de fallo. El protocolo propuesto recupera hasta el 97% de la alineación perdida con mínima latencia y sobrecarga de memoria.

Periodista: Bruce Changlong Xu, Adarsh Kumarappan, Mu Zhou

Personas mencionadas

Comparación de rúbricas y evaluación de preferencias para la valoración de calidad

Se presenta JudgmentBench, un conjunto de datos de referencia de tareas legales reales, incluyendo puntuaciones basadas en rúbricas y juicios de preferencia por pares. La investigación compara el rendimiento de estas metodologías, encontrando que los juicios comparativos superan significativamente a las rúbricas en la recuperación del orden de calidad. El estudio valida estos patrones tanto para anotadores humanos como para evaluadores automáticos de LLM.

Periodista: Russell Yang, Ruishi Chen, Pierce Kelaita, Riya Ranjan, Sibo Ma, Charles Dickens, Matthew Guillod, Megan Ma, Julian Nyarko

Personas mencionadas

Verificación de DNNs de Pareto: Rápido para la mayoría de las consultas

Se presenta PAVE, un método para verificar la robustez de redes neuronales profundas (DNNs) mediante la adición de salidas tempranas (EEs). Este enfoque resuelve aproximadamente el 80% de las consultas de robustez en una fracción del tiempo de verificación tradicional. Se demuestran optimizaciones que reducen el tiempo de verificación hasta 10 veces, permitiendo la verificación de redes complejas como ResNet-18 en CIFAR-100.

Periodista: Yizhak Y. Elboher, Avraham Raviv, Amihay Elboher, Zhouxing Shi, Hillel Kugler, Guy Katz

Personas mencionadas

Hacia la interpretación de cualquier dirección residual restante mediante la escalada de inversión de activación

Se presenta el desarrollo de Modelos Metamodeles de Ejemplo Máximamente Activadores (MAEMs) para interpretar direcciones en el flujo residual de modelos de lenguaje. Estos modelos mapean direcciones residuales a ejemplos de texto que las activan fuertemente, buscando maximizar la similitud del coseno. Los resultados empíricos demuestran que los MAEMs son superiores a otros métodos en la inversión de activaciones y la identificación de conceptos subyacentes.

Periodista: Juan J Vazquez

Personas mencionadas

SMART: Rastros de Razonamiento Multiagente Basados en Estado Estatal para la Resolución de Problemas Orientada a la Verificación

Se presenta el marco multiagente SMART para obtener conocimiento de entidades en un contexto de problema, capturando su estado implícito. Este sistema utiliza LLMs y una estrategia de prompt estructurada para curar premisas de conocimiento diversas y relevantes. El uso de estas premisas verificadas mejora el rendimiento de validación en afirmaciones científicas complejas hasta un 20%.

Periodista: Sai Vallurupalli, Francis Ferraro

Personas mencionadas

PickMoment: Video de una sola imagen a continuo tiempo mediante aprendizaje de desenfoque y desenfoque a video

Se presenta PickMoment, una reformulación de tiempo continuo que aprende el desenfoque de media de intervalo sobre subintervalos de exposición con un modelo determinista. Este modelo unifica el desenfoque de una sola imagen, la generación de desenfoque a video y la recuperación de pick-a-moment en una sola red. El método alcanza un rendimiento de vanguardia en tareas de desenfoque y generación de video.

Periodista: Junseong Shin, Hyeonsu Jo, Daehyun Kim, Tae Hyun Kim

Personas mencionadas

ActQuant: Cuantización con guía de acción de sub-4-bit para modelos Vision-Language-Action

Se presenta ActQuant, un marco de cuantización PTQ guiado por acción para modelos Vision-Language-Action, diseñado para reducir el cómputo y el tamaño del modelo. Este método logra cuantización a 3 bits por peso o menos, manteniendo altos porcentajes de precisión en benchmarks como OpenVLA-OFT. Además, se incluye una tubería de conversión para el despliegue eficiente en tiempo real en hardware.

Periodista: Arash Akbari, Arman Akbari, Masih Eskandar, Qitao Tan, Yixiao Chen, Jingwu Luo, Bertha Pangaribuan, Liyun Zhang, Jennifer Dy, Geng Yuan, Xue Lin, Gaowen Liu, Stratis Ioannidis, Yanzhi Wang

La fiebre del oro en IA4Math, II: ¿Cuáles son las firmas de pruebas asistidas por IA?

Un estudio analiza el uso de inteligencia artificial en matemáticas para detectar la participación de la IA en pruebas matemáticas. Se construyeron cohortes de artículos para medir diferentes niveles de implicación de IA y se desarrolló el marco ProofTrace para extraer características de organización matemática. Los hallazgos indican un gradiente cualitativo de la implicación de IA y firmas recurrentes en pruebas generadas por IA.

Periodista: Yuanchuan Guo, Jiashun Jin, Zheng Tracy Ke, Bingcheng Sui

Personas mencionadas

Enrutamiento con valor conjunto para sistemas de agentes de modelo de lenguaje: un benchmark WildChat y evaluación consciente del costo

Se presenta un benchmark de 3,000 prompts WildChat para evaluar sistemas de agentes de modelo de lenguaje que deben mapear solicitudes en lenguaje natural a agentes especializados. El estudio compara diferentes métodos de codificación y enrutamiento, incluyendo clasificadores y GPT-4o, midiendo la calidad del conjunto, latencia y utilidad de costo. Se demuestra que la supervisión específica del catálogo y las capas de decisión conscientes del costo son importantes para el despacho multiagente.

Periodista: Ananto Nayan Bala, Faisal Muhammad Shah

Personas mencionadas

El Modelo Interpretable Estándar: Diseño de métodos de aprendizaje automático interpretables a partir de simetrías elementales

Se presenta el Modelo Interpretable Estándar (SIM), una teoría que permite el diseño deductivo de métodos de aprendizaje automático interpretables desde primeros principios. El estudio demuestra que la expresividad completa y las simetrías de interpretabilidad pueden coexistir en el mismo modelo, resolviendo el compromiso entre precisión e interpretabilidad en modelos de lenguaje. El modelo también ofrece vías para mejorar la interpretabilidad de modelos preentrenados existentes y unifica la disciplina de la interpretabilidad.

Periodista: Pietro Barbiero, Giovanni De Felice, Mateo Espinosa Zarlenga, Francesco Giannini, Filippo Bonchi, Mateja Jamnik, Giuseppe Marra, Ruggero Noris

Personas mencionadas

Modelo generativo de integridad contextual: Información apropiada versus inapropiada

Se presenta un modelo generativo de integridad contextual para estudiar el intercambio de información en conversaciones simuladas entre modelos de lenguaje grandes. El estudio examina cómo la decisión de compartir o negar información varía según la situación, la lógica del poseedor y el modelo de lenguaje utilizado. El modelo ayuda a comprender cómo se desarrollan la divulgación y el rechazo de información a través de la interacción conversacional.

Periodista: Omer Ebead, Claude Formanek, Joel Z. Leibo

Personas mencionadas

Creación de tu propia pila de trabajo: Despliegue de IA y herramientas autoalojadas en una startup tecnológica

Se reporta la experiencia de despliegue de una pila híbrida de IA en una empresa de software, buscando reducir los costos de uso de IA comercial. Se utilizó un enfoque mixto donde los modelos locales manejan tareas de menor complejidad, complementando a los agentes comerciales para tareas complejas. Se estima que esta estrategia podría reducir el costo o el uso de IA comercial en un 27% al 36%.

Periodista: Saad Ahmed Bazaz, Talha Amjad, Abdurrehman Subhani, Sohaib Ahmed Bazaz, Abdullah Aamir

Personas mencionadas

¿Los vectores de razonamiento lingüístico mejoran la capacidad de razonamiento multimodal?

Se propone el método LIFT para transferir la capacidad de razonamiento del LLM base a los VLMs sin reentrenar la arquitectura base. Los resultados demuestran que los vectores de razonamiento derivados del LLM superan a los derivados del VLM, confirmando la efectividad del LLM base para recuperar la capacidad de razonamiento. LIFT logra una recuperación parcial del razonamiento mediante intervenciones ligeras del lado del lenguaje.

Periodista: Ziyi Wang, Li Li, Aolin Zhou, Yankun Shen, Chonghan Liu, Shuxia Lin, Xu Yang

Personas mencionadas

Instanciando el Plano del Conocimiento

Se propone el "Plano del Conocimiento", una capa de agentes inteligentes para gestionar Internet colaborativamente a través de límites administrativos. Se argumenta que los modelos de lenguaje grandes agenticos podrían desbloquear este potencial, aunque esto requiere resolver nuevos problemas de investigación en entornos descentralizados y multiagente.

Periodista: Francisco Pereira, Justine Sherry, Pratiksha Thaker

Personas mencionadas

Enseñar la forma en que piensa: Guía la ingeniería de datos post-entrenamiento de LLM con Autoencoders Esparso

Se propone SAERL para la ingeniería de datos de LLM mediante Autoencoders Esparso (SAE) para guiar el aprendizaje por refuerzo. Esta técnica utiliza los internos del modelo para organizar los datos de entrenamiento, entrenando regiones funcionales de fácil a difícil. Los experimentos demuestran mejoras en la precisión de modelos de razonamiento matemático.

Periodista: Yi Jing, Zao Dai, Jinwu Hu, Zijun Yao, Lei Hou, Juanzi Li, Xiaozhi Wang

Personas mencionadas

LAPLEX: La transformada rápida de álgebra lineal en kernels laplacianos aprendibles

Se presenta LAPLEX, una clase de operadores de kernel laplaciano exactos y entrenables, diseñada para superar el compromiso entre geometría fija y cómputo exacto. Esta técnica permite realizar operaciones de matriz-vector entrenables en dimensiones muy grandes y facilita modelos de covarianza de alta dimensión sin requerir el almacenamiento de matrices densas. LAPLEX separa la expresividad del costo de almacenamiento, permitiendo interacciones globales adaptativas a los datos.

Periodista: Piotr Kubaty

Personas mencionadas

Descubrimiento de invariantes para sistemas en red

Se presenta Autogram, un sistema que utiliza un LLM para inspeccionar metadatos de variables y predecir relaciones sintácticas que forman una gramática para descubrir invariantes en sistemas de red. El sistema permite refinar la gramática iterativamente hasta que se recuperan invariantes conocidos con garantías formales. Se evaluó el sistema en telemetría WAN pública y de producción, logrando recuperar invariantes derivados por expertos con baja tasa de falsos positivos.

Periodista: Hongyu Hè

Personas mencionadas

No se identificaron personas.

GigaBrain-WBC-0.5: Un Modelo de Mundo de Comportamiento para el Seguimiento Robusto del Cuerpo Completo Humanoide con Interacción Ambiental

Se presenta InterTrack, un modelo de mundo de comportamiento (BWM) diseñado para el seguimiento robusto del cuerpo completo en robots humanoides con interacción ambiental. Este modelo utiliza un Transformer para predecir la acción, el estado y la distribución de comportamiento, aprendiendo dinámicas condicionadas por el entorno. El sistema demuestra un 81.3% de éxito en la interacción del terreno y una alta tasa de recuperación de caídas, superando a las líneas base existentes en varios escenarios.

Periodista: Ziyang Cheng, Tianshu Tang, Jinxin Lan, Xinze Chen, Yuhan Gong, Zhichao Liu, Changzhong Wu, Yahao Mao, Zongyan Deng, Mingxuan Ma, Huasen Xi, Yilong Liu, Yutong Wu, Xiaofeng Wang, Borui Zhang, Bingyao Yu, Yang Wang, Yun Ye, Guan Huang, Xiaojie Jin, Zheng Zhu, Jiwen Lu

Optimización de Política Vectorial: El entrenamiento para la diversidad mejora la búsqueda en tiempo de prueba

Se presenta la Optimización de Política Vectorial (VPO), un algoritmo de RL que entrena modelos de lenguaje para generar soluciones diversas al anticipar funciones de recompensa vectoriales. VPO supera a las líneas de base escalares en tareas de búsqueda en tiempo de prueba y desbloquea problemas insolubles para otros modelos. El objetivo es hacer que la diversidad sea el objetivo por defecto en la búsqueda de inferencia.

Periodista: Ryan Bahlous-Boldi, Isha Puri, Idan Shenfeld, Akarsh Kumar, Mehul Damani, Sebastian Risi, Omar Khattab, Zhang-Wei Hong, Pulkit Agrawal

Personas mencionadas