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
EHR-RAGp: Recuperación guiada por prototipo de registros médicos electrónicos longitudinales para modelos de predicción clínica
Se presenta EHR-RAGp, un marco basado en recuperación diseñado para integrar dinámicamente el historial de pacientes más relevante de los Registros de Salud Electrónicos (EHR) para modelos predictivos. Este enfoque utiliza un módulo guiado por prototipo para evaluar la relevancia del contexto histórico, logrando un rendimiento superior a las soluciones existentes. El método demuestra ser agnóstico al modelo y mejora el rendimiento al modelar el contexto clínico de largo alcance.
Distilación de Programas: Transferencia de Capacidad de LLM de Sistema 2 a Sistema 0
Se propone el marco de Distilación de Programas (PD) para transferir habilidades de los Modelos de Lenguaje Grandes (LLM) del Sistema 2 al Sistema 0. Este enfoque busca mejorar el rendimiento y reducir el tiempo de inferencia al permitir que un programa estudiante ejecute la política generada por el LLM. Se presenta un *benchmark* llamado PDBench que demuestra la superioridad del modelo propuesto sobre otros métodos.
Investigación empírica de la robustez de los Modelos de Lenguaje Grandes ante distorsiones tabulares
Se investiga la robustez de los Modelos de Lenguaje Grandes (LLM) ante distorsiones en tablas extraídas de fuentes reales. Los resultados indican debilidades en los paradigmas de preentrenamiento actuales, ya que los modelos tienden a asumir que las tablas son correctas. Aunque el *prompting* específico puede mitigar algunos fallos, los errores persisten incluso en modelos avanzados. Se demuestra que el ajuste fino puede enseñar a los modelos a detectar y corregir tablas distorsionadas.
El primer token conoce: Confianza de decodificación única para la detección de alucinaciones
Se investiga la confianza en el primer token de una decodificación greedy para detectar alucinaciones en modelos de lenguaje. Se define la confianza del primer token (phi_first) y se compara con métodos más complejos, encontrando que es una línea base útil para la estimación de incertidumbre en QA fáctica. El estudio sugiere que esta métrica es correlacionada con el acuerdo semántico, aunque tiene limitaciones en casos de falsedades de alta confianza.
Proxy OPD: Distilación On-Policy con Proxy Relativo Transferible para Modelos de Lenguaje Grandes
Se propone el Proxy OPD (P-OPD), un método post-entrenamiento que transfiere actualizaciones de política inducidas por la recompensa utilizando la política base congelada del objetivo como referencia. Este método busca reutilizar mejoras inducidas por la recompensa entre diferentes modelos mediante la transferencia de actualizaciones de política relativas. Los experimentos demuestran que P-OPD supera a la destilación on-policy (OPD) convencional en tareas como razonamiento matemático y generación de código.
DeCO: Composición de Evidencia Discriminatoria para Destilación de Conjuntos de Datos de Granularidad Fina
Se propone el método Discriminative Evidence Composition (DeCO) para la destilación de conjuntos de datos de granularidad fina, buscando preservar la evidencia localizada en lugar de solo estadísticas globales. DeCO utiliza atención para identificar parches informativos y organiza regiones por clase para crear imágenes compactas. Los experimentos demuestran que DeCO supera a los métodos existentes en diversas tareas de clasificación visual.
Simulación de Conjuntos de Datos Federados: Induciendo Heterogeneidad sin Etiqueta en Tareas
Se presenta la Simulación de Conjuntos de Datos Federados (FDS) para evaluar el Aprendizaje Federado, abordando la escasez de datos reales y la limitación de los métodos basados en etiquetas. Se proponen dos métodos sin etiqueta, geométrico y semántico, aplicables a tareas de clasificación y predicción densa. Los resultados muestran que estos métodos inducen una heterogeneidad comparable o superior a la del particionamiento por sesgo de etiqueta, afectando el rendimiento del FL.
WAXAL: Un corpus de habla multilingüe africana a gran escala
Se presenta WAXAL, un conjunto de datos de voz abierto y grande que cubre 27 idiomas africanos con más de 100 millones de hablantes. Este corpus incluye datos de ASR y TTS, y se realizaron pruebas comparativas de tres modelos de ASR, mostrando mejoras significativas en la precisión al ajustar con WAXAL.
- Abdoulaye Diack
- Perry Nelson
- MohamedElfatih MohamedKhair
- Emmanuel Asiedu Brempong
- Subhashini Venugopalan
- Tavonga Siyavora
- Vusumuzi Dube
- Kwaku Agbesi
- Angela Nakalembe
- Jason Hickey
- Uche Okonkwo
- Abhishek Bapna
- Isaac Wiafe
- Raynard Dodzi Helegah
- Elikem Doe Atsakpo
- Charles Nutrokpor
- Fiifi Baffoe Payin Winful
- Kafui Kwashie Solaga
- Jamal-Deen Abdulai
- Akon Obu Ekpezu
- Audace Niyonkuru
- Samuel Rutunda
- Boris Ishimwe
- Michael Melese
- Engineer Bainomugisha
- Joyce Nakatumba-Nabende
- Andrew Katumba
- Claire Babirye
- Jonathan Mukiibi
- Vincent Kimani
- Samuel Kibacia
- James Maina
- Fridah Emmah
- Ahmed Ibrahim Shekarau
- Ibrahim Shehu Adamu
- Yusuf Abdullahi
- Howard Lakougna
- Kode Niane
- Bob MacDonald
- Pooja Rao
- Hadar Shemtov
- Prince Mireku
- Aisha Walcott-Bryant
- Moustapha Cisse
- Avinatan Hassidim
- Jeff Dean
- Yossi Matias
Modelo teórico asistido por LLM para dispersión de ruido de instalación de motores aeroacústicos
Se desarrolló un modelo teórico para el ruido del ventilador de un motor aeroacústico que incide y se dispersa en una placa rígida. El modelo utiliza problemas de Wiener-Hopf y transformaciones espectrales para resolver la dispersión del ruido. Se utilizó un modelo de lenguaje grande (LLM) para asistir en la manipulación algebraica, demostrando que la IA puede acelerar el álgebra en mecánica de fluidos teórica.
Red de antena fluida de baja altitud con aprendizaje por refuerzo multiagente
Se presenta un marco de aprendizaje por refuerzo multiagente (MARL) para la reconfiguración rápida y de alto rendimiento de redes de antena fluida (FA) de baja altitud. El estudio demuestra que la optimización conjunta de posiciones y formación de haces puede incrementar la tasa de suma del sistema en un 118.5% comparado con una configuración fija. Esto se logra mediante la reconfiguración dinámica de los arreglos de antenas y la dirección adaptativa de haces hacia usuarios aéreos móviles.
PEIRA: Aprendizaje de codificadores predictivos a través de alineación de regresor inter-vista
Se presenta PEIRA, un método de aprendizaje auto-supervisado no contrastivo con un objetivo explícito basado en la traza del regresor lineal óptimo. El estudio demuestra que PEIRA es competitivo con métodos como VICReg y LeJEPA en benchmarks como ImageNet-1K y CIFAR-10. Los resultados empíricos confirman la teoría al recuperar subespacios de correlación canónica.
Fusión latente: Apilamiento de canales para edición de imagen que preserva la estructura
Se explora la concatenación por canal como una opción de menor costo para ediciones que preservan la estructura, modificando la apariencia sin alterar el diseño. Se compara con la concatenación de secuencia, que duplica la longitud de la secuencia y el costo de atención. Los experimentos indican que la concatenación por canal mantiene la alineación de píxeles con la fuente.
Más allá del monolito de parámetros: Memorias reconstructivas, habilidades ejecutables y ensamblaje residual para modelos de lenguaje
Se presenta la arquitectura FEM-ASM, diseñada para permitir que un sistema de modelo de lenguaje crezca su estado externo y utilice procedimientos ejecutables sin que todos los componentes compartan un proceso de optimización. Esta arquitectura separa la coordinación neuronal, la construcción de estado de documento y la ejecución determinista. Los experimentos demuestran que el almacenamiento recuperable y la recuperación exitosa son propiedades distintas, mejorando las interfaces de memoria y ejecución.
Contratos de asuncion/garantía para el aprendizaje por refuerzo multiagente composicional de equipos heterogéneos
Se introduce el aprendizaje por refuerzo multiagente (MARL) para equipos heterogéneos mediante contratos de asuncion/garantía (AGC-MAS) y un algoritmo iterativo (IHA-MARL). Este marco permite la colaboración de agentes heterogéneos mediante la definición de contratos que especifican requisitos y comportamientos. Los resultados experimentales demuestran la versatilidad de estos contratos para permitir la sustitución y reutilización de contratos en la asignación de tareas.
MoRAE: Latentes auto-supervisados amigables para el flujo para generación de texto a movimiento
Se presenta MoRAE, un enfoque para generar movimiento a partir de texto mediante latentes auto-supervisados. El método preentrena un codificador Motion-JEPA para predecir trayectorias ocultas y luego comprime sus características en un latente compacto. Esto resulta en una generación de movimiento más fiable y con mejor estructura de articulación cruzada, alcanzando resultados de vanguardia en benchmarks como HumanML3D y KIT-ML.
Hacia una VQA oftalmológica interpretable clínicamente mediante evidencia de lesiones espacialmente fundamentada
Se presenta FundusGround, un nuevo punto de referencia para VQA oftalmológica que incorpora evidencia de lesiones espacialmente fundamentada. El trabajo propone un *pipeline* de tres etapas para recolectar imágenes y lesiones anotadas, utilizando la rejilla ETDRS para mapear lesiones a regiones retinianas. Los experimentos demuestran que la inclusión de evidencia visual a nivel de lesión mejora el rendimiento y la transparencia de los modelos de visión-lenguaje para VQA oftalmológica.
Difusión informada por simulación para la planificación de movimiento descentralizada de múltiples robots
Se presenta el marco SID, un enfoque descentralizado para la planificación de movimiento de múltiples robots que utiliza modelos de difusión conscientes de restricciones (CADM). Este método simula las trayectorias futuras de los robots vecinos para guiar la planificación individual, permitiendo una coordinación mínima solo en escenarios congestionados. Los experimentos demuestran que SID supera a los métodos base en efectividad de planificación y satisfacción de restricciones.
Trabajo humano-IA a través de la lente de la calibración
Se estudia el trabajo en equipo entre humanos e inteligencia artificial utilizando la lente de la calibración estadística. El estudio analiza marcos que combinan o delegan la responsabilidad de la predicción entre el humano y el modelo de IA. Se demuestra que los métodos actuales de combinación no conservan la calibración del humano, y los métodos de delegación requieren que el modelo decisor sea muy preciso para determinar la superioridad de cada miembro.
La atribución de datos debe guiar el preentrenamiento
Se propone que la atribución de datos debe dirigir el preentrenamiento identificando propiedades de datos comprobables como criterios de curación reutilizables. Esto busca mejorar la calidad de los datos de entrenamiento al evaluar propiedades de los documentos en nuevos datos. Se especifica un bucle de retroalimentación para interpretar fuentes atribuidas y probar cambios en datos candidatos.
JaxMARL-BC: Aprendizaje por Refuerzo Multi-Agente para Modelado Macroeconómico, en Segundos
Se presenta JaxMARL-BC, un simulador acelerado por JAX diseñado para entrenar economías basadas en Aprendizaje por Refuerzo Multi-Agente (MARL) en segundos, superando las limitaciones de tiempo de entrenamiento de los modelos DSGE. El trabajo aborda la segunda limitación, demostrando la capacidad del simulador para escalar a 200,000 hogares de aprendizaje y verificando su precisión contra límites conocidos.
Modelos del mundo, árboles y modelos fundacionales para la previsión minorista: Evidencia de cuatro conjuntos de datos públicos
El estudio compara diversos modelos de pronóstico para la previsión minorista en diferentes niveles de granularidad (producto, tienda, tiempo). Se evalúan modelos como World Model, LightGBM y Temporal Fusion Transformer utilizando cuatro conjuntos de datos públicos. Los resultados indican que el modelo adecuado depende de la granularidad utilizada para la planificación.
Más allá de la llamada de herramientas torpe: Cómo la indicación y la detección marcan la diferencia
Se presenta ToolPulse, un middleware que facilita el uso autónomo de herramientas en agentes basados en LLM mediante indicación y detección. Esta herramienta rastrea el estado de ejecución y los patrones de interacción para ofrecer asistencia proactiva, como recordatorios o consejos contextuales. Los resultados demuestran que la asistencia en tiempo de ejecución es beneficiosa para mejorar la autonomía de los agentes en el uso de herramientas.
Estimación e predicción en contexto para ODEs paramétricas
Se investiga la estimación de parámetros y la predicción de trayectorias para ecuaciones diferenciales ordinarias (ODEs) paramétricas utilizando Transformers. Se propone un método de máxima verosimilitud de dos etapas para estimar parámetros a partir de observaciones ruidosas y una aproximación neuronal para la predicción. Se demuestra que un único Transformer puede realizar ambas tareas simultáneamente, ofreciendo garantías no asintóticas.
Recomendación legible y direccionable a través de intereses naturales del lenguaje
Se presenta CLEAR, un sistema de recomendación construido con una capa de interés de lenguaje natural editable, implementado en Meta. Este sistema hace que un subconjunto de intereses inferidos sea legible y utiliza eventos históricos del usuario para fundamentar las recomendaciones. Los componentes de CLEAR han operado en producción por más de un año en Instagram y Facebook.
- Qi Guo
- Reza Mirghaderi
- Iordanis Fostiropoulos
- David Fan
- Yuchen Liu
- Shiliang Tang
- Lukasz Korycki
- Golnaz Ghasemiesfeh
- Xinzhu Bei
- Sasha Vorontsov
- Hanchao Yu
- Brendan Quinlivan
- Khoi Pham
- Jigar Gada
- Hao Yu
- Felix Li
- Hang Gao
- Boyu Fang
- Yang Gao
- Yale Thomas
- Xiaomeng Jin
- Avishek Dutta
- Hong Hong
- Janet Xia
- Ethan Zhu
- Ellie Pan
- Xiang Shen
- Jawwad Zakaria
- Jinfeng Lin
- Jonathan Rush
- Ruixue Lian
- Noah Kennedy
- Brian Vanover
- Jas Pyneni
- Daniel Thiyagu
- Apoorv Saxena
- Sanyogeeta Lawande
- Huayu Ding
- Hima Cherukuru
- Yang Liu
- Chen Kovacs
- Qunshu Zhang
- Lizhu Zhang
- Benyu Zhang
- Kate Chen
- Ashish Singal
- Danny Kanoff
- Zhiyu Liu
- Jiayi Liu
- Jianyu Wang
- Fei Liu
- Xiangjun Fan
- Abhishek Kumar
- Hong Yan
Ultra-CAN: Receptor ciego ligero para telemetry basada en caos y localización local de semilla en el Internet de Drones
Se presenta Ultra-CAN, un receptor neuronal ciego que utiliza una forma de onda basada en caos para realizar telemetría y detección de proximidad en el Internet de Drones. El sistema logra decodificar transmisiones de pares y medir ecos propios sin transceptor de radar adicional. Las variantes demuestran un rendimiento superior en escenarios de enjambre aéreo, mejorando la identificación de obstáculos y la respuesta a la interferencia.
Cuando la intención de edición se divide: Un ataque de jailbreak cruzado de modalidad para modelos de edición de imágenes grandes
Se formaliza una vulnerabilidad de seguridad en modelos de edición de imágenes grandes donde la intención dañina se distribuye entre entradas textuales y visuales. Se propone el Ataque de Jailbreak de Intención Dividida (SIJA) para explotar esta falla, demostrando que la intención insegura puede ser recuperada a pesar de las salvaguardas existentes. Se sugiere una defensa mediante la reconstrucción de la intención de edición para evaluar el contexto multimodal completo.
SAFER: Navegando el dilema exploración-explotación en la planificación basada en modelos del mundo para la conducción autónoma
Se presenta SAFER, un marco que aprende de fallos de otros y aprende en línea de su propia conducción para la conducción autónoma. El sistema utiliza un modelo del mundo para prever consecuencias y un planificador basado en muestreo para evaluar maniobras. SAFER logró los mejores resultados en rutas de la plataforma CARLA y MetaDrive.
Mejorando la segmentación de instancias de equipaje en rayos X con refinamiento de máscaras basada en puntos compartidas
Un estudio investiga el refinamiento de máscaras basado en puntos compartido para mejorar la segmentación de instancias en imágenes de rayos X de equipaje, utilizando la arquitectura Cascade Mask R-CNN. El método combina una columna vertebral ResNet-101 con una pirámide de características basada en atención y utiliza módulos transformador y MLP para refinar las ubicaciones de las máscaras. Los resultados mostraron mejoras en la precisión media de máscara (AP) en comparación con el detector sin refinar.
¿Cuándo debe un humano tomar el control? Delegación óptima bajo riesgo de IA turbulento
El artículo explora cuándo un humano debe tomar el control de un agente de IA autónomo, evaluando la cantidad de verificación necesaria y cuándo debe reanudarse la autonomía. El estudio utiliza modelos para determinar la delegación óptima entre operación asistida por IA y operación autónoma, considerando costos y riesgos. Los experimentos sintéticos demuestran que el método propuesto supera a otros modelos al predecir mejor los incidentes.
Despliegue de un asistente de LLM de lógica de control en centrales eléctricas aisladas: Lecciones sobre autoridad de fuente y recuperación limitada
Se reportan lecciones aprendidas al implementar asistentes de LLM en entornos de tecnología operativa industrial, abordando restricciones como políticas de sitio y limitaciones de cómputo local. Se demuestran métodos para mitigar la incertidumbre generada por modelos generativos mediante la integración de software determinista para la recuperación de evidencia técnica. El diseño propuesto divide las tareas entre LLMs para interpretación de lenguaje natural y software determinista para la recuperación de evidencia fundamentada en fuentes autoritativas.