Buscar noticias
Buscá por texto y descubrí noticias relacionadas con tu consulta.
Noticias relevantes
Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.
Substrate AI integrará todas sus actividades de IA en el grupo con una operación de 40,5 millones
Substrate AI y su matriz Subgen AI han acordado una reorganización estructural para concentrar todas sus actividades de inteligencia artificial bajo Substrate AI mediante una operación de 40,5 millones de euros. Esta medida busca mejorar la eficiencia operativa y simplificar la estructura societaria del grupo. La operación incluye la adquisición de participaciones de filiales de Subgen AI y la emisión de un bono convertible.
No se identificaron personas.
Substrate AI reunirá todas sus operaciones de IA dentro del grupo en una operación de 40,5 millones
Substrate AI y su matriz Subgen AI han acordado una reestructuración global para consolidar todas las operaciones de inteligencia artificial bajo la estructura de Substrate AI por 40,5 millones de euros. Este movimiento busca potenciar la eficiencia operativa y reforzar a Substrate AI como el vehículo central para el desarrollo y comercialización de soluciones de IA a nivel mundial. Se unifican las operaciones internacionales en Europa y Latinoamérica para responder al crecimiento del mercado de IA corporativa.
No se identificaron personas.
La compañía valenciana Substrate AI es admitida a cotización en el Cboe Europe
La compañía española de inteligencia artificial Substrate AI ha sido admitida a cotización en el Cboe Europa. La empresa tiene como objetivo superar los 100 millones de euros de facturación para 2030, enfocándose en el desarrollo de tecnología propia y la comercialización de tokens. La noticia también detalla la evolución reciente de su capitalización y resultados financieros.
La justicia condena a Substrate AI a pagar a Summon Press los 500.000 euros pendientes por la venta de su negocio digital
La Sección Civil del Tribunal de Instancia de Valencia condenó a Substrate AI a pagar 500.000 euros más intereses a Summon Press por un pago pendiente de una compraventa de negocio digital. La jueza desestimó la reclamación de Substrate, mientras que la demanda de Summon Press fue parcialmente estimada.
La valenciana Substrate AI compra un solar en Talavera de la Reina (Toledo) para un centro de datos
Substrate AI adquirió un solar en Talavera de la Reina, Toledo, por 1,61 millones de euros para desarrollar un centro de datos. Esta compra forma parte de la estrategia de la empresa para desplegar infraestructura tecnológica propia en España y potenciar la IA europea. La puesta en marcha del proyecto depende de obtener permisos y cumplir con hitos técnicos administrativos.
Substrate AI adquiere un solar en Talavera de la Reina por 1,61 millones para un futuro centro de datos
Substrate AI adquirió un solar en Talavera de la Reina por 1,61 millones de euros para desarrollar un futuro centro de datos como parte de su estrategia de infraestructura de IA en España. La compra, formalizada el 13 de noviembre, incluye varias parcelas y el proyecto depende de la obtención de licencias y autorizaciones pendientes. Este paso refuerza la estrategia de la compañía para desplegar infraestructura tecnológica propia y soberana en el país.
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.
DeepSeek presenta 'super agente' de IA en la carrera de codificación con OpenAI, Anthropic
DeepSeek ha presentado un 'super agente' de IA diseñado para manejar múltiples tareas con mínima intervención humana, buscando reducir la necesidad de coordinación y supervisión humana en flujos de trabajo complejos. Este desarrollo se posiciona como una respuesta a la creciente automatización de tareas por parte de los modelos de IA, buscando optimizar la gestión de flujos de trabajo mediante la autonomía de los agentes.
Avatares holográficos con IA en el subte porteño: qué son y para qué se utilizarán
La compañía Subterráneos de Buenos Aires (SBASE) lanzó una licitación para implementar avatares holográficos con inteligencia artificial conversacional en el subte porteño. El proyecto busca permitir a los usuarios interactuar con figuras virtuales para realizar consultas y obtener respuestas en tiempo real. Se planea instalar seis dispositivos interactivos en dos estaciones de la línea B.
No se identificaron personas.
Radiografía al ciberdelito: Una de cada cuatro brechas maliciosas utiliza inteligencia artificial en el ataque
El ciberdelito está utilizando la inteligencia artificial, como los deepfakes, para suplantar identidades de ejecutivos y abogados, logrando fraudes multimillonarios. Un informe de IBM indica que una de cada cuatro brechas maliciosas involucra IA, y el fraude por voz es el vector más costoso. Se advierte sobre el riesgo creciente de ataques a fin de año y la necesidad de implementar controles internos estrictos para mitigar riesgos.
Noticias encontradas
Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.
Resultados para «Substrate AI»
Más recientes primero · Hasta 30 noticias por página
Modelo de acción lenguaje visión recursivo
Se presenta RB-VLA, una arquitectura centrada en la creencia diseñada para mejorar los modelos de visión-lenguaje-acción en tareas de largo horizonte. Esta arquitectura utiliza un modelo de mundo auto-supervisado para mantener un estado latente que codifica la historia y las interacciones de objetos, logrando mejores tasas de éxito en tareas de manipulación complejas. El método reduce la latencia de inferencia y elimina el crecimiento de memoria temporal en comparación con modelos previos.
Annealing del modelo: Aprendizaje eficiente con datos mediante revisión y consolidación
Se presenta el método Annealing del modelo, que utiliza la revisión y consolidación para reaprender del conocimiento de la red. Este enfoque divide el entrenamiento en episodios con tasas de aprendizaje que se elevan y enfrían, utilizando una memoria de versiones pasadas para mejorar la robustez y la precisión. El método demuestra mejoras en la precisión top-1 en varias arquitecturas de modelos.
La importancia de la tipografía en el comportamiento de tecleo a partir de decodificación de señales EMG
Se presenta un decodificador de tecleo basado en sEMG que integra la información muscular con la comprensión lingüística mediante un modelo de espacio de estados. Este sistema busca decodificar texto en tiempo real, considerando errores tipográficos y estructura del lenguaje, logrando una tasa de error de carácter de vanguardia. El modelo logra una mejora relativa del 5.4% con menos parámetros que los sistemas previos.
Generación de lexicalizaciones conceptuales mediante proyección de sentido basada en diccionario
Se presenta un método para expandir recursos léxicos a nuevos idiomas mediante la generación de sentidos a través de proyección semántica. El método utiliza un alineador preentrenado y un diccionario bilingüe para mejorar la precisión de las proyecciones de sentido. Los resultados indican que la estrategia propuesta es más precisa, interpretable y eficiente en recursos.
Modelos fundacionales espacio-temporales eficientes en datos
Se propone T2ST, un marco de entrenamiento eficiente en datos para modelos fundacionales espacio-temporales (STFM). Este método combina observaciones espacio-temporales limitadas con series temporales auxiliares y transferencia de conocimiento de modelos de series temporales congelados. Los resultados demuestran que T2ST puede lograr un rendimiento de pronóstico competitivo o superior al de modelos con datos completos, utilizando solo el 10% de los datos espacio-temporales originales.
MineralExp: Evaluación de agentes LLM para el diseño experimental en exploración mineral real
Se presenta MineralExp, un benchmark diseñado para evaluar agentes de modelos de lenguaje grande (LLM) en el diseño automatizado de experimentos geoquímicos para la exploración mineral. El sistema aborda la dificultad de seleccionar protocolos experimentales debido a la alta diversidad metodológica y la falta de estructura en los planes experimentales. MineralExp clasifica el diseño experimental como un problema de clasificación multi-etiqueta, utilizando datos verificados por expertos para medir la capacidad de los agentes LLM para generar planes experimentales viables.
Vías de entrada de información moldean el enlace en transformadores pequeños
Un estudio analiza cómo la forma en que la información llega a un transformador (como tokens simbólicos o vectores perceptuales) afecta su capacidad para vincular información composicionalmente. Los hallazgos indican que la legibilidad del código influye en la eficiencia de muestreo y que la estructura de las vías de información determina el resultado final. Se concluye que la legibilidad es un factor clave en el rendimiento del modelo.
OmniScore-Bench: Evaluando modelos vision-lenguaje en la lectura de partituras musicales
Se presenta OmniScore-Bench, una evaluación diseñada para medir las capacidades de los modelos visión-lenguaje (VLM) en la lectura de partituras musicales. La herramienta incluye 3,000 preguntas y 24 subtipos de tareas para evaluar la capacidad de estos modelos para reconocer notación, estructura e interpretación musical. El objetivo es diagnosticar las operaciones de lectura de partituras que los VLMs realizan de manera fiable y determinar áreas de mejora.
Dataset ScrapeGraphAI-100k para generación de LLM con esquema
Se presenta ScrapeGraphAI-100k, un conjunto de datos de 93,695 eventos de extracción con restricciones de esquema recopilados en 2025. El corpus incluye 25,453 esquemas en 15 idiomas, con el inglés representando el 89% del contenido. Este dataset permite evaluar el rendimiento de modelos de lenguaje grandes en la generación de salida conforme a esquemas JSON. El resultado sugiere que la base de datos real permite entrenar y evaluar modelos mejor que los corpus sintéticos previos.
Incertidumbres en el rastreo de la predicción del El Niño Extremo a las Corrientes Oceánicas de Mesoescala
Se demuestra que la incertidumbre en la predicción del ENSO puede originarse en errores de mesoescala en los estados oceánicos iniciales, en lugar de solo errores a escala de gran escala. El método CNOP identificó errores de corriente más influyentes que son fuertemente dependientes del evento. Estos errores de corriente perturban la estructura de temperatura del océano y afectan el desarrollo del El Niño. Los hallazgos sugieren una fuente de fallo de pronóstico del ENSO no explorada, proporcionando una base para futuras observaciones oceánicas.
POMDPs Multi-Environment con Objetivos de Horizonte Finito
Se investigan los Procesos de Decisión de Markov Parcialmente Observables (POMDPs) en entornos multi-entorno (MEPOMDPs) con objetivos de horizonte finito. El trabajo aborda la complejidad de razonar sobre creencias y pagos a través de múltiples entornos. Se demuestra que mezclas de políticas deterministas son suficientes para resolver el problema y se presenta un algoritmo práctico que supera al método conocido.
Superfluid: Servidor de IA local para inferencia distribuida de LLM
Se presenta Superfluid, un servidor de LLM de código abierto diseñado para inferencia local en diferentes escalas. Este sistema permite mantener la privacidad de los datos, reducir costos y latencia de red al ejecutar modelos en dispositivos locales. Superfluid puede operar en modo interactivo o como un punto final de API distribuido, mejorando el rendimiento en pruebas con diferentes hardware.
LuthorSQL: Un modelo de Text-to-SQL de pasada única como Sistema 1 para un agente LLM más lento
Se presenta LuthorSQL, un modelo de text-to-SQL no autoregresivo de 7B diseñado para actuar como un mecanismo de Sistema 1 rápido para agentes LLM más lentos. Este modelo busca reducir la dependencia de llamadas costosas a modelos alojados, logrando una precisión competitiva y reduciendo el costo de la API en un 33.3% al responder preguntas localmente.
Redes Neuronales Gráficas Wavelet Chi-Square para Detección de Anomalías Heterogéneas
Se propone ChiGAD, un marco de GNN espectral basado en un filtro Chi-Cuadrado, para la detección de anomalías en redes heterogéneas. Este método busca superar las limitaciones de los GNN existentes al capturar señales anómalas y manejar el desequilibrio de clases. Los experimentos demuestran que ChiGAD supera a modelos de vanguardia en múltiples métricas.
Binarización como superficie de ataque en redes neuronales sin peso
Se investigan las Redes Neuronales sin Peso (WNNs) como clasificadores ligeros para tareas con recursos limitados como la detección de intrusiones. Se analiza la robustez de estas redes a perturbaciones adversarias al cruzar umbrales de binarización. Los experimentos demuestran que la granularidad de la codificación afecta el equilibrio entre la precisión limpia y el éxito del ataque adversario.
LLM guía la gestión del ciclo de vida de clústeres comportamentales
Se investiga una alternativa donde un modelo de lenguaje grande (LLM) toma la decisión sobre el ciclo de vida de los clústeres comportamentales, en lugar de métodos basados en umbrales o reclasificación. El LLM decide si un clúster debe dividirse, fusionarse o retirarse basándose en una visión estadística de la población, ajustando la política según la riqueza de la etiqueta. Los resultados indican que el modo seleccionado por el LLM logra el mejor rendimiento en precisión en tres conjuntos de datos públicos, superando a las heurísticas de umbral.
Inducción de programas interactiva con priors de modelo de lenguaje
Se describe un método de inducción de programas interactiva que utiliza un modelo de lenguaje como prior para recuperar un programa a partir de ejemplos de entrada-salida. El algoritmo propuesto demuestra una mejora en la precisión sobre el agente basado solo en el modelo de lenguaje, logrando una mejora de hasta 22 puntos porcentuales con menos ejemplos de entrada-salida.
Aprendizaje guiado por preferencia en el conjunto de Pareto mediante optimización Min-Max-Min
Se presenta un nuevo algoritmo de primer orden, ParetoM^3, diseñado para resolver problemas de optimización multi-objetivo guiada por preferencia. Este método busca unificar la optimización de preferencias con la aplicación de la optimidad de Pareto débil mediante una formulación min-max-min. Los experimentos demuestran que el algoritmo logra soluciones óptimas de Pareto débil preferidas con un rendimiento práctico sólido.
Inyectar un giro, no un token: Aprendiendo dónde redirigir el razonamiento del LLM para la autocorrección
Se presenta un método llamado UPTURN para mejorar la capacidad de los modelos de lenguaje grandes para corregir sus propios errores de razonamiento. Este enfoque permite redirigir el razonamiento mediante la inyección de instrucciones en un nuevo turno de usuario, logrando mejoras en la precisión en varios benchmarks matemáticos. El marco UPTURN no requiere ajuste fino del LLM y supera a otros métodos de corrección existentes.
Auditorías que preservan la función de lectores de peso visual
Se investiga la distinción entre representaciones de imágenes codificadas por un campo neuronal y la función visual, utilizando transformaciones que preservan la función. Los resultados muestran que cambios en el sesgo oculto afectan las predicciones de los lectores, y que la invariancia no es suficiente para recuperar la información completa. Estos hallazgos distinguen la invariancia de la información visual útil y la evidencia necesaria para evaluar lectores estocásticos.
Cuando la evaluación se convierte en intervención en IA clínica
Se describe cómo los jueces de IA, modelos que evalúan la salida de otro sistema contra una rúbrica, extienden la revisión clínica a la escala de la IA clínica. Se analiza cómo el uso de evaluaciones de jueces en la selección de prompts o entrenamiento de modelos puede influir en la selección de errores por parte del juez. Se detalla el contenido requerido del informe del juez y la necesidad de pruebas clínicas independientes para los cambios impulsados por el juez.
Modelo de Fundación Vision-Language-Action Generalista para Agentes de Juego en Tiempo Real a Largo Plazo
Se presenta Gamer, un marco de agente generalista diseñado para tareas de largo horizonte en entornos interactivos complejos. Su arquitectura integra percepción, gestión de memoria y razonamiento de múltiples pasos para interactuar con interfaces 2D y mundos 3D. El modelo demuestra eficiencia operativa comparable a jugadores expertos en juegos 3D y logra resultados competitivos en benchmarks 2D.
WETW: Distancias Euclidianas Ponderadas Específicas para Aprendizaje DTW Eficiente
Se propone la Distancia Temporal Euclidiana Ponderada (WETW) para mejorar la búsqueda de similitud en series temporales desalineadas, buscando reducir el costo cuadrático del DTW. El método WETW-FV demuestra ser significativamente más rápido que métodos exactos, manteniendo una alta precisión en la búsqueda de distancias.
A$^3$: Marco de agente de audio adaptativo para computación en el borde colaborativa
Se presenta A$^3$, un marco de agente de audio adaptativo diseñado para la computación en el borde colaborativa. Este marco gestiona la colocación de etapas del *pipeline* en el servidor, mantiene un agente de respaldo en dispositivos locales y utiliza un límite de tiempo consciente del enlace para gestionar fallos de conexión. El sistema demuestra rendimiento en dispositivos Jetson y servidores RTX A4500.
Astraios: Modelos de LLM con ajuste eficiente de parámetros
Se presenta Astraios, una suite de 28 modelos OctoCoder ajustados con instrucciones utilizando 7 métodos de ajuste y 4 tamaños de modelo hasta 16 mil millones de parámetros. La investigación compara métodos de ajuste fino (FFT y PEFT) en tareas de comprensión y generación de código. Se concluye que LoRA ofrece el mejor equilibrio entre coste y rendimiento, y que la efectividad del ajuste en modelos pequeños se generaliza a modelos más grandes.
¿Sobreviven los juicios de verificación a la abstracción? Midiendo el transporte de verificación para la evaluación de agentes de LLM
Se investiga la fiabilidad de los juicios de verificadores basados en LLM cuando la evidencia de ejecución cambia debido a diferentes niveles de abstracción. Se introduce el Transporte de Verificación para medir la estabilidad de estos juicios bajo cambios en la observabilidad de la ejecución. Los resultados indican que existen fallos significativos de transporte, sugiriendo que la precisión de la vista nativa no es suficiente para garantizar la fiabilidad del verificador.
Aprendizaje automático generativo para el diseño de proteínas
Se revisan 59 enfoques generativos de inteligencia artificial para el diseño de proteínas, abarcando tareas como la generación de secuencia y diseño de estructura. El trabajo analiza cómo se utilizan restricciones estructurales y datos funcionales para generar nuevas proteínas. Se discuten los desafíos actuales y las perspectivas futuras para mejorar el diseño de estructuras proteicas mediante modelado generativo.
Aproximación de Manifold conduce a una Alineación de Kernel Robusta
Se propone la Alineación de Kernel Aproximada por Manifold (MKA) para mejorar la comparación de representaciones al incorporar la geometría del manifold (vecindario local). MKA busca superar las limitaciones de la alineación de kernel centrada (CKA) al abordar la dependencia del manifold subyacente. Los resultados empíricos indican que MKA es menos sensible a los hiperparámetros y captura relaciones topológicas importantes en diversas tareas.
Modelos de Visión-Lenguaje-Acción: Un estudio del ciclo de vida de diseño, entrenamiento y despliegue
Se presenta un estudio exhaustivo sobre los modelos de visión-lenguaje-acción (VLA), revisando su ciclo de vida desde el diseño hasta el despliegue. El análisis muestra tendencias en el aumento de datos de entrenamiento, la división en tamaños de modelos y el surgimiento de modelos generalistas que combinan manipulación y navegación. Se comparan estos modelos con otros sistemas y se evalúan sus limitaciones en condiciones reales.
RACE: Clasificación de la Capacidad Adaptativa para Recomendación Secuencial Eficiente
Se presenta RACE, un marco que adapta dinámicamente estructuras de modelo y secuencias de entrada con ratios de compresión conscientes de la incertidumbre para la recomendación secuencial eficiente. El enfoque busca resolver la discrepancia entre capacidad y complejidad al adaptar la compresión del modelo. Los experimentos demuestran que RACE supera a los métodos de vanguardia en precisión, eficiencia y adaptabilidad.