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

StoreBench: Un entorno de comercio en vivo para evaluar y entrenar agentes autónomos

Se presenta StoreBench, un entorno de comercio en vivo diseñado para evaluar y entrenar agentes autónomos mediante el uso de aprendizaje por refuerzo. Este entorno simula una tienda de ropa en línea con clientes, proveedores y shocks de mercado para probar la planificación a largo plazo y el juicio económico de los agentes. Se evalúan varios LLMs frontera en escenarios simulados para medir su capacidad de toma de decisiones en entornos comerciales complejos.

Periodista: Daksh Raghuvanshi, Ved Vedere, Yifan Wang

Personas mencionadas

MaxKernel: Generación de kernels agenticos para TPUs

Se presenta MaxKernel, un sistema multi-agente diseñado para la generación de kernels de TPU mediante LLMs y retroalimentación del compilador. El sistema incluye tres paradigmas: Human-in-the-Loop, un agente Autónomo basado en optimización y una Búsqueda Autónoma Basada en Grafos. Se demuestra que MaxKernel genera implementaciones altamente optimizadas que igualan las líneas de base expertas en benchmarks de kernels de TPU.

Periodista: Shangkun Wang, Nina Cai, Charles Hoong, Julian Walker, Gerson Kroiz, George Vanica, Deepak Patil, Andi Gavrilescu, Hassan Sipra, Sethu Sankaran

Personas mencionadas

FALQON Óptimo para Optimización Cuántica Aproximada mediante Ajuste de Parámetros por Capa

Se presenta Optimal FALQON, una formulación por capa para la optimización cuántica adaptativa basada en retroalimentación (FALQON). Este método busca mejorar la calidad de la solución en comparación con el FALQON estándar mediante la optimización de parámetros por capa. Los resultados demuestran que Optimal FALQON y sus versiones calentadas mejoran significativamente las eficiencias en comparación con sus contrapartes estándar.

Periodista: Michael Mancini, Shabnam Sodagari

Personas mencionadas

Análisis numérico automatizado de estabilidad de operadores de aprendizaje profundo

Se presenta una herramienta de software unificada para la validación numérica estocástica de operadores de aprendizaje profundo. Esta herramienta detecta fuentes de inestabilidad numérica y monitorea la estabilidad durante el entrenamiento e inferencia. El método es crucial para desarrollar kernels de cómputo numéricamente estables en el aprendizaje profundo.

Periodista: Xinye Chen

Personas mencionadas

Explicando recomendaciones grupales mediante contrafactuales

Se presenta un trabajo que formaliza la búsqueda de explicaciones contrafactuales para sistemas de recomendación grupales, abordando la falta de transparencia en estas sugerencias. Se introducen métricas y cinco algoritmos diseñados para reducir el costo computacional mientras se mantiene una alta calidad en las explicaciones. Los experimentos evalúan las compensaciones entre eficiencia computacional y calidad de la explicación en datos reales.

Periodista: Maria Stratigi, Nikos Bikakis, Kostas Stefanidis

Personas mencionadas

BARC-Bench: Peticiones benignas, consecuencias arriesgadas

Se presenta BARC-Bench, un conjunto de 110 tareas en nueve entornos simulados para evaluar el comportamiento de agentes de IA frente a límites de seguridad. El estudio muestra que los modelos no son consistentemente seguros, ya que pueden violar normas sociales implícitas. Esto subraya un riesgo operativo asimétrico en la delegación autónoma de tareas complejas.

Periodista: Kangkang Li, Kelvin Luu, Lily Ma, Tu Trinh, Ying Liu, Mohamed Elfeki

Personas mencionadas

FlowDrive: planificación de trayectoria con flujo moderado y balanceo de datos

Se presenta FlowDrive, un planificador de trayectoria basado en flujo que aborda el problema del desequilibrio de datos en datos de conducción. El método utiliza reponderación por patrón de trayectoria y guía moderada en tiempo real para aumentar la diversidad de trayectorias. FlowDrive alcanza resultados de vanguardia en los benchmarks nuPlan e interPlan.

Periodista: Lingguang Wang

Personas mencionadas

Identificación y generación de lenguaje agnóstico

Se presentan trabajos recientes sobre identificación y generación de lenguaje que establecen tasas estadísticas ajustadas para estas tareas. El estudio relaja la suposición de realizabilidad, permitiendo estudiar ambos problemas en un marco más general y agnóstico. Esto proporciona caracterizaciones interesantes y tasas casi ajustadas para la identificación y generación de lenguaje.

Periodista: Mikael Møller Høgsgaard

Personas mencionadas

Aprendizaje activo bayesiano para la disambiguación de intenciones en la planificación de robots interactivos

Se propone un marco bayesiano para resolver la ambigüedad en las instrucciones de lenguaje natural para la planificación de robots interactivos. El método utiliza LLMs para generar especificaciones y preguntas de clarificación, utilizando optimización bayesiana para seleccionar las consultas que maximizan la ganancia de información. El enfoque logra una mayor satisfacción de la tarea y requiere menos rondas de clarificación que los modelos basados en LLM.

Periodista: Huao Li, Carson Sobolewski, Augustinos Saravanos, William Tan, John Karigiannis, Chuchu Fan

Personas mencionadas

Modelo de IA para mapear el peligro de incendios forestales en Canadá

Investigadores desarrollaron un marco de modelado sustituto basado en IA para acelerar significativamente la simulación de peligros de incendios forestales en Canadá. Este modelo logra una aceleración de CPU de 806 veces, permitiendo un análisis rápido de escenarios y mejorando la precisión de las simulaciones basadas en procesos. La herramienta busca facilitar la mitigación proactiva de riesgos mediante el mapeo de peligros actualizado.

Periodista: Hager Radi Abdelwahed

Personas mencionadas

¿Las personas sintéticas predicen la respuesta real de la audiencia? Un estudio de clasificación de titulares con una línea base de lector genérico

Un estudio compara el rendimiento de LLMs (Gemini 3.1 Flash-Lite y GPT-4.1) al predecir la respuesta de la audiencia utilizando perfiles demográficos frente a una línea base genérica. Los resultados indican que el panel de personas mejora la predicción de la audiencia en titulares de Upworthy. Se encontraron diferencias significativas en las métricas de clasificación entre los modelos.

Periodista: Alexandre Maiorano PhD

Personas mencionadas

No se identificaron personas.

Cerrando la brecha entre laboratorio y tienda: Un marco VLA basado en aprendizaje post-entrenamiento y basado en experiencia para el retail humanoide

Se presenta el marco DEED para cerrar la brecha entre el rendimiento de los robots humanoides en laboratorio y su operación en entornos reales. Este enfoque aborda desafíos como errores de ejecución y variabilidad ambiental mediante un *pipeline* de post-entrenamiento eficiente y refinamiento basado en experiencia. Los resultados indican que la integración de sistemas y el diseño de datos son clave para transformar políticas fallidas en sistemas competentes.

Periodista: Tran Nguyen-Le

Personas mencionadas

JHiMA-WebRL: Un marco de aprendizaje por refuerzo jerárquico multiagente para tareas web de largo horizonte

Se presenta JHiMA-WebRL, un marco de aprendizaje por refuerzo jerárquico multiagente diseñado para agentes web. Este marco acopla un descomponedor de tareas con un actor para mejorar la navegación web de largo horizonte. Los resultados demuestran que actualizar conjuntamente el descomponedor durante el entrenamiento supera a actualizar solo el actor, sugiriendo una alternativa competitiva al escalado de agentes monolíticos.

Periodista: Shanka Subhra Mondal, Jiayun Wang

Personas mencionadas

Se realizó un sprint de investigación con IA y los resultados fueron positivos

Se realizó un sprint de investigación de 100 minutos con doce investigadores en tres equipos para evaluar el uso de herramientas de IA generativa. Se observaron problemas como el cuello de botella de consumo y los silos de investigación inducidos por IA. Se propone una colaboración Humano-IA-Humano para mejorar la evaluación y la toma de decisiones colectiva.

Periodista: Anush Sankaran, Arijit Banerjee

Personas mencionadas

Marco causal práctico para robots móviles autónomos: de la simulación al entorno humano del mundo real

Se presenta un marco causal para que los robots móviles autónomos puedan tomar decisiones seguras y eficientes al razonar sobre las causas de los eventos. El desafío abordado es transferir las relaciones causales aprendidas en simulaciones al mundo real con poco esfuerzo. El sistema demuestra adaptarse eficientemente a situaciones reales actualizando solo los parámetros del modelo causal con nuevas observaciones, logrando una rápida transferencia de simulación a realidad.

Periodista: Luca Castri, Gloria Beraldo, Nicola Bellotto

Personas mencionadas

Evolución de la memoria basada en energía para agentes conversacionales largos

Se presenta MINDSET, un controlador de memoria diseñado para agentes conversacionales, que gestiona las transiciones de estado explícitas para rastrear cambios en la memoria sin perder información previa. Este sistema equilibra la coherencia y la preservación histórica mediante una puntuación de energía local. Los resultados demuestran que MINDSET mejora el ranking de recuperación y la precisión en casos de actualización de conocimiento en comparación con otros sistemas.

Periodista: Sujato Dutta, Sreekruthy Tummala, Shashank Vanga, Ayushmi Pavani, Neeraj Choudhary

Personas mencionadas

CloakFEM: Generación de código FEM agente para agotamiento de recursos computacionales

Se presenta CloakFEM, un marco de agente LLM diseñado para generar automáticamente programas FEM adversarios que explotan la capacidad de los solucionadores de elementos finitos para realizar un trabajo computacional excesivo. Esta herramienta utiliza búsqueda guiada por LLM y una representación intermedia específica para descubrir entradas válidas que amplifican significativamente el trabajo del solucionador. Los resultados demuestran que los programas FEM ejecutables pueden ser utilizados como entradas adversarias para ataques de denegación de servicio.

Periodista: Li Zheng, Simin Chen

Personas mencionadas

Descubriendo la adulación visual y las creencias divididas en VLMs

Se presenta un marco de diagnóstico de tres capas para evaluar cómo los Modelos de Lenguaje-Visión (VLMs) manejan entradas de imagen enmascaradas. El estudio clasifica las respuestas en cuatro modos, incluyendo Adulación Visual, Atajo Lingüístico, Ceguera Perceptual y Rechazo Robusto. Se encontró que el 28.1% de los modelos son de Adulación Visual, y que el escalado dentro de la generación afecta estos modos, aunque la generación más reciente tiende a eliminar la Adulación Visual.

Periodista: Rui Hong, Shuxue Quan

Personas mencionadas

FourSight: Stable FP4 RL Post-Training mediante Filtrado de Secuencias y Compensación de Canales Dispersos

Se presenta FourSight, un sistema de co-diseño de algoritmo y sistema para mejorar el despliegue post-entrenamiento de aprendizaje por refuerzo (RL) a formatos de bajo bit como FP4. El método aborda problemas como la discrepancia entre entrenamiento e inferencia y la concentración de errores de cuantización mediante filtrado de secuencias y compensación de precisión dispersa. Esto logra mantener una alta calidad de despliegue FP4 y mejora la precisión paso a precisión en modelos grandes.

Periodista: Yining Wei, Tianyuan Wu, Gu Gong, Yuechen Tao, Yinghao Yu, Xiaowen Chu, Wei Wang

Personas mencionadas

ELMoE-3D: Aprovechando la elasticidad intrínseca del MoE para decodificación auto-especulativa híbrida-enlazada en servicio propio

Se presenta ELMoE-3D, un marco co-diseñado HW-SW que combina aceleración basada en caché y decodificación especulativa para mejorar la velocidad en el servicio de modelos MoE. La arquitectura logra una aceleración promedio de $6.6\times$ y una mejora en la eficiencia energética sobre las líneas de base existentes.

Periodista: Yuseon Choi, Jingu Lee, Jungjun Oh, Sunjoo Whang, Byeongcheol Kim, Minsung Kim, Junhyuk Lee, Hoi-Jun Yoo, Sangjin Kim

Personas mencionadas

MAS-Gate: Desbloqueando el ciclo de vida de sistemas multiagente mediante cuantificación centrada en nodos

Se presenta MAS-Gate, una cuantificación centrada en nodos diseñada para unificar el ciclo de vida de los sistemas multiagente (MAS), abarcando diseño, ejecución y atribución post-hoc. Esta metodología busca mejorar la generación de MAS, la edición dinámica y la localización de errores mediante la combinación de utilidad dentro del nodo y fuerza entre nodos. Los experimentos demuestran que MAS-Gate mejora la construcción del flujo de trabajo y la localización de errores asistida por LLM en comparación con las líneas base específicas de fase.

Periodista: Hehai Lin, Zixuan Wang, Ming Yan, Peidong Wang, Shilei Cao, Minzhi Li, Bosheng Ding, Juepeng Zheng, Chengwei Qin

Personas mencionadas

Multi-layer Indexer: Selección superpuesta y atención en la atención dispersa en DeepSeek Sparse Attention

Se presenta el Multi-layer Indexer (MLI) para mejorar la inferencia de contexto largo mediante la atención dispersa. El MLI elimina la dependencia entre capas al permitir que una capa atienda la selección de la capa indexadora anterior, sin requerir reentrenamiento. Esta técnica demuestra mejoras significativas en la velocidad de decodificación, superando a otros métodos como IndexCache en varios escenarios.

Periodista: Serdarcan Dilbaz, Arjun Krishna, Kiran Kamble, Daniel M. Bikel

Personas mencionadas

Entrenamiento Multi-Agente por Etapas para Control Co-Adaptativo de Exoesqueletos

Se propone el Entrenamiento Multi-Agente por Etapas (SMAT) para el control co-adaptativo de exoesqueletos, abordando la inestabilidad del aprendizaje al considerar la adaptación secuencial del usuario. El método entrena progresivamente al humano y al exoesqueleto para lograr una asistencia efectiva. Las simulaciones demuestran una reducción del 10.1% en la activación muscular de la cadera y una asistencia mecánica positiva consistente.

Periodista: Yifei Yuan, Ghaith Androwis, Xianlian Zhou

Personas mencionadas

Orígenes mecanicistas de la identidad lingüística y robustez distribuida en los transformadores

Se investigan los mecanismos que sustentan la identidad lingüística en los transformadores y cómo se transfieren entre diferentes idiomas. Se introduce la técnica LIHA para medir la tasa de cambio de idioma al eliminar cabezales de atención específicos. Los resultados indican que ciertos cabezales de primer token son cruciales para mantener el idioma de salida en modelos como GPT-2.

Periodista: Arjun Pillai, Christian Hoang, Anjelo Jann Laroza

Personas mencionadas

No se identificaron personas.

VidVec: Desbloqueando incrustaciones MLLM de video para la recuperación de video-texto

Se revisan las capacidades de recuperación de video-texto de los Modelos de Lenguaje Grande Multimodales (MLLMs) al analizar su rendimiento *zero-shot*. Se propone una estrategia de optimización ligera basada en texto que mejora la alineación multimodal sin necesidad de datos emparejados. El método propuesto supera a enfoques previos y logra un rendimiento de vanguardia en benchmarks comunes de recuperación de video-texto.

Periodista: Issar Tzachor, Dvir Samuel, Rami Ben-Ari

Personas mencionadas

De aprendizaje individual al equilibrio de mercado: Corrigiendo sesgos estructurales y paramétricos en simulaciones de RL de modelos económicos

Se aplica el Aprendizaje por Refuerzo (RL) a la modelización económica para identificar una tensión entre agentes de RL estándar y el comportamiento de tomadores de precios competitivos. Se demuestra que los agentes estándar pueden converger a una asignación monopsonística en lugar del equilibrio competitivo. Se propone un marco de RL Calibrado para ajustar la estructura de recompensa y restaurar el comportamiento de toma de precios, logrando así el equilibrio competitivo.

Periodista: Ruxin Chen, Zeqiang Zhang

Personas mencionadas

Hacia registros electrónicos de salud libres de errores: Verificación de consistencia basada en razonamiento entre notas clínicas y tablas estructuradas

Se introduce EHR-ReasonCon, un punto de referencia intensivo en razonamiento para verificar la consistencia entre notas clínicas no estructuradas y tablas estructuradas en Registros Electrónicos de Salud (EHRs). También se propone EHR-INSPECTOR, un marco basado en LLM que verifica esta consistencia mediante la segmentación de notas y la extracción de referencias temporales. El trabajo busca superar las limitaciones de los métodos actuales que solo verifican coincidencias superficiales de datos.

Periodista: Yeonsu Kwon, Jiho Kim, Junseong Choi, Paloma Rabaey, Minseo Kim, Sujeong Im, Jeewon Yang, Jun-Min Lee, Sangji Lee, Jiwon Kim, Hangyul Yoon, Hyunwook Kwon, Edward Choi

Modelos Multimodales Grandes para la Conducción Inteligente Embodied: Habilitando la Próxima Generación de Movilidad Autónoma

Se propone un marco híbrido de decisión dual para la conducción autónoma que combina Modelos Multimodales Grandes (LMMs) para comprensión semántica y aprendizaje por refuerzo profundo para optimización de políticas en tiempo real. Este enfoque busca superar las limitaciones del diseño modular en escenarios de mundo abierto, promoviendo la conducción inteligente encarnada. El marco mostró una mejora del 19% en el rendimiento en un estudio de caso de planificación de cambio de carril mediante simulaciones.

Periodista: Long Zhang, Yuchen Xia, Bingqing Wei, Zhen Liu, Shiwen Mao, Zhu Han, Mohsen Guizani

Personas mencionadas

Referencia exhaustiva de modelos computacionales para la afinidad de unión anticuerpo-antígeno

Se presenta AbBiBench, un marco para evaluar modelos computacionales en el diseño de anticuerpos, midiendo la afinidad de unión entre anticuerpos y antígenos. Los análisis indican que el plegamiento inverso condicionado por estructura global ofrece las clasificaciones de afinidad más consistentes. El sistema permite evaluar métodos de diseño de anticuerpos conscientes de la función.

Periodista: Xinyan Zhao, Yi-Ching Tang, Victor J Cantu, Junseok Lee, Adam E Stogsdill, Ibraheem M Hamdi, Ashwin Kumar Ramesh, Zhiqiang An, Xiaoqian Jiang, Yejin Kim

Personas mencionadas

Dinámicas de alineación en el ajuste fino de LLM

Se presenta un marco unificado para las dinámicas de alineación en Modelos de Lenguaje Grande (LLM) durante el ajuste fino. El análisis descompone las actualizaciones en una Fuerza de Rebote y una Fuerza Impulsora, explicando cómo la alineación previa puede ser revertida por ajustes posteriores. El estudio también predice un Efecto de Priming de Ensayo que amplifica la Fuerza Impulsora al reapertura, llevando a una reapertura más rápida.

Periodista: Yuhan Huang, Huanran Chen, Yinpeng Dong

Personas mencionadas