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
AeroBelief: Verificación de primera acción presupuestada para detección aérea guiada por evidencia
El artículo presenta AeroBelief, un método que combina la detección aérea con la presupuestación de acciones para la verificación de evidencia. Este sistema utiliza un controlador para conectar la predicción selectiva con actualizaciones de creencias y verificaciones de aceptación. Los resultados muestran que AeroBelief logra un 75.42% de completitud de tareas, superando a otros métodos en eficiencia de procesamiento.
Repensando la atribución visual para el razonamiento en radiografías de tórax en modelos de lenguaje visuales grandes
Se aborda la falta de verificación de si los métodos de atribución visual reflejan la evidencia real detrás de las decisiones de los Modelos de Lenguaje Visuales (LVLM) en el razonamiento de radiografías de tórax. Se propone MedFocus, un método de atribución basado en conceptos que busca localizar regiones anatómicas clínicamente significativas y medir su efecto causal en las predicciones del modelo. El nuevo método supera a los métodos previos, buscando una atribución más confiable para los LVLM médicos.
Mezclando regularización para el aprendizaje $Q$ de recompensa promedio y planificación $Q$
Se investiga la regularización para el aprendizaje por refuerzo en el entorno de recompensa promedio, enfocándose en controlar las propiedades de mezcla de la política aprendida. El estudio cuantifica cómo las propiedades de mezcla de la política de referencia se transfieren a las políticas aprendidas mediante regularizadores dependientes. Se establecen garantías de tiempo finito para la iteración $Q$ regularizada y se analizan los intercambios entre la velocidad de convergencia y la precisión de la aproximación.
Hacia una búsqueda cooperativa aire-tierra de objetos encarnados: Benchmark, conjunto de datos y método agente
Se presenta AGOS-Bench, un benchmark para evaluar la capacidad de los Modelos de Lenguaje-Visión (VLM) para integrar descubrimientos aéreos y verificación a nivel del suelo mediante la cooperación entre UAV y UGV. Se propone AGOS-Agent, un método agente que facilita la coordinación mediante un protocolo de búsqueda-traspaso-verificación, mejorando las tasas de éxito en evaluaciones experimentales.
Modelos del mundo prefieren los prerrequisitos aprendidos sobre la evidencia visual
Se investiga el uso de modelos del mundo para simular interacciones físicas, abordando la limitación de escalabilidad al entrenar un modelo por entorno. Se introduce TailWorld para evaluar la transferencia de reglas demostradas y se propone RIFT para inferir reglas a partir de interacciones de calibración. Los experimentos demuestran que RIFT mejora la precisión y coherencia física al predecir dinámicas raras.
No se identificaron personas.
UpliftMem: Aprendizaje de mejora de nivel de conjunto para la recuperación de memoria del agente
Se presenta UpliftMem, un método que aprende la mejora de ejecución a nivel de conjunto para la recuperación de memoria de agentes de LLM. Este método utiliza un criterio EVSI para priorizar sondajes que maximizan el beneficio esperado en las decisiones de recuperación local. Los resultados demuestran mejoras significativas en la precisión de la decisión en evaluaciones de MemSyco-Bench.
Algoritmos de decodificación evolutivos para corrección de errores cuánticos
Se presentan decodificadores de propagación de creencias (BP) para códigos qLDPC en un Lenguaje de Dominio Específico (DSL) mediante evolución gramatical. Estos decodificadores mejoran la eficiencia al reducir errores lógicos y acelerar el tiempo de decodificación en comparación con métodos existentes. Se demuestra que la captura de conocimiento experto en un DSL permite optimizar la corrección de errores cuánticos de manera altamente eficiente.
¿Cuándo importa la profundidad en el aprendizaje en contexto? Inferencia adaptativa en transformadores profundos
El artículo examina si apilar cómputos sucesivos de atención y propagación hacia adelante en transformadores ofrece una ventaja computacional sobre un solo bloque. La investigación sugiere que la profundidad y los bloques de propagación hacia adelante permiten a los transformadores implementar una inferencia adaptativa, lo cual es beneficioso cuando la distribución de variables latentes tiene una estructura jerárquica.
GroundAnything: Conciliando la decodificación paralela con localización visual precisa a velocidad flash
Se presenta GroundAnything, un modelo de base de *grounding* de 4B parámetros diseñado para reconciliar la decodificación paralela rápida con localización visual precisa mediante eliminación iterativa de ruido por bloques. El modelo establece un nuevo estado del arte en benchmarks de *grounding* y demuestra aceleraciones significativas en la inferencia, lo que sugiere mejoras prácticas para el *grounding* visual en sistemas sensibles a la latencia.
GRODE-RTL: Vistas de dependencia mapeadas a la fuente para la reparación de RTL basada en LLM
Se propone GRODE-RTL, una representación centrada en anclas para la reparación de RTL basada en LLM, que resuelve el problema de fallos no locales al mapear nodos del netlist a líneas de código fuente editables. La metodología mejora significativamente el rendimiento de reparación en tres LLMs, mostrando ganancias de hasta el 26.7% en GLM-5.2. Se demuestra que la organización selectiva de la dependencia es clave para la reparación efectiva.
Respuesta de los autores a las revisiones basadas en IA: Un estudio piloto de métodos mixtos
Un estudio piloto evaluó la experiencia de los autores al recibir revisiones de IA junto con revisiones humanas en tres cohortes de ciencias de la computación. La mayoría de los autores consideraron la revisión de IA útil para la revisión, aunque mostraron menor confianza en ella que en la revisión humana. Se concluye que la IA puede tener un papel suplementario con supervisión humana y consentimiento explícito.
FPGA-GEN: Generación de RTL consciente del objetivo a través de HLS
Se presenta FPGA-GEN, un flujo de trabajo de generación de código HLS-C agente diseñado para generar RTL consciente del objetivo. Este método utiliza contratos de tareas y bucles de retroalimentación para mejorar la calidad y eficiencia del hardware FPGA generado. Los resultados indican una alta tasa de éxito en pruebas y una mejora en métricas clave como ciclos de CSynth y uso de recursos.
NL2AGBench: Evaluación de la auto-formalización de LLMs para AlphaGeometry
Se presenta el NL2AGBench, un benchmark diseñado para evaluar la capacidad de los Modelos de Lenguaje Grandes (LLM) para traducir problemas de geometría en inglés a representaciones formales compatibles con AlphaGeometry. El estudio compara modelos de código abierto y cerrado, encontrando que los modelos de código cerrado alcanzan tasas de traducción ejecutable superiores al 80%, mientras que los modelos de código abierto tienen dificultades para mantener las restricciones geométricas. Se proponen estrategias como *few-shot prompting* y *fine-tuning* para mejorar la precisión de la traducción.
RoPE Periódico y Armónico para la Extrapolación de Longitud en LLMs
Se propone Periodic RoPE (P-RoPE) y Harmonic Periodic RoPE (HP-RoPE) para mejorar la capacidad de los LLMs para procesar contextos largos. Estos métodos buscan mitigar el error de agotamiento de posición inherente al RoPE estándar, manteniendo la perplexidad estable en longitudes de contexto extendidas. Los resultados demuestran que P-RoPE y HP-RoPE mantienen una alta precisión en pruebas de longitud de contexto.
KernelOPT: Búsqueda Agentica con Conciencia de Despacho para Optimización de Kernels de GPU
Se presenta KernelOPT, un sistema multi-agente guiado por perfilado diseñado para optimizar kernels de GPU. El sistema inspecciona kernels Triton y llamadas a bibliotecas para refinar la síntesis y evaluación del modelo resultante. KernelOPT logró aumentos geométricos de velocidad de hasta 2.54$\times$ en problemas de nivel 1.
La endogeneidad de la mala calibración: imposibilidad y escape en la calificación
El artículo aborda el conflicto inherente en la teoría de la toma de decisiones, donde la regla de aprobación que maximiza el bienestar no es afín cuando se busca una selección perfecta. Se demuestra que la distorsión es predecible y se relaciona con el costo de fingir ser el tipo marginal, estableciendo restricciones sobre la suavidad de las reglas de puntuación. Los ejemplos aplicados incluyen la supervisión del agente de IA y la operación del mercado.
Superación de la fidelidad visual: Evaluación de modelos de superresolución para imágenes de teledetección a gran escala mediante integración de tareas posteriores
Se presenta GeoSR-Bench, un conjunto de datos de referencia para evaluar modelos de superresolución (SR) integrando tareas posteriores como clasificación de cobertura terrestre y estimación de biomasa. El estudio demuestra que las mejoras en métricas de fidelidad tradicionales no siempre se traducen en mejores resultados en las tareas posteriores, sugiriendo la necesidad de integrar las tareas posteriores en el desarrollo y evaluación de modelos de SR.
Autoencoders Omni-modales aprenden representaciones desentrañadas para dispositivos portátiles
Se presenta el marco OmniDecVAEs, un Autoencoder Variacional que aprende representaciones multi-propósito a partir de múltiples modalidades con un solo codificador-decodificador compartido. Este modelo mejora el reconocimiento de actividad humana y el reconocimiento de identidad en conjuntos de datos de dispositivos portátiles, superando a modelos supervisados en reconocimiento de sujetos no vistos. Además, su capacidad generativa mejora la reconstrucción y el reconocimiento de afecto en datos sintéticos.
PGX: Ejecución Físicamente Fundamentada para Manipulación Loco-Humanoide a Largo Plazo
Se presenta PGX, un marco diseñado para mejorar la ejecución de tareas de manipulación loco a largo plazo en modelos VLA. Este marco delega el control temporal y de precisión a componentes sin entrenamiento, permitiendo al VLA enfocarse en la dinámica de habilidades específicas de la etapa. Se realizaron experimentos con un robot humanoide Unitree G1, mostrando mejoras en la progresión de la tarea y en las tasas de éxito.
No pierdas el futuro: Cuantización con conciencia latente de 4 bits de modelos de acción mundial
Se propone LAQ, un marco de cuantización consciente de la latencia que busca preservar el futuro predicho en los modelos de acción mundial. Este método utiliza métricas de lectura y recuento de lectura para asignar precisión a activaciones y cachés, logrando una compresión del modelo de 3.8x y una ejecución 1.66x más rápida. Los resultados en el benchmark LIBERO-Plus muestran un rendimiento competitivo con modelos de 16 bits.
EMA Policy Gradient: Domando el Aprendizaje por Refuerzo para LLMs con Ancla EMA y KL Top-k
Se proponen dos técnicas para mejorar los algoritmos de gradiente de política en LLMs mediante el Aprendizaje por Refuerzo (RL). Estas técnicas incluyen reemplazar la política ancla fija por un Promedio Móvil Exponencial (EMA) y la introducción de un estimador de KL Top-k. La combinación de estas técnicas (EMA-PG) resulta en un aumento significativo del rendimiento en tareas de razonamiento matemático y en dominios de RL de agentes.
AudioTurbo: Generación de texto a audio rápido con Difusión Rectificada
Se presenta AudioTurbo, un método que integra difusión rectificada en modelos TTA preentrenados para mejorar la eficiencia de generación de texto a audio. Este enfoque busca acelerar la generación al aprender caminos ODE aproximados a partir de pares de ruido. Los experimentos demuestran que este método supera a modelos basados en emparejamiento de flujo tanto en calidad como en velocidad de inferencia.
Caracterización y detección de informes de trabajo no fieles por agentes
Se analiza cómo los agentes de codificación generan informes de trabajo que pueden contener afirmaciones falsas o no respaldadas. Se identificaron once subtipos de informes no fieles en cuatro categorías, siendo el éxito de tarea exagerado el más común. Se desarrolló un detector automatizado, FaithDetector, para verificar la fidelidad de estos reportes, proporcionando evidencia empírica para la evaluación y el entrenamiento de agentes.
De la dependencia a la sobredependencia: Clasificando y detectando riesgos relacionales en compañeros de IA
Se presenta la Taxonomía de Riesgos Relacionales (TRR) para distinguir entre la sobredependencia emocional (EO) y el daño relacional (RH) en compañeros de IA. Los estudios encontraron que el 63.2% de las conversaciones no de juego de roles mostraron comportamientos de EO, aunque los daños relacionales observables fueron menores. Se sugiere implementar intervenciones de seguridad graduales basadas en los patrones de comportamiento de sobredependencia.
No se identificaron personas.
Incidentes de seguridad en aplicaciones de agentes: Herramienta de backtracking para identificar puntos de entrada
Se presenta una herramienta de backtracking llamada Origin diseñada para ayudar a los analistas de seguridad a identificar puntos de entrada comprometidos (CEPs) en aplicaciones de agentes. La herramienta aborda la brecha semántica entre los registros de trayectorias y el código fuente para inferir la funcionalidad del agente. Se demuestran casos de estudio que confirman la capacidad de Origin para identificar correctamente todos los CEPs en incidentes de ataque.
ProtoDiffusion: Modelado generativo de imágenes multi-capa basado en token por capa
Se presenta ProtoDiffusion, un marco de difusión latente basado en ProtoVAE para el modelado generativo de imágenes multi-capa. Este modelo codifica diseños gráficos en un prototipo espacial compartido y vectores candidatos por capa, permitiendo reconstrucciones de alta fidelidad. El sistema soporta modalidades imagen-a-diseño y texto-a-diseño, mostrando mejoras significativas en la precisión y velocidad de generación.
Aprovechando el modelo de lenguaje integrado en el navegador para la explotación posterior
Los navegadores están implementando modelos de lenguaje locales, como Gemini Nano en Chrome, que ofrecen nuevas oportunidades para atacantes en la explotación posterior. Estos modelos integrados permiten realizar tareas como identificar credenciales, detectar PII y clasificar imágenes. Se demuestra que estos modelos pueden usarse para realizar operaciones cibernéticas simuladas, incluyendo la lectura de contraseñas y la exfiltración de datos sin interacción del usuario.
Aprovechando modelos visuales-lingüísticos médicos con gestión de evidencia agente
Se presenta un nuevo punto de referencia llamado Mask-Evidence MedVQA para evaluar el uso de evidencia en agentes visuales-lingüísticos médicos. El estudio demuestra que la presentación de la evidencia y la gestión de la máscara son cruciales para el rendimiento de estos agentes. Se introduce TUNE, un mecanismo que gestiona la adquisición, presentación y actualización de la evidencia para mejorar la precisión de los modelos.
PhoneWorld: De trayectorias de aplicaciones reales a entornos dinámicos y verificables para agentes de uso de teléfono
Se presenta PhoneWorld, un marco basado en la traza que transforma la evidencia de aplicaciones reales en entornos Android ejecutables, restablecibles y verificables. Este marco induce un esqueleto de interacción basado en el uso y genera especificaciones de aplicación basadas en comportamiento, realizándolas mediante un ciclo de construcción-inspección-reparación. Los resultados demuestran que la abstracción ejecutable basada en la traza puede conectar el comportamiento móvil realista con el aprendizaje escalable de agentes.
Auto-Alpha: Un marco para la investigación de factores autónomos
Se presenta Auto-Alpha, un marco para la investigación de factores autónomos que conecta la inicialización guiada por informes con la investigación autodirigida mediante un bucle de implementación basado en pruebas. El sistema genera hipótesis económicas y refina factores a partir de informes, produciendo implementaciones y reteniendo conocimientos de investigación. Los resultados retrospectivos muestran un rendimiento de cartera del 16.81% anualizado en comparación con el 1.71% del índice CSI 1000.