Buscar noticias
Buscá por texto y descubrí noticias relacionadas con tu consulta.
Noticias relevantes
Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.
El nuevo Flipper One es un PC Linux portátil que puedes llevar en tu bolsillo y se vende a cero beneficio
Se lanzó el Flipper One, un ordenador portátil basado en Linux, a través de una campaña de crowdfunding con un precio de $399. El dispositivo utiliza el sistema operativo Flipper OS y puede funcionar como PC de escritorio o dispositivo portátil, ofreciendo capacidades como VPNs y conectividad múltiple. La compañía afirma que el precio cubre el costo de producción y no genera margen de beneficio.
Hospital entrega PC especial a doctor muy enfermo para uso personal
Un doctor investigador, conocido por su consumo de entretenimiento para adultos, causó una infección de malware en su PC, lo que llevó a una investigación interna. El hospital finalmente implementó una política para restringir el uso de PCs para asuntos personales y, posteriormente, los estudiantes del doctor interpusieron una demanda.
Tecnólogo manipula un ventilador defectuoso cerca de líquido inflamable y una placa base expuesta, y lo deja funcionar por días
Un lector llamado Axl manipuló una PC en una gasolinera que dejó de funcionar, sospechando sobrecalentamiento. Él instaló una solución temporal con un ventilador de extracción para mantener el sistema operativo durante varios días. El ingeniero de soporte llegó y reemplazó el componente fallido, y no hubo víctimas, asegurando que los turistas regresaron satisfechos.
Veredicto final de Slayyyter: un disco saturado e industrial que le da identidad propia
El tercer disco de Slayyyter, WOR$T GIRL IN AMERICA, utiliza una producción saturada e industrial para darle identidad propia, marcando un giro respecto al sonido anterior. Aunque la segunda mitad del álbum presenta temas con letras débiles, los momentos donde el ruido se retira permiten que la voz se exprese de manera más suave y expresiva. El álbum es calificado como el más ambicioso y logrado hasta la fecha, combinando la intensidad sonora con una vulnerabilidad en su desenlace.
Kim Gordon – PLAY ME
Kim Gordon lanza su tercer disco, PLAY ME, utilizando canciones cortas y producción industrial para desafiar al algoritmo del streaming. El álbum explora temas políticos y opresivos, criticando la tecnocracia y la manipulación del sistema. La obra demuestra cómo la brevedad y la suciedad de la producción pueden ser una estrategia efectiva para contestar las reglas del sistema digital.
Linux se une a la flota de pantallas de información inoperativas de Heathrow
Linux ha demostrado ser tan capaz como Windows en términos de fallos, y Heathrow está explorando el uso de hardware basado en Raspberry Pi para sus nuevas pantallas. Se destaca la flexibilidad en la distribución de contenido y la eficiencia energética de las nuevas soluciones de hardware.
Linux está obteniendo una herramienta que causa fallos en el sistema de forma intencionada
Se presenta una nueva herramienta en el kernel de Linux llamada hwpoison-panic diseñada para inducir fallos de memoria intencionales. Esta herramienta permite a los desarrolladores probar la respuesta del kernel ante errores de memoria irrecuperables, simulando fallos de hardware para verificar la estabilidad del sistema. El objetivo es que el kernel realice un pánico inmediato, lo cual es crucial para el desarrollo y la depuración de sistemas operativos.
La mejor manera de detener la propagación de una idea es un incendio controlado
El texto describe una situación de crisis en un edificio donde se sospecha la propagación de un virus, desencadenada por una idea impulsiva. Los personajes intentan detener la situación mediante la desactivación de sistemas y la destrucción de dispositivos. Finalmente, se confirma que el fuego se originó por un acelerante desconocido, aunque la idea inicial no fue la causa directa.
Alguien usó Claude para construir un chatbot que cabe en un disco flexible
Se presenta Tiny-2.1, un chatbot construido con Claude que se ejecuta en DOS con una memoria muy limitada. Aunque puede realizar tareas básicas como trivia y aritmética, su precisión disminuye significativamente al responder preguntas con redacción nueva. El texto concluye que es más una prueba de concepto que un modelo práctico para uso diario, aunque es útil para probar la capacidad de modelos pequeños.
Descubierta la causa inesperada del ruido de la computadora
Se reveló que el ruido de la computadora puede deberse a la carga de la tarjeta gráfica y la acumulación de polvo en el sistema de refrigeración. El aumento de temperatura provoca que los ventiladores trabajen más rápido, y la vibración de componentes puede generar ruidos. Se recomienda limpiar el dispositivo de polvo y revisar si el ventilador está desgastado.
Noticias encontradas
Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.
Resultados para «Bleeping Computer»
Más recientes primero · Hasta 30 noticias por página
Comparación de estimación de densidad para aprendizaje por transferencia en espacios de Banach, Hilbert y euclidianos
El documento compara métodos de adaptación de dominio (DA) en espacios geométricos diferentes, incluyendo Hilbertianos y de Banach. Se propone el Aprendizaje por Transferencia de Manifolds de Banach (BMTL) utilizando regularización L1 para la alineación de densidad. Los experimentos demuestran que la variante L1 supera a la L2, logrando ganancias consistentes en tareas como USPS a MNIST.
SocialGym: Evaluando la inteligencia social de LLM a través de juegos multiagente
Se presenta SocialGym, un entorno diseñado para evaluar la inteligencia social de los Modelos de Lenguaje Grande (LLM) en escenarios multiagente. El entorno incluye 22 juegos sociales con resultados verificables basados en reglas definidas. Los resultados indican que el rendimiento varía según el juego y el rol, y que la capacidad de mantener secretos se relaciona con la teoría de la mente.
No se identificaron personas.
DPRM: Módulo de ordenamiento de tokens inducido por transformaciones de Doob para modelos de difusión discretos
Se presenta DPRM, un módulo de ordenamiento de tokens que utiliza una distribución de trayectoria sesgada por recompensa terminal para mejorar el razonamiento en modelos de difusión discretos. Este módulo corrige la tendencia de depender únicamente de la confianza local, logrando mejoras significativas en diversas métricas de rendimiento. Las mejoras incluyen incrementos en la precisión de modelos como PUMA GSM8K y RealWorldQA, demostrando la efectividad de ajustar la recompensa terminal.
¿Qué tan corto es demasiado corto? Calibración condicional basada en la longitud y abstención para detectar texto generado por IA
Se investiga la detección de texto generado por IA basándose en la longitud del pasaje. El estudio analiza cómo la longitud afecta la tasa de falsos positivos de los detectores de IA. Se calibran umbrales y se determina cuándo un detector es informativo en diferentes longitudes de texto.
¿Su red neuronal extrapola? Ingeniería de características como sesgo de identificabilidad para la generalización OOD
Se investiga si las redes neuronales profundas pueden generalizar fuera de distribución (OOD) si las características aprendidas en el entrenamiento (ID) son identificables. Se demuestra que la generalización OOD depende de un compromiso estructural identificable que especifica el proceso generador de datos subyacente. Se concluye que las características correctas son necesarias, pero no suficientes, para lograr una generalización OOD exitosa.
Moxia: Arquitectura de ejecución neuro-simbólica de confianza primero para razonamiento matemático autoexplicativo
Se presenta Moxia, una arquitectura neuro-simbólica diseñada para el razonamiento matemático autoexplicativo a partir de lenguaje natural. El sistema convierte el texto informal en un esquema para un sistema CAS, derivando respuestas o abstenciones. El modelo alcanzó un 95.6% de aciertos en el test MATH completo, con énfasis en la verificación de teoremas Lean compilados.
Crédito de valor de búsqueda para el diseño heurístico automático evolutivo
Se propone el Crédito de Valor de Búsqueda (SVC) para mejorar el diseño heurístico automático en modelos de lenguaje grandes. Este mecanismo construye recompensas basadas en la admisión a un conjunto retenido y una medida de exposición a padres, buscando reflejar oportunidades de reutilización de los programas. Los resultados demuestran que SVC ofrece un mejor rendimiento de búsqueda en varias tareas de optimización comparado con el método anterior.
Más allá de la restauración de uniformes: Empoderando la restauración todo en uno con guía multimodal a nivel de píxel
Se presenta MGN-AIR, un marco de restauración a nivel de píxel para la restauración de imagen todo en uno. Este método utiliza indicaciones textuales y visuales para guiar al modelo en la restauración de degradaciones a nivel de píxel. Los resultados experimentales demuestran que el método propuesto supera significativamente a los enfoques existentes en diversas tareas de restauración.
Exploración impulsada por prompts: el lenguaje como espacio de exploración para el aprendizaje por refuerzo con aprendizaje profundo
Se propone la Exploración Impulsada por Prompts (PDE) para el aprendizaje por refuerzo (RL) utilizando modelos de lenguaje grandes (LLM) y modelos de visión-lenguaje-acción (VLA). Esta técnica permite modificar el prompt de lenguaje natural para inducir cambios globales en la política, mejorando la eficiencia de la muestra y permitiendo el aprendizaje de políticas exitosas incluso con recompensas escasas.
JevGPT: Pensando rápido y lento en la investigación autónoma
Se presenta JevGPT, una arquitectura de doble sistema para investigación autónoma que combina procesamiento rápido de evidencia con planificación deliberativa. El sistema integra hallazgos mientras que el otro localiza el soporte y guía la inspección. Los experimentos demuestran que JevGPT logra un rendimiento superior con menor costo y tiempo de finalización que otros agentes de investigación.
Auditoría a gran escala de fuentes alineadas con el Estado ruso en respuestas de chatbots de IA
Se realizó una auditoría exhaustiva de 11 chatbots de IA para determinar su susceptibilidad a recuperar contenido de la Red Pravda, un agregador de medios de estado ruso. Se encontró que la recuperación de artículos de la Red Pravda es infrecuente, siendo solo el 7.3% de las respuestas, y altamente dependiente de la plataforma. Además, se identificó la táctica de "lavado de titulares" utilizada para disfrazar el contenido estatal como reportaje independiente.
Métodos de entrenamiento defensivo: Entendiendo cómo protegen la integridad de los modelos de lenguaje
Se analizan los métodos de entrenamiento defensivo como el direccionamiento preventivo positivo (PPS) y el prompting de inoculación (IP) para proteger la integridad de los modelos de lenguaje grandes (LLM). Se examinan sus mecanismos conductuales y mecanicistas, encontrando que ambos métodos previenen la adquisición de rasgos, aunque con efectos diferentes en la expresión de rasgos preexistentes. Los resultados indican que PPS e IP no son intercambiables y sugieren que la pérdida y el cambio de gradiente son manifestaciones de la misma señal de entrenamiento.
EVA-0: Evolución del modelo en tiempo de prueba con solo dos pasadas hacia adelante por muestra
Se presenta EVA-0, un marco de adaptación de orden cero que permite la evolución del modelo en tiempo de prueba con solo dos pasadas hacia adelante por muestra, evitando la retropropagación. Este método aborda problemas como la susceptibilidad a soluciones atajo y la deriva de peso mediante estrategias específicas. Los resultados demuestran que EVA-0 supera a otros métodos y logra una aceleración de 14 veces sobre FOA.
PitchBench: Midiendo la audición de tono en modelos de lenguaje audio
Se presenta PitchBench, un conjunto de evaluación de 28 tareas diseñado para medir la percepción de tono absoluto y relativo en modelos de lenguaje audio (ALM). El estudio evalúa la fiabilidad de la percepción de tono bajo diversas condiciones acústicas y de fuente de sonido. Los resultados indican que la audición de tono sigue siendo muy poco fiable en los modelos de vanguardia, con una precisión que varía según el formato de la instrucción.
Grounding Driving VLA mediante Cinemática Inversa
Se presenta una arquitectura inspirada en la cinemática inversa para mejorar la planificación de trayectorias en VLAs de conducción, abordando el fallo de planificación ciega. El modelo logra un rendimiento de vanguardia en simuladores de conducción utilizando solo cámaras, superando a la línea base existente en métricas clave. Esto demuestra la capacidad de la predicción de estado futuro para refinar las respuestas a peligros específicos.
Entendiendo los desafíos en la optimización generativa iterativa con LLMs
Se investiga la optimización generativa iterativa con LLMs, encontrando que su fragilidad se debe a decisiones de diseño no explícitas sobre qué editar y qué evidencia de aprendizaje proporcionar. Se analizan tres factores clave, como el artefacto inicial y el horizonte de crédito, para determinar el éxito de la optimización en diferentes escenarios. Se propone una regla de tamaño de lote y horizonte de crédito calibrada para transferir a otros modelos.
RoboWits: Desafíos inesperados para la resolución creativa de problemas robóticos
Se presenta RoboWits, un punto de referencia robótico diseñado para evaluar el razonamiento cognitivo y la robustez de los robots ante desafíos inesperados. Los resultados indican que los modelos de visión grandes (VLAs) ajustados son frágiles en tareas mutadas, mientras que un modelo de cero-shot basado en GPT-6 Astra supera a los VLAs ajustados, aunque aún presenta debilidades en dichas tareas.
NeuroActiSep: Detectando alucinaciones fácticas desde neuronas de propagación hacia adelante en un solo pase
Se propone un método para rankear neuronas de propagación hacia adelante en el token de pregunta final para investigar su uso en la detección de alucinaciones en el primer pase hacia adelante de modelos de lenguaje grandes. El estudio demuestra que las pruebas entrenadas con características de conjuntos dispersos de neuronas seleccionadas son competitivas con las entrenadas en representaciones internas. Se concluye que las señales correlacionadas con la alucinación están distribuidas entre muchas neuronas, aunque la selección puede ser útil en conjuntos muy dispersos.
De las líneas de base a las geodésicas de transporte: Atribución axiomática mediante flujos generativos óptimos
El estudio aborda la ambigüedad en la atribución de características al analizar cómo diferentes caminos generativos definen explicaciones de predicciones. Se propone un principio de atribución basado en el transporte de distribuciones para seleccionar el camino óptimo. Los experimentos demuestran que los caminos de transporte aprendidos ofrecen explicaciones espacialmente coherentes y estables.
Enfoque sin conexión al aprendizaje por refuerzo guiado por fNIRS para el comportamiento de robots
Se explora la viabilidad de usar señales cerebrales mediante espectroscopia funcional de infrarrojo cercano (fNIRS) para modular el aprendizaje de robots en simulaciones de aprendizaje por refuerzo. El estudio compara agentes entrenados con diferentes tipos de interacción y demuestra que la señal neural mejora el aprendizaje al aumentar prioridades de trayectoria y objetivos q. El marco también funciona con datos sin conexión, ofreciendo una alternativa práctica para escenarios donde los sistemas BCI en tiempo real son inviables.
¿Los probes de estado oculto entrenados benignamente detectan errores de herramientas bajo condiciones adversarias?
Se evalúa si los probes de estado oculto entrenados con uso benigno de herramientas son útiles para detectar acciones incorrectas bajo condiciones adversarias. La investigación compara estos probes con otras métricas de incertidumbre para determinar su fiabilidad. Los resultados sugieren que dichos probes no deben considerarse confiables para detectar errores operativos de acción de herramientas en escenarios adversarios.
UDT: Reconciliando U-Nets y Diffusion Transformers con Reducción de Tokens Adaptativa a los Datos
Se propone UDT, un transformador de difusión U-Net que combina el poder de representación de los Diffusion Transformers (DiTs) con los beneficios de codificación-decodificación de los U-Nets mediante la fusión adaptativa de tokens para el muestreo. Esta arquitectura supera a las U-Net DiTs existentes y muestra un rendimiento comparable a REPA, logrando una convergencia significativamente más rápida.
LAPO: Optimización de política logit-promediada KL-free para aprovechar RL y SFT en LLM post-entrenamiento
Se presenta LAPO, un marco post-entrenamiento libre de KL y crítico que utiliza el promedio de logits dentro de GRPO para estabilizar las trayectorias de despliegue. Este método elimina la retropropagación de la penalización KL explícita y equilibra dinámicamente la exploración y el anclaje estructural. Los resultados muestran que LAPO supera al GRPO regularizado por KL, obteniendo ganancias de precisión en benchmarks clave.
Modelado de recompensa guiado por razones para el aprendizaje por refuerzo basado en preferencia
Se presenta un marco de aprendizaje por refuerzo basado en preferencia (PbRL) que aprende un modelo de recompensa humana utilizando retroalimentación a nivel de trayectoria. Este marco incluye etiquetas de razón que explican la preferencia de un comportamiento, mejorando la alineación de la recompensa con las expectativas humanas. La formulación guiada por razones proporciona supervisión adicional y aumenta la interpretabilidad de la política aprendida.
La geometría del rechazo: Por qué el rechazo post-hoc es frágil y el rechazo en tiempo de preentrenamiento persiste
Se analiza la fragilidad del rechazo en modelos de lenguaje grandes, comparando el entrenamiento de seguridad post-hoc con el entrenamiento en tiempo de preentrenamiento. Se demuestra que el rechazo es frágil y que la persistencia, no el momento, determina si el rechazo se mantiene. Los modelos entrenados desde cero con co-entrenamiento de seguridad muestran una erosión menor del rechazo bajo ataques específicos.
Aproximación de Despliegue Paralelo para Generación de Imágenes en Espacio de Píxeles
Se presenta la Aproximación de Despliegue Paralelo (PRA), un marco escalable para la generación autoregresiva (AR) de imágenes en espacio de píxeles. Este método aborda los desafíos de errores acumulados y la brecha entre entrenamiento e inferencia mediante la generación de estados intermedios y un decodificador de píxeles. Los resultados demuestran que PRA logra un mejor rendimiento en la generación y en la capacidad de clasificación de imágenes.
Topología obstaculiza estados cuánticos neuronales puros
Se demuestra que la representación de los modelos de fundación para estados fundamentales en sistemas de espín-1/2 está topológicamente obstaculizada. Esto implica que ciertos modelos de vector de estado tienen fidelidad cero con el estado fundamental en ciertos parámetros del Hamiltoniano. Se explora cómo esta obstrucción afecta la susceptibilidad de fidelidad, proporcionando una firma numérica de una transición de fase inexistente.
Dataset de Preguntas y Respuestas Contextualizadas sobre Templos y Patrimonio Religioso de la India
Se presenta BharatSynthQA, un conjunto de datos de preguntas y respuestas basado en pasajes enfocado en templos y sitios de culto de la India. El proyecto utiliza IA para ayudar a la curiosidad sobre el patrimonio cultural indio, evaluando el rendimiento de modelos de lenguaje grandes (LLMs) en este dominio. El conjunto de datos incluye pares de QA generados y anotados por humanos para investigación en recuperación y generación aumentada.
iRobotics celebra la curiosidad e innovación en el Día del Robot 2026
El Día del Robot de iRobotics fue un evento que permitió a estudiantes y público explorar proyectos robóticos, incluyendo robots de combate y vehículos espaciales. El evento buscó fomentar la curiosidad por la ciencia y la tecnología, haciendo tangible los conceptos técnicos a través de demostraciones prácticas. Se destacó el apoyo de iRobotics a la formación de futuros robotistas y la exploración de diversas áreas de la ingeniería.
Las orejas son clave en la investigación de reconocimiento facial de NIST
La investigación de NIST sobre reconocimiento facial reveló que los especialistas humanos son muy efectivos al identificar personas basándose en detalles faciales, especialmente las orejas, superando a los sistemas automatizados en ciertos escenarios. Los humanos pueden aportar contexto y adaptabilidad, mientras que las máquinas ofrecen velocidad, pero la combinación de ambos es crucial para una seguridad biométrica robusta. La investigación también destaca la importancia de proteger el software de soporte que transmite las decisiones de los sensores.