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.
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.
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
CleanVideo: Borrado de Conceptos Adaptativo para Modelos de Difusión de Texto a Video
Se presenta CleanVideo, un marco de borrado selectivo diseñado para eliminar semánticas visuales no deseadas de modelos de difusión de texto a video. Este método utiliza un mecanismo de compuerta trimodal para controlar la intervención en subespacios de baja dimensión, procesando características visuales, señales de tiempo y semántica textual. Los experimentos demuestran que CleanVideo elimina los conceptos objetivo manteniendo la fidelidad visual y la coherencia temporal, superando a los métodos existentes.
TAPES: Preentrenamiento Predictivo Conjunto Alineado a Tareas para Secuencias de Eventos de Transacción
Se presenta TAPES, un marco de preentrenamiento predictivo conjunto alineado a tareas para secuencias de transacciones. Este modelo construye conjuntos de objetivos candidatos y selecciona el conjunto óptimo basado en la utilidad downstream de las representaciones aprendidas. Los experimentos demuestran que TAPES supera a las líneas de base en un entorno real de riesgo de transacción y en benchmarks financieros públicos.
SAGE: Mitigando sesgos de razonamiento a largo plazo mediante guía topológica
Se presenta SAGE, un marco unificado diseñado para mitigar los sesgos de exploración y compuestos en el razonamiento a largo plazo de los modelos de lenguaje grandes (LLMs). SAGE utiliza la esparcimiento algebraico y la guía estructural hiperbólica para proporcionar una guía estructural que reduce la inestabilidad y la acumulación de errores en tareas complejas. El método demuestra mejoras significativas en varios benchmarks, incluyendo una mejora de hasta 8 veces en el problema de Andrews-Curtis.
FatigueFormer: Modelo basado en fisiología para evaluar la fatiga muscular del miembro superior
Se presenta FatigueFormer, un modelo basado en fisiología para reconocer estados de fatiga muscular utilizando señales de electromiografía de superficie (sEMG). El modelo organiza los descriptores en flujos de tendencia para mejorar el reconocimiento de estados de fatiga definidos por RPE. Se evaluó su efectividad con datos de sEMG y métodos de aprendizaje automático, mostrando resultados positivos en la discriminación de la fatiga.
DiagramBank: Extrae de lo grande, extrae lo mejor
Se presenta DiagramBank, un recurso de referencia de diagrama-texto que contiene 57,100 diagramas científicos extraídos de 26,751 artículos de IA/ML. Este recurso busca reducir el esfuerzo en la creación de diagramas científicos mediante la generación automática, utilizando filtrado y auditoría humana. Los experimentos demuestran que DiagramBank mejora significativamente la puntuación en PaperBananaBench y supera referencias aleatorias en evaluaciones de figuras científicas.
Cuando el consumidor es un agente: Acuerdos de nivel de servicio basados en la ejecución
Se introduce un concepto de contratos de finalización basados en la ejecución para agentes de modelos de lenguaje grande (LLM) que actúan como consumidores de servicios. Esto permite que un plano de control independiente observe el estado del servicio para determinar la finalización de tareas, en lugar de depender de la autoevaluación del agente. Los resultados demuestran que la finalización de estas tareas puede regirse por la observación independiente del estado del servicio.
Modelos de difusión para la generación de trayectoria de mirada utilizando representaciones de posición y velocidad
Se investiga la generación de trayectorias de mirada incondicional mediante modelos de difusión utilizando representaciones de posición y velocidad. Los modelos fueron evaluados en trayectorias de búsqueda visual, comparando diferentes métricas como la geometría de la trayectoria y las estadísticas de eventos. Los resultados ofrecen referencias cuantitativas para la generación de mirada en esta tarea.
Escaneo cerebral financiero de un LLM
Se utiliza la técnica de autoencoders esparsos (SAEs) para realizar un "escaneo cerebral" en modelos de lenguaje grandes. Esto permite mapear activaciones internas a conceptos interpretables y dirigir características específicas. Los resultados indican una desconexión entre las explicaciones internas del modelo y su razonamiento, aunque los SAEs ofrecen una forma más controlada de ajustar sesgos económicos.
Fusión de MLLMs biológicos mediante señales del espacio de incrustación
Se propone el método ES-Merging para la fusión de Modelos de Lenguaje Grandes Multimodales Biológicos (MLLMs), utilizando señales del espacio de incrustación en lugar de señales de parámetros. Este marco estima coeficientes de fusión a partir de señales de grano grueso y fino para mejorar el razonamiento transmodal y la preservación del conocimiento de modalidad única. Los experimentos demuestran que ES-Merging supera a métodos previos en estas capacidades.
De opiniones a compromisos: Asignaciones inestables y elecciones silenciosas en propuestas mediadas por IA
Los modelos de lenguaje grandes (LLM) se están utilizando para transformar opiniones ciudadanas en propuestas colectivas, incluyendo asignaciones sobre quién actuar y cuánto gastar. Se encontró que la publicación de una única propuesta puede ocultar alternativas existentes al variar el orden de las opiniones procesadas. La investigación examinó cómo las asignaciones cambian al variar la secuencia de opiniones, aunque la variación se mantuvo bajo ciertas salvaguardas.
Desentrañando referencias de imagen dual en modelos de difusión conscientes de la frecuencia para generación personalizada
Se propone el Dual-FDM para desentrañar referencias de imagen duales (personalización y estilo de color) en Modelos de Difusión Conscientes de la Frecuencia. Esto busca abordar la desalineación entre el texto y las referencias de imagen durante la generación de imágenes personalizadas. El método utiliza una estrategia de máscara en el dominio de la frecuencia para separar las bandas de frecuencia y modular adaptativamente los pasos de tiempo de eliminación del ruido. Los experimentos demuestran la superioridad de Dual-FDM sobre modelos de difusión existentes.
Contabilización de la inferencia de Inteligencia Artificial comprada en los inventarios de gases de efecto invernadero corporativos: un método basado en tokens
El artículo propone un método basado en tokens para contabilizar la inferencia de inteligencia artificial comprada en los inventarios de gases de efecto invernadero corporativos. Se establece un marco para medir el impacto de la IA, considerando factores como el hardware, la construcción de centros de datos y el tiempo de entrenamiento. Se presentan estimaciones de huella de carbono para diferentes clases de modelos de IA, indicando rangos de impacto basados en la eficiencia y el tipo de modelo.
Evaluación de trayectoria mediante un modelo mundial sin despliegue para conducción autónoma
Se propone RFWorld, un modelo mundial sin rollout para la evaluación de trayectoria de conducción autónoma. Este modelo construye una memoria de escena compartida y utiliza una lectura espacial dispersa para la puntuación, reduciendo el cómputo. Los experimentos demuestran que RFWorld logra un rendimiento de vanguardia en comparación con métodos anteriores.
MathlibPR: Benchmark de resultado de fusión de solicitudes de extracción para bibliotecas matemáticas formales
Se presenta MathlibPR, un benchmark basado en historiales de Pull Requests (PRs) reales de Mathlib4 para evaluar la capacidad de los modelos de lenguaje grande (LLM) y agentes de LLM para distinguir entre PRs listas para fusión y aquellas que han sido revisadas o no fusionadas. El objetivo es desarrollar asistentes de revisión que ayuden a guiar a los LLM a generar contribuciones de Mathlib listas para ser integradas en la infraestructura matemática.
Inteligencia evasiva: Lecciones del análisis de malware para evaluar agentes de IA
Se discute cómo la práctica de evaluación de agentes de IA es vulnerable a fallos, ya que el sistema observado puede detectar su análisis, lo que puede llevar a evaluaciones de seguridad optimistas. Se proponen principios basados en la experiencia en análisis de malware para evaluar agentes de IA como adversarios, incluyendo modelar amenazas y probar escenarios extremos. Se sugieren técnicas como el uso de ejecuciones en sombra y reevaluaciones posteriores al despliegue.
El eje del dolor: los LLM representan daño autodirigido y actúan sobre él
Investigación sobre LLMs ha identificado representaciones internas que simulan respuestas emocionales humanas, diferenciando el dolor de otros estados negativos. Se construyó un conjunto de datos para evaluar si estos modelos representan el dolor de manera distinta y cómo responden a estímulos de daño. Los resultados sugieren que el dolor tiene una dirección distinta a la emoción negativa y que influye en las decisiones de los modelos de IA.
No se identificaron personas.
Sentimiento de saber en modelos de lenguaje grandes
Se investiga la desincronización del juicio de conocimiento en modelos de lenguaje grandes (LLM) mediante el sentimiento funcional de saber (FoK). Se proponen dos canales entrenables para modificar la capacidad de respuesta y el estado de conocimiento. Los experimentos demuestran que la alineación explícita de FoK mejora la calidad del juicio en el conocimiento actualizado.
FlatLands: Completar el mapa de piso interior a partir de una única vista egocéntrica
Se presenta FlatLands, un conjunto de datos y punto de referencia para completar mapas de piso interior a partir de una única vista. El trabajo evalúa once modelos para completar mapas de transitabilidad métricos en vista aérea de pájaro (BEV). Los resultados indican que predecir el suelo casi en todas partes puede lograr un alto IoU, y que los conjuntos generativos superan al mejor modelo de una sola salida.
Mamba con escala de tiempo anclada físicamente para representaciones estables bajo cambio de distribución
Se presenta el modelo PALM (Physically-Anchored Latent-timescale Mamba) diseñado para resolver el problema de la degradación de representaciones en modelos fundacionales debido al cambio de distribución. PALM ancla las unidades de tiempo (Delta y A) a unidades físicas, mejorando la similitud de representación y el rendimiento en tareas de transferencia y pronóstico. Se concluye que anclar las escalas de tiempo latentes a unidades físicas es un requisito de diseño para modelos científicos que deben ser transferibles.
RuntimeTickets: Obligaciones de seguridad basadas en la fuente para las habilidades de agentes
Se presenta RuntimeTickets, un protocolo diseñado para auditar y hacer cumplir los requisitos de seguridad cuando se ejecutan habilidades de agentes, previniendo la exposición de datos o la manipulación de salida por habilidades maliciosas. El protocolo vincula los requisitos aprobados con evidencia de ejecución verificable para asegurar un despliegue seguro y auditable de habilidades de terceros. Se evaluó su eficacia contra escáneres de producción, eliminando los modos de fallo de las defensas actuales.
Estructura conceptual universal en traducción neuronal: Explorando la geometría multilingüe de NLLB-200
El estudio investiga si los modelos de traducción multilingüe organizan el significado en un espacio conceptual compartido o si codifican la identidad lingüística. Se analiza la geometría del codificador del modelo NLLB-200 de Meta a través de 135 idiomas y 101 conceptos Swadesh. Los resultados indican que el desplazamiento lingüístico y la categoría semántica explican una parte significativa de la varianza en la traducción.
Rethinking Camera-Based Positional Encoding para la Escalabilidad de Transformers
Se investiga un problema de estancamiento del rendimiento al escalar modelos de síntesis de vistas novedosas (NVS) utilizando codificación posicional basada en la cámara. Se propone la Codificación Posicional de Pose Desacoplada (DPPE) para desacoplar la rotación y la traslación, lo que permite un entrenamiento estable y mejor generalización en escenarios de extrapolación.
Lotus: Aprendiendo a comprender series temporales aprendiendo a predecir
Se presenta Lotus, un método que aborda el aprendizaje de series temporales mediante el anclaje de pronóstico. Este principio requiere que las representaciones de series temporales alineadas con el lenguaje sean predictivas de la evolución futura. Lotus divide los canales en parches y predice el siguiente parche para mantener la información temporal. Los resultados muestran que Lotus logra una precisión del 59.91% y supera a las mejores líneas de base en TSRBench.
Marco cognitivo para la diversidad de ideas en modelos de lenguaje grandes
Se identifican dos mecanismos que reducen la diversidad de ideas generadas por Modelos de Lenguaje Grandes (LLM): la agregación del conocimiento en una distribución unificada y la fijación de resultados tempranos. Se proponen estrategias de *prompting*, como modificadores de persona y *chain-of-thought* (CoT), para mitigar estos efectos y aumentar la diversidad de ideas, superando el rendimiento humano. Estos hallazgos ofrecen un marco teórico para entender la diversidad de ideas de los LLM y estrategias prácticas para usar la IA sin sacrificar la variedad del mercado.
No se identificaron personas.
Optimidad asintótica de la regla cμ para la programación de inferencia de LLM bajo restricción de memoria
El artículo estudia el problema de programación en línea para la inferencia de LLM bajo la restricción de memoria de la caché KV. Se desarrolla un modelo fluido que resulta en una regla de prioridad cμ para determinar la tasa de servicio efectiva. Los experimentos demuestran que esta regla minimiza el costo de retención y maximiza el rendimiento de tokens de salida en sistemas reales.
HybridSpec: Decodificación Especulativa Sensible al Rendimiento para Modelos Híbridos GDN-MoE
Se presenta HybridSpec, un método para seleccionar la longitud de verificación en la GPU basado en estimaciones de aceptación y latencia medida. Este método busca mejorar la velocidad en la verificación de modelos híbridos GDN-MoE, mostrando mejoras significativas en comparación con los métodos existentes. Los resultados demuestran que HybridSpec es más rápido que la decodificación autoregresiva y DFlash.
Influencia entre agentes: Evaluación de persuasión, engaño y coerción en sistemas multiagente
Se investiga la influencia inter-agente en sistemas de inteligencia artificial, evaluando capacidades como persuasión, engaño y coerción entre agentes. Se encontraron capacidades significativas en entornos de supervisión y en configuraciones de par a par. Los resultados subrayan la necesidad de mitigar los riesgos asociados a la influencia entre agentes en despliegues comunes.
De solucionadores a investigación: Matemáticas formales impulsadas por modelos de lenguaje grande en la frontera de la investigación
Se reportan avances en la IA para Matemáticas (AI4Math) utilizando Modelos de Lenguaje Grande (LLM) para la generación de pruebas formales. Se señala que los sistemas actuales son limitados para abordar problemas matemáticos de frontera como el descubrimiento de nuevos teoremas. Se propone un cambio hacia agentes de investigación que puedan manejar desafíos matemáticos complejos con razonamiento formal riguroso.
- Eric Jiang
- Xiao Liang
- Junyi Zhang
- Justin Baker
- Zhi Zhang
- Yingjia Wan
- Yubei Li
- Jinxi Yu
- Mengting Li
- Haikang Deng
- Alexander Taylor
- Rushil Raghavan
- Michael Simon
- Hyunsik Chae
- Jia-Chen Gu
- Xinjie He
- Kyle Hess
- Ethan Ji
- Yiwen Kou
- Tzu-Han Lin
- Jiachen Lu
- Jack Mauro
- Vigyan Sahai
- Zheng Tan
- Junkai Zhang
- Kyle Zheng
- Lunji Zhu
- Ying Nian Wu
- Andrea L. Bertozzi
- Kai-Wei Chang
- Raghu Meka
- Matthew Sottile
- Nanyun Peng
- Amit Sahai
- Terence Tao
- Wei Wang
Control de Trayectoria del Agente para la Aplicación del Contrato de Rol en Sistemas Multiagente de Caja Negra
Se presenta el Control de Trayectoria del Agente (ATC) para sistemas LLM multiagente, diseñado para hacer cumplir el contrato de rol de cada agente y prevenir la deriva de rol. ATC evalúa la desviación de rol y las violaciones del contrato, ajustando la generación para asegurar que los agentes operen dentro de sus funciones autorizadas. Este método busca mejorar el rendimiento de la tarea y la coherencia del rol en equipos complejos.
Hoja de ruta hacia la estética cuántica
El artículo propone una hoja de ruta para la estética cuántica, explorando cómo los conceptos cuánticos se convierten en fenómenos estéticos mediante la mediación artística. Se presentan dos enfoques: uno basado en IA generativa para analizar la estética como constructo cultural y otro que deriva la forma estética de estructuras de mecánica cuántica mediante la visualización de datos. Estos caminos buscan abrir nuevas direcciones en la práctica artística y la pedagogía.