Buscar noticias
Buscá por texto y descubrí noticias relacionadas con tu consulta.
Noticias relevantes
Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.
NDSU envía un mensaje sobre el QB Nathan Hayes vs. UTEP
El quarterback Nathan Hayes de NDSU mostró dureza y resiliencia en su partido contra UTEP, a pesar de enfrentar problemas con lesiones de tobillo y dedo. A pesar de dificultades iniciales, Hayes ayudó a su equipo a ganar 31-7. El entrenador Tim Polasek elogió la garra y el liderazgo de Hayes, señalando que su dureza y compostura son valiosas para el equipo, y destacó su desempeño con compañeros como Reis Kessel y Jackson Williams.
Noticias encontradas
Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.
Resultados para «Nathan Howells»
Más recientes primero · Hasta 30 noticias por página
Hugging Face lanza SmolLM3, un modelo de lenguaje pequeño, multilingüe y con razonamiento de contexto largo
Hugging Face presentó SmolLM3, un modelo de lenguaje de 3.000 millones de parámetros entrenado con 11 billones de tokens, que supera a Llama-3.2-3B y Qwen2.5-3B y compite con modelos de 4B. El modelo es totalmente abierto, multilingüe (seis idiomas, incluido el español), soporta contexto de hasta 128k tokens y tiene modo dual de instrucción y razonamiento. La empresa publicó además la receta completa de entrenamiento, los conjuntos de datos y los checkpoints intermedios.
- Elie Bakouch
- Carlos Miguel Patiño
- Anton Lozhkov
- Edward Beeching
- Aymeric Roucher
- Nouamane Tazi
- Aksel Joonas Reedi
- Guilherme Penedo
- Hynek Kydlicek
- Clémentine Fourrier
- Nathan Habib
- Kashif Rasul
- Quentin Gallouédec
- Hugo Larcher
- Mathieu Morlon
- Joshua Xenova
- Vaibhav Srivastav
- Xuan-Son Nguyen
- Colin Raffel
- Lewis Tunstall
- Loubna Ben Allal
- Leandro von Werra
- Thomas Wolf
Open R1 presenta OlympicCoder, modelos de código que superan a modelos cerrados en problemas de la Olimpiada Informática
El equipo de Open R1 de Hugging Face publicó la Actualización #3 sobre sus avances en reproducir la receta de razonamiento de código de DeepSeek-R1. Presentaron CodeForces-CoTs, un conjunto de casi 100k muestras destiladas de R1, el benchmark IOI 2024 y los modelos OlympicCoder-7B y 32B, que superan a modelos cerrados como Claude 3.7 Sonnet en problemas de la Olimpiada Internacional de Informática. También detallaron lecciones de entrenamiento (empaquetado de muestras, tasas de aprendizaje, prefijado con <think>, optimizadores de 8 bits) y actualizaciones de GRPO y del conjunto de datos matemático.
Lanzan la segunda versión del ranking abierto de modelos de lenguaje en árabe
El equipo de OALL, junto con 2A2I, TII y Hugging Face, publicó la segunda versión del Open Arabic LLM Leaderboard, un ranking abierto para evaluar modelos de lenguaje en árabe. La nueva versión elimina benchmarks saturados y traducidos automáticamente, incorpora tareas nativas en árabe como Native Arabic MMLU, MMLU-HT, MedinaQA, AraTrust y ALRAGE, y corrige un error en la tarea AlGhafa que afectaba las clasificaciones. La primera versión había atraído más de 46.000 visitantes y más de 700 modelos enviados por más de 180 organizaciones.
Herramientas de IA para el arte: repaso de los lanzamientos de 2024 y perspectivas para 2025
El boletín de herramientas de IA para el arte repasa los principales lanzamientos de 2024 en generación de imágenes, video y audio de código abierto, destacando el giro hacia arquitecturas DiT y flow matching, y modelos como Flux.1, Stable Diffusion 3.5 y HunyuanDiT. Señala avances en personalización sin entrenamiento (InstantID, IP adapter FaceID) y el rezago del video frente a la imagen, con Sora de OpenAI como punto de inflexión. Para 2025 anticipa saltos en video, audio y 3D de código abierto, con lanzamientos de enero como YuE, Hunyuan 3D-2 y Lumina-Image 2.0, y anuncia un resumen mensual de los autores.
Emisiones de CO₂ y rendimiento de modelos: claves del Open LLM Leaderboard
El Open LLM Leaderboard evaluó más de 3.000 modelos de lenguaje abiertos desde junio de 2024 e integró estimaciones de emisiones de CO₂ para dar transparencia sobre el impacto ambiental de la inferencia. El análisis de 2.742 modelos muestra que a mayor tamaño suele haber mayor costo de CO₂, aunque la mejora en puntaje no siempre es proporcional, y que los ajustes finos de la comunidad tienden a ser más eficientes en carbono que los modelos oficiales. El ajuste fino mejora la coherencia y concisión de las respuestas, reduciendo la carga computacional y potencialmente las emisiones, aunque faltan datos exactos por benchmark.
Finalmente, un reemplazo para BERT: presentan ModernBERT
Answer.AI y LightOn presentaron ModernBERT, una familia de modelos de lenguaje solo codificadores que mejora a BERT en velocidad y precisión, con versiones base (149M de parámetros) y large (395M). El modelo amplía el contexto a 8192 tokens, incorpora avances de arquitectura como RoPE y GeGLU, y fue entrenado con 2 billones de tokens incluyendo código. Se ofrece como reemplazo directo de BERT para tareas de recuperación, clasificación y búsqueda de código.
OpenAI publica la tarjeta de sistema de Sora, su modelo de generación de video
OpenAI publicó el 9 de diciembre de 2024 la tarjeta de sistema de Sora, su modelo de generación de video que produce clips de hasta 1080p y 20 segundos a partir de texto, imágenes o video. El documento detalla la pila de mitigaciones de seguridad: moderación multimodal, clasificadores de salida, listas de bloqueo, control de edad para mayores de 18 años y protecciones específicas contra CSAM, desnudez, deepfakes y contenido electoral engañoso. También describe el red teaming externo en nueve países con más de 15.000 generaciones probadas y las inversiones en procedencia, como metadatos C2PA y marcas de agua visibles.
- Alexandra García Pérez
- Arjun Singh Puri
- Caroline Friedman Levy
- Dani Madrid-Morales
- Emily Lynell Edwards
- Grant Brailsford
- Herman Wasserman
- Javier García Arredondo
- Kate Turetsky
- Kelly Bare
- Matt Groh
- Maximilian Müller
- Naomi Hart
- Nathan Heath
- Patrick Caughey
- Per Wikman Svahn
- Rafael González-Vázquez
- Sara Kingsley
- Shelby Grossman
- Vincent Nestler
Crear un asistente de programación con StarCoder
El artículo describe cómo el modelo de código abierto StarCoder, de 16B parámetros y entrenado con un billón de tokens de más de 80 lenguajes de programación, puede ajustarse para funcionar como asistente conversacional de programación, dando lugar a StarChat. Explica el uso de prompts de diálogo, el formato ChatML, el enmascaramiento de etiquetas de usuario y el ajuste fino con DeepSpeed ZeRO-3 sobre el dataset OpenAssistant. También aborda la evaluación de asistentes de código mediante benchmarks y juicio de modelos como GPT-4, y advierte sobre limitaciones y sesgos del modelo alfa.
Qué hace útil a un agente de diálogo: las técnicas detrás de ChatGPT
El artículo de Hugging Face repasa las técnicas que hacen útil a un agente de diálogo conversacional como ChatGPT: ajuste fino con instrucciones (IFT), ajuste fino supervisado (SFT), aprendizaje por refuerzo a partir de retroalimentación humana (RLHF) y cadena de pensamiento (CoT). Compara chatbots previos como LaMDA, BlenderBot 3, Sparrow y el Assistant de Anthropic en acceso, datos, arquitectura y evaluación. Concluye que se necesitan pocos datos para IFT, que SFT mejora seguridad y utilidad, y que CoT favorece el razonamiento paso a paso y reduce respuestas evasivas.
Sesgos en el aprendizaje automático: riesgos, contexto y herramientas para abordarlos
La entrada del blog de Ética y Sociedad de Hugging Face aborda el sesgo en el aprendizaje automático como un problema omnipresente y complejo que ninguna intervención técnica aislada puede resolver. Los modelos, como sistemas sociotécnicos, amplifican tendencias sociales y pueden exacerbar inequidades según su contexto de despliegue, por lo que se requiere vigilancia y retroalimentación continua. El texto propone abordar el sesgo en cada etapa del ciclo de desarrollo (definición de tarea, curación de datos y entrenamiento de modelos) y presenta herramientas como Dataset Cards, Disaggregator, Model Cards, SEAL y benchmarks como BOLD, HONEST y WinoBias.
Cómo funciona el aprendizaje por refuerzo con retroalimentación humana (RLHF) en los modelos de lenguaje
El artículo explica el Aprendizaje por Refuerzo a partir de Retroalimentación Humana (RLHF), técnica que permite alinear modelos de lenguaje con valores humanos mediante tres etapas: preentrenamiento del modelo, entrenamiento de un modelo de recompensa con preferencias humanas y ajuste fino con aprendizaje por refuerzo (PPO). Detalla cómo OpenAI, Anthropic y DeepMind aplicaron el método en modelos como InstructGPT, Gopher y ChatGPT, y describe herramientas de código abierto como TRL, TRLX y RL4LMs. Señala limitaciones como el alto costo de la anotación humana, el desacuerdo entre anotadores y el riesgo de que los modelos generen texto dañino o inexacto.