Buscar noticias
Buscá por texto y descubrí noticias relacionadas con tu consulta.
Noticias relevantes
Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.
CEO de Tempus AI vende acciones por $645,720
El CEO y Director de Datos de Tempus AI, Ryan Fukushima, vendió acciones el 17 de noviembre de 2026 para cumplir con obligaciones fiscales. La venta ocurrió en un momento de caída de la acción, aunque el análisis sugiere que el stock podría estar sobrevalorado. Además, Tempus AI ha renovado un acuerdo financiero con AstraZeneca y varios analistas han emitido nuevas recomendaciones y objetivos de precio.
Director de contabilidad de Tempus AI vende acciones por $97,045
El Director de Contabilidad de Tempus AI, Ryan Bartolucci, vendió 1,540 acciones de la compañía el 17 de noviembre de 2026 por un valor total de $97,045. Estas ventas se realizaron para cubrir obligaciones de retención de impuestos relacionadas con el vesting de acciones restringidas. Además, Tempus AI anunció un acuerdo revisado con AstraZeneca por $200 millones y varias firmas analistas han ajustado sus perspectivas sobre la empresa.
Inteligencia Artificial revoluciona la predicción meteorológica y la investigación del cambio climático
La inteligencia artificial está revolucionando la predicción meteorológica y la investigación del cambio climático al hacer los modelos más rápidos y útiles. La IA permite analizar datos con mayor rapidez y facilita la creación de gemelos digitales para simular impactos climáticos futuros. Sin embargo, se señala que las herramientas de IA están limitadas por el conocimiento previo, y se necesita seguir experimentando con modelos fisicoquímicos complejos.
La inteligencia artificial, una herramienta cada vez más presente en clima y meteorología
La inteligencia artificial está generando grandes avances en la predicción meteorológica y la investigación del cambio climático, permitiendo simulaciones más rápidas y análisis de datos complejos. Se observa que los modelos de IA compiten con los modelos físicos, ofreciendo predicciones más precisas a corto plazo, aunque se reconoce que el futuro climático presenta incertidumbres y que los modelos deben seguir evolucionando.
La inteligencia artificial, una herramienta cada vez más presente en clima y meteorología
La inteligencia artificial está generando grandes avances en la predicción meteorológica y la investigación del cambio climático, permitiendo simulaciones más rápidas y análisis de datos complejos. Se está utilizando en gemelos digitales climáticos y se debate su rol como complemento o sustituto de los modelos numéricos tradicionales. Sin embargo, se advierte que las herramientas de IA están limitadas por el conocimiento previo, ya que el futuro climático puede presentar escenarios muy diferentes a los simulados.
La inteligencia artificial, una herramienta cada vez más presente en clima y meteorología
La inteligencia artificial está generando grandes avances en la predicción meteorológica y la investigación del cambio climático, permitiendo simulaciones más rápidas y análisis de datos más complejos. Se observa que los modelos de IA están compitiendo con los modelos físicos y que las predicciones a largo plazo son menos deterministas. Sin embargo, se advierte una limitación en que las herramientas de IA están entrenadas con datos pasados, sugiriendo la necesidad de seguir experimentando con modelos fisicoquímicos complejos.
La inteligencia artificial, una herramienta cada vez más presente en clima y meteorología
La inteligencia artificial está transformando las previsiones climáticas, permitiendo hacer simulaciones más rápidas y obtener resultados más utilizables en modelos tradicionales. La IA también se usa en gemelos digitales del clima para simular impactos futuros y en la predicción meteorológica a corto plazo. Sin embargo, se señala que las herramientas de IA están limitadas por el conocimiento previo, ya que el futuro climático puede ser diferente a lo experimentado.
Adaptación en tiempo de prueba a través de interacción humano-agente
Se propone la adaptación en tiempo de prueba a través de la interacción humano-agente (TAHI) para mejorar el rendimiento de los agentes de IA. Esta técnica integra señales de interacción para cristalizar los criterios de entrenamiento y evaluación de cada usuario. Los agentes adaptados muestran mejoras en el éxito de la tarea, y el módulo de rúbrica ayuda a detectar más fallos que los métodos tradicionales.
¿Pueden los modelos frontera resolver problemas interactivos en tiempo real?
Se presenta Realtime-Bench, un conjunto de tareas dinámicas para evaluar la capacidad de los modelos de IA para interactuar en tiempo real bajo restricciones temporales. Los resultados indican que los costos temporales limitan el éxito en entornos cambiantes y que existe un compromiso entre la calidad del razonamiento y la ejecución oportuna. Se proponen mejoras futuras para modelos multimodales con conciencia temporal.
Repensando la alineación multimodal para eventos físicos
Se propone un enfoque para la inteligencia artificial física que supera el reconocimiento de objetos estáticos, enfocándose en cómo se desarrollan las mecánicas del mundo real a lo largo del tiempo. Se demuestra que el método actual falla al promediar dinámicas cruzadas transitorias, lo que reduce la alineación a reconocimiento de escenas estáticas. Se introduce CounterPoint para identificar eventos físicos mediante la medición de co-fluctuaciones sincrónicas a nivel de fotograma, mejorando la alineación de eventos físicos.
Noticias encontradas
Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.
Resultados para «Tempus AI»
Más recientes primero · Hasta 30 noticias por página
Asegurando sistemas multiagente mediante el diseño
Se propone un método para asegurar sistemas multiagente mediante el diseño, abordando la manipulación de respuestas por agentes maliciosos. Se desarrolla un ataque (ReMA) para optimizar respuestas maliciosas y se propone SecMAS, una regla de agregación segura que defiende contra estos ataques manteniendo una utilidad similar. Las evaluaciones demuestran que SecMAS protege eficazmente contra ataques, incluso variantes adaptativas de ReMA.
MeReader: Asistente de IA offline, que preserva la privacidad y es consciente del progreso para la lectura de libros electrónicos narrativos
Se presenta MeReader, un asistente de IA offline y consciente de la privacidad diseñado para la lectura narrativa de libros electrónicos. El sistema utiliza una arquitectura híbrida para asegurar la fidelidad del contexto del lector. Los resultados indican que modelos locales pueden lograr una comprensión comparable a modelos más grandes, ofreciendo una alternativa privada a los servicios basados en la nube.
Dataset de correcciones de privacidad para la revisión de código
Se presenta PrivacyPR, un conjunto de datos de solicitudes de extracción de GitHub que contiene defectos de privacidad y sus correcciones, diseñado para evaluar la revisión de código consciente de la privacidad. El conjunto de datos incluye datos de código, discusiones de revisión y etiquetas generadas por LLM sobre el cumplimiento del GDPR. Los resultados indican que los agentes de codificación pueden detectar defectos de privacidad, aunque la detección es sensible a la intención de la revisión y puede generar falsas alarmas.
De datos a programa: Inferencia rápida y directa de programas generativos a partir de datos empíricos
Se presenta PRODiGI, un modelo preentrenado de datos a programa que infiere un programa generativo ejecutable en una sola pasada hacia adelante. Este modelo se entrena con conjuntos de datos sintéticos y sus programas de verdad fundamental. Se introduce también el ajuste fino en el espacio del programa, que reduce la MMD en un 90% y ofrece mejoras de velocidad significativas. Esto introduce una nueva dirección para el modelado generativo tabular rápido e interpretable.
No ocultado no eliminado: Cómo las redes suprimen características entrelazadas
Se investiga si la supresión de una característica en una red neuronal implica olvido o simple ocultamiento. El estudio utiliza un autoencoder para rastrear las contribuciones de características individuales. Se demuestra que la recuperación de una característica depende de la geometría de la representación y de los parámetros entrenados.
PUMA-Former: Computación Agentica con Conciencia de Incertidumbre en Redes Satelitales MEO-LEO
Se propone PUMA-Former, un marco agentico consciente de la incertidumbre para el offloading cooperativo en redes satelitales MEO-LEO con información incompleta. Este modelo busca equilibrar el trabajo completado, el retraso del servicio y el costo de ejecución. Los resultados demuestran que PUMA-Former mejora la finalización de trabajo computacional en un 8.62% y reduce el retraso promedio del servicio en un 34.78%.
Aprendan y apuesten: Aprendiendo reglas interpretables para la intervención fiable de agentes
Se presenta LeBet, un marco de aprendizaje estadístico diseñado para mejorar la intervención de agentes autónomos mediante monitores interpretables. Este marco aprende un monitor OR-de-AND y utiliza una estadística de apuesta para intervenir cuando se alcanza un umbral de evidencia. Los resultados muestran que el monitor aprendido reduce los tokens de entrada-salida y aumenta la precisión de la salida en pruebas específicas.
Evaluación sin modelo de la fidelidad del simulador mediante curvas de cuantiles
Se presenta un método para cuantificar la brecha "sim-to-real" en modelos de IA generativa al asociar parámetros latentes a sistemas real y simulado. El método utiliza conjuntos de confianza para estos parámetros para obtener un perfil de riesgo de la distribución del simulador. Se demuestra su utilidad evaluando la alineación de LLMs con poblaciones humanas en el conjunto de datos WorldValueBench.
De la escritura a la verificación por máquina: Lean para la identificación de sistemas
El artículo introduce el asistente de pruebas Lean 4 para la identificación y control de sistemas, utilizando la prueba como código para verificar inferencias mediante un kernel de software. Se presentan ejemplos sobre identificabilidad y invariancia del conjunto, y se analiza cómo Lean puede usarse para verificar resultados de la literatura científica. El trabajo finaliza discutiendo pautas para el uso de Lean en la investigación de identificación de sistemas.
Distribuciones programables de variantes que preservan el significado para evaluar agentes de código
Se evalúa la fiabilidad de los agentes de código al reparar problemas de software cuando el código circundante es reescrito a una forma semánticamente equivalente. Se comparan las tasas de resolución de agentes en variantes de código con la versión original bajo diferentes distribuciones. Los resultados muestran que la robustez de los agentes varía significativamente según la distribución utilizada y el modelo de lenguaje subyacente.
Modelo de acción lenguaje visión recursivo
Se presenta RB-VLA, una arquitectura centrada en la creencia diseñada para mejorar los modelos de visión-lenguaje-acción en tareas de largo horizonte. Esta arquitectura utiliza un modelo de mundo auto-supervisado para mantener un estado latente que codifica la historia y las interacciones de objetos, logrando mejores tasas de éxito en tareas de manipulación complejas. El método reduce la latencia de inferencia y elimina el crecimiento de memoria temporal en comparación con modelos previos.
Annealing del modelo: Aprendizaje eficiente con datos mediante revisión y consolidación
Se presenta el método Annealing del modelo, que utiliza la revisión y consolidación para reaprender del conocimiento de la red. Este enfoque divide el entrenamiento en episodios con tasas de aprendizaje que se elevan y enfrían, utilizando una memoria de versiones pasadas para mejorar la robustez y la precisión. El método demuestra mejoras en la precisión top-1 en varias arquitecturas de modelos.
La importancia de la tipografía en el comportamiento de tecleo a partir de decodificación de señales EMG
Se presenta un decodificador de tecleo basado en sEMG que integra la información muscular con la comprensión lingüística mediante un modelo de espacio de estados. Este sistema busca decodificar texto en tiempo real, considerando errores tipográficos y estructura del lenguaje, logrando una tasa de error de carácter de vanguardia. El modelo logra una mejora relativa del 5.4% con menos parámetros que los sistemas previos.
Generación de lexicalizaciones conceptuales mediante proyección de sentido basada en diccionario
Se presenta un método para expandir recursos léxicos a nuevos idiomas mediante la generación de sentidos a través de proyección semántica. El método utiliza un alineador preentrenado y un diccionario bilingüe para mejorar la precisión de las proyecciones de sentido. Los resultados indican que la estrategia propuesta es más precisa, interpretable y eficiente en recursos.
Modelos fundacionales espacio-temporales eficientes en datos
Se propone T2ST, un marco de entrenamiento eficiente en datos para modelos fundacionales espacio-temporales (STFM). Este método combina observaciones espacio-temporales limitadas con series temporales auxiliares y transferencia de conocimiento de modelos de series temporales congelados. Los resultados demuestran que T2ST puede lograr un rendimiento de pronóstico competitivo o superior al de modelos con datos completos, utilizando solo el 10% de los datos espacio-temporales originales.
MineralExp: Evaluación de agentes LLM para el diseño experimental en exploración mineral real
Se presenta MineralExp, un benchmark diseñado para evaluar agentes de modelos de lenguaje grande (LLM) en el diseño automatizado de experimentos geoquímicos para la exploración mineral. El sistema aborda la dificultad de seleccionar protocolos experimentales debido a la alta diversidad metodológica y la falta de estructura en los planes experimentales. MineralExp clasifica el diseño experimental como un problema de clasificación multi-etiqueta, utilizando datos verificados por expertos para medir la capacidad de los agentes LLM para generar planes experimentales viables.
Vías de entrada de información moldean el enlace en transformadores pequeños
Un estudio analiza cómo la forma en que la información llega a un transformador (como tokens simbólicos o vectores perceptuales) afecta su capacidad para vincular información composicionalmente. Los hallazgos indican que la legibilidad del código influye en la eficiencia de muestreo y que la estructura de las vías de información determina el resultado final. Se concluye que la legibilidad es un factor clave en el rendimiento del modelo.
OmniScore-Bench: Evaluando modelos vision-lenguaje en la lectura de partituras musicales
Se presenta OmniScore-Bench, una evaluación diseñada para medir las capacidades de los modelos visión-lenguaje (VLM) en la lectura de partituras musicales. La herramienta incluye 3,000 preguntas y 24 subtipos de tareas para evaluar la capacidad de estos modelos para reconocer notación, estructura e interpretación musical. El objetivo es diagnosticar las operaciones de lectura de partituras que los VLMs realizan de manera fiable y determinar áreas de mejora.
Dataset ScrapeGraphAI-100k para generación de LLM con esquema
Se presenta ScrapeGraphAI-100k, un conjunto de datos de 93,695 eventos de extracción con restricciones de esquema recopilados en 2025. El corpus incluye 25,453 esquemas en 15 idiomas, con el inglés representando el 89% del contenido. Este dataset permite evaluar el rendimiento de modelos de lenguaje grandes en la generación de salida conforme a esquemas JSON. El resultado sugiere que la base de datos real permite entrenar y evaluar modelos mejor que los corpus sintéticos previos.
Incertidumbres en el rastreo de la predicción del El Niño Extremo a las Corrientes Oceánicas de Mesoescala
Se demuestra que la incertidumbre en la predicción del ENSO puede originarse en errores de mesoescala en los estados oceánicos iniciales, en lugar de solo errores a escala de gran escala. El método CNOP identificó errores de corriente más influyentes que son fuertemente dependientes del evento. Estos errores de corriente perturban la estructura de temperatura del océano y afectan el desarrollo del El Niño. Los hallazgos sugieren una fuente de fallo de pronóstico del ENSO no explorada, proporcionando una base para futuras observaciones oceánicas.
POMDPs Multi-Environment con Objetivos de Horizonte Finito
Se investigan los Procesos de Decisión de Markov Parcialmente Observables (POMDPs) en entornos multi-entorno (MEPOMDPs) con objetivos de horizonte finito. El trabajo aborda la complejidad de razonar sobre creencias y pagos a través de múltiples entornos. Se demuestra que mezclas de políticas deterministas son suficientes para resolver el problema y se presenta un algoritmo práctico que supera al método conocido.
Superfluid: Servidor de IA local para inferencia distribuida de LLM
Se presenta Superfluid, un servidor de LLM de código abierto diseñado para inferencia local en diferentes escalas. Este sistema permite mantener la privacidad de los datos, reducir costos y latencia de red al ejecutar modelos en dispositivos locales. Superfluid puede operar en modo interactivo o como un punto final de API distribuido, mejorando el rendimiento en pruebas con diferentes hardware.
LuthorSQL: Un modelo de Text-to-SQL de pasada única como Sistema 1 para un agente LLM más lento
Se presenta LuthorSQL, un modelo de text-to-SQL no autoregresivo de 7B diseñado para actuar como un mecanismo de Sistema 1 rápido para agentes LLM más lentos. Este modelo busca reducir la dependencia de llamadas costosas a modelos alojados, logrando una precisión competitiva y reduciendo el costo de la API en un 33.3% al responder preguntas localmente.
Redes Neuronales Gráficas Wavelet Chi-Square para Detección de Anomalías Heterogéneas
Se propone ChiGAD, un marco de GNN espectral basado en un filtro Chi-Cuadrado, para la detección de anomalías en redes heterogéneas. Este método busca superar las limitaciones de los GNN existentes al capturar señales anómalas y manejar el desequilibrio de clases. Los experimentos demuestran que ChiGAD supera a modelos de vanguardia en múltiples métricas.
Binarización como superficie de ataque en redes neuronales sin peso
Se investigan las Redes Neuronales sin Peso (WNNs) como clasificadores ligeros para tareas con recursos limitados como la detección de intrusiones. Se analiza la robustez de estas redes a perturbaciones adversarias al cruzar umbrales de binarización. Los experimentos demuestran que la granularidad de la codificación afecta el equilibrio entre la precisión limpia y el éxito del ataque adversario.
LLM guía la gestión del ciclo de vida de clústeres comportamentales
Se investiga una alternativa donde un modelo de lenguaje grande (LLM) toma la decisión sobre el ciclo de vida de los clústeres comportamentales, en lugar de métodos basados en umbrales o reclasificación. El LLM decide si un clúster debe dividirse, fusionarse o retirarse basándose en una visión estadística de la población, ajustando la política según la riqueza de la etiqueta. Los resultados indican que el modo seleccionado por el LLM logra el mejor rendimiento en precisión en tres conjuntos de datos públicos, superando a las heurísticas de umbral.
Inducción de programas interactiva con priors de modelo de lenguaje
Se describe un método de inducción de programas interactiva que utiliza un modelo de lenguaje como prior para recuperar un programa a partir de ejemplos de entrada-salida. El algoritmo propuesto demuestra una mejora en la precisión sobre el agente basado solo en el modelo de lenguaje, logrando una mejora de hasta 22 puntos porcentuales con menos ejemplos de entrada-salida.
Aprendizaje guiado por preferencia en el conjunto de Pareto mediante optimización Min-Max-Min
Se presenta un nuevo algoritmo de primer orden, ParetoM^3, diseñado para resolver problemas de optimización multi-objetivo guiada por preferencia. Este método busca unificar la optimización de preferencias con la aplicación de la optimidad de Pareto débil mediante una formulación min-max-min. Los experimentos demuestran que el algoritmo logra soluciones óptimas de Pareto débil preferidas con un rendimiento práctico sólido.
Inyectar un giro, no un token: Aprendiendo dónde redirigir el razonamiento del LLM para la autocorrección
Se presenta un método llamado UPTURN para mejorar la capacidad de los modelos de lenguaje grandes para corregir sus propios errores de razonamiento. Este enfoque permite redirigir el razonamiento mediante la inyección de instrucciones en un nuevo turno de usuario, logrando mejoras en la precisión en varios benchmarks matemáticos. El marco UPTURN no requiere ajuste fino del LLM y supera a otros métodos de corrección existentes.
Auditorías que preservan la función de lectores de peso visual
Se investiga la distinción entre representaciones de imágenes codificadas por un campo neuronal y la función visual, utilizando transformaciones que preservan la función. Los resultados muestran que cambios en el sesgo oculto afectan las predicciones de los lectores, y que la invariancia no es suficiente para recuperar la información completa. Estos hallazgos distinguen la invariancia de la información visual útil y la evidencia necesaria para evaluar lectores estocásticos.