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
TPO: Aprendizaje Robusto Distribuible de Tres Niveles para la Optimización de Preferencias OOD
Se presenta TPO, un marco robusto distributivo de tres niveles para la alineación de preferencias OOD, abordando el desafío del desajuste distributivo en tres niveles (grupo, prompt y preferencia) en el entrenamiento de LLM. El método modela esta incertidumbre mediante un conjunto de ambigüedad rectangular jerárquicamente estructurado. Se deriva un objetivo interpretable que combina penalizaciones a nivel de preferencia, perturbaciones a nivel de prompt y reponderación de grupo.
SLogic: Aprendizaje de reglas lógicas informado por subgrafo para la completación de grafos de conocimiento
Se presenta SLogic, un marco novedoso para la completación de grafos de conocimiento que asigna puntuaciones dependientes de la consulta a las reglas lógicas. Este método utiliza una función de puntuación consciente del contexto para determinar la importancia de las reglas basándose en el subgrafo local definido por la entidad de la consulta. SLogic logra un rendimiento competitivo y genera reglas lógicas legibles por humanos que explican sus inferencias.
No se identificaron personas.
No todos los despliegues necesitan destilación: Distilación auto-filtrada por corrección
Se presenta la OPSD filtrada por corrección (C-OPSD) para supervisar trayectorias generadas por estudiantes, buscando optimizar la destilación de respuestas incorrectas. Los resultados demuestran que C-OPSD logra un rendimiento comparable a la OPSD completa y reduce el tiempo de entrenamiento y el cómputo requerido. Esto conecta la redundancia de supervisión condicionada por resultado con una destilación más eficiente.
DoAtlas-2: Una base para el descubrimiento biomédico causal autoevolutivo
Se presenta DoAtlas-2, una base para el descubrimiento biomédico causal autoevolutivo que integra recursos de investigación y evidencia de poblaciones humanas. Esta herramienta organiza el conocimiento en torno a mecanismos causales y genera preguntas de investigación, revisando continuamente las interpretaciones y la frontera del descubrimiento. El sistema permite unificar el descubrimiento de mecanismos causales, la prueba de evidencia poblacional y la predicción interpretable en un fundamento en constante evolución.
Muestreo de fotogramas condicionado por consulta para la comprensión de video de larga duración basado en MLLM
Se propone un marco de muestreo de fotogramas basado en la evidencia, motivado por la teoría de la información, para mejorar la comprensión de videos de larga duración con MLLMs. El método utiliza una red de puntuación de evidencia entrenada para seleccionar fotogramas relevantes, superando estrategias anteriores en benchmarks de comprensión de video. Los experimentos demuestran una mejora significativa en la selección de fotogramas con un presupuesto fijo.
Palabras iguales, juicios diferentes: Cómo varían las preferencias entre modalidades
Se investigó el alineamiento de sistemas de IA con preferencias humanas mediante el aprendizaje por refuerzo basado en preferencias (PbRL). El estudio comparó evaluaciones de preferencias en texto y audio para contenido semántico idéntico. Los resultados indican que los protocolos de evaluación para datos de audio requieren un diseño específico para esa modalidad, ya que las modalidades reportan preferencias de manera diferente.
TorchUMM: Una base de código unificada multimodal para evaluación, análisis y post-entrenamiento
Se presenta TorchUMM, la primera base de código unificada para la evaluación, análisis y post-entrenamiento de modelos multimodales unificados (UMM). Esta herramienta permite evaluar modelos a través de diversas arquitecturas, tareas y conjuntos de datos, ofreciendo protocolos estandarizados para comparaciones reproducibles. El objetivo es facilitar el desarrollo de sistemas multimodales unificados más capaces.
El Agente Fármaco: Un Científico de IA Escalable para el Descubrimiento de Fármacos
Se presenta El Agente Fármaco, un científico de IA que utiliza LLMs para transformar objetivos de descubrimiento de fármacos en flujos de trabajo computacionales escalables. El sistema utiliza una memoria científica compartida, Fármaco Atlas, para rastrear la procedencia de las moléculas. El agente puede iniciar cálculos para colecciones enteras de moléculas con una sola solicitud, mejorando la eficiencia del descubrimiento de fármacos.
Paradojas narrativas en la inferencia de LLM: Modelando trayectorias de razonamiento hacia la desalineación
Se presenta un ataque novedoso llamado PDRA para explorar la vulnerabilidad del proceso de razonamiento de múltiples pasos en LLM. El método programa una trayectoria de razonamiento dañina mediante la creación de un núcleo narrativo paradójico. Esto fuerza al modelo a través de un análisis de tres etapas para generar contenido dañino manteniendo la coherencia narrativa. El ataque demuestra alta eficiencia en lograr tasas de éxito de ataque en diversos LLM.
MCPGuard: Encontrando lagunas de conformidad en los SDKs de MCP mediante análisis de doble vía y adjudicación dinámica
Se presenta MCPGuard, un marco automatizado basado en LLM diseñado para detectar lagunas de conformidad entre las especificaciones del Protocolo de Contexto del Modelo (MCP) y sus SDKs. Esta herramienta utiliza análisis estructural y de comportamiento para verificar si los modelos de SDKs cumplen con las restricciones de especificación. El sistema confirma fallos en SDKs oficiales de Python y TypeScript, indicando que las brechas de conformidad pueden propagarse en aplicaciones posteriores.
Cuando el debate amplifica el riesgo: Vulnerabilidades de sesgo social en la deliberación de seguridad multiagente
Se investiga cómo la estructura social de la deliberación multiagente (MAD) en aplicaciones web puede amplificar riesgos de seguridad latentes debido a sesgos sociales como la presión de conformidad y la deferencia a la autoridad. Se demuestra que el MAD estándar puede llevar a una adopción insegura del 100.0% al permitir que la presión social anule la evidencia de seguridad. Se propone un marco de auditoría llamado RiskTrace-Debias para mitigar esta fragilidad, buscando suprimir la adopción insegura a un 2.0% sin afectar la capacidad de rechazo de la guía.
Aprendizaje por refuerzo Multi-Axis Max@K para la diversidad representativa en la generación de texto a imagen
Se presenta MultiMaxPO, un método de post-entrenamiento basado en aprendizaje por refuerzo para modelos de difusión de texto a imagen. Este método busca mejorar la diversidad representativa de las imágenes generadas, midiendo qué tan bien las muestras cubren modos visuales como colores o categorías raciales. Se demuestra que MultiMaxPO mejora la puntuación de equidad en Stable Diffusion 3.5 Medium y FLUX.1-dev, manteniendo la calidad y la alineación con el texto.
LeanPRM: Supervisión de procesos basados en Lean para la verificación de pruebas en lenguaje natural
Se presenta LeanPRM, un marco que utiliza el asistente de pruebas Lean para etiquetar pasos de pruebas en lenguaje natural. Este sistema permite a un modelo escribir pruebas junto con su versión formal, y luego utiliza un segundo modelo para marcar errores matemáticos. El entrenamiento en LeanPRM mejora la precisión de los verificadores de IA en diversos tamaños de parámetros.
Límites de escalado de transformadores de contexto largo
El estudio analiza el límite de contexto largo de la atención auto-atención con una consulta fija y un contexto aleatorio de claves i.i.d. en la esfera. Se determina la escala crítica para la emergencia de selectividad y se caracterizan las leyes límite de los pesos de atención en diferentes regímenes de temperatura inversa. Se explora el caso subcrítico donde la salida se reduce a un promedio local con sesgo determinista y fluctuaciones gaussianas.
Free Draft-and-Verification: Hacia un Decodificado Paralelo sin Pérdida para Modelos de Lenguaje de Difusión
Se presenta el algoritmo Free Draft-and-Verification (FreeDave), un método de decodificación rápida y sin entrenamiento para Modelos de Lenguaje de Difusión (dLLMs). Este algoritmo busca acelerar la inferencia mediante la verificación rigurosa de predicciones de tokens futuros, logrando una aceleración algorítmicamente sin pérdida. Las evaluaciones demuestran que FreeDave puede aumentar el número de tokens generados y los tokens por segundo significativamente, manteniendo la calidad de la generación.
CausalBind: Modelado Causal y Aprendizaje para Cribado Virtual de Proteínas-Moléculas
Se propone CausalBind, un modelo causal para el cribado virtual de proteínas-moléculas, enfocándose en los patrones de interacción dispersos en lugar de estructuras globales. Los experimentos demuestran que las variantes del modelo superan a las líneas base y generalizan bien a divisiones de datos fuera de distribución. El trabajo aborda la identificación de conceptos latentes en la interacción proteína-molécula.
Inferencia con división consciente para sistemas IoT en el borde
Se propone un enfoque de recuperación consciente de réplicas para mitigar las limitaciones de recursos de hardware en dispositivos IoT mediante la distribución de segmentos de modelos TinyML. Este método utiliza programación lineal entera mixta para minimizar la latencia de inferencia post-reconfiguración. Las simulaciones demuestran que este enfoque reduce la latencia de inferencia en comparación con métodos basados en greedy y aleatorios.
¿Quién construyó este modelo? Trazando el linaje de los LLM a través de huellas dactilares espectrales en el espacio de pesos
Se investiga el linaje de los Modelos de Lenguaje Grandes (LLM) de código abierto mediante el análisis de sus huellas dactilares en el espacio de pesos. Se propone un marco geométrico para distinguir entre modelos de diferente origen y aquellos con bases compartidas. Los experimentos demuestran que la geometría del espacio de pesos ofrece una señal robusta para la discriminación del linaje del modelo.
¿Qué tan profundos son los GPs profundos realmente? Un umbral agudo y un límite no gaussiano para los GPs composicionales
El artículo estudia el comportamiento límite de los priori en modelos bayesianos profundos, específicamente cuando cada capa es un proceso gaussiano valorado vectorial. Se establecen nuevos resultados sobre un umbral de ancho de banda crítico para determinar si el priori degenera, y se demuestra que existen límites no triviales y no gaussianos para estos priori.
AegisVox: Privacidad factorizada y preservación clínica para el habla de larga duración
Se presenta AegisVox, un marco factorizado diseñado para proteger la privacidad en el habla clínica mediante la asignación de voces sustitutas consistentes y la edición de turnos identificadores. El sistema compara la realización de reemplazo entre diferentes renderizadores de texto a voz y evalúa la preservación clínica y el vínculo del hablante. El objetivo es evaluar los compromisos entre la realización de reemplazo y la precisión clínica o el vínculo del hablante.
TFusionOcc: Marco de fusión multi-sensor basado en primitivas T para predicción de ocupación semántica 3D
Se presenta TFusionOcc, un marco de fusión multi-sensor basado en primitivas T para la predicción de ocupación semántica 3D. El trabajo introduce primitivas T basadas en la distribución t y una arquitectura de fusión acoplada para integrar datos de cámara y LiDAR. Los experimentos demuestran un rendimiento competitivo y robusto en escenarios de corrupción en benchmarks como nuScenes y SemanticKITTI.
Capa de dispersión auditable y garantizada por conservación, probada teóricamente en teoría de juegos sobre los caminos de razonamiento de LLM
Se propone la capa de dispersión Deposon para abordar la falta de un registro auditable en los caminos de razonamiento de LLM. Esta capa vincula nodos del grafo de descomposición de conceptos a un estado Deposon y utiliza dispersión de tres canales. Los resultados indican que la capa es indistinguible de un filtro de regla trivial en pruebas reales, sugiriendo que el valor diferencial reside en la verificabilidad por máquina.
Predicción de estructuras proteicas en cualquier etapa de plegamiento a partir de la secuencia
Se presenta FoldScape, un marco de aprendizaje profundo que genera conjuntos conformacionales de C$\alpha$ para proteínas en diferentes fracciones de plegamiento. Este método ofrece una cobertura superior de las etapas de plegamiento en comparación con AlphaFold 3, manteniendo una precisión de reconstrucción estable. Los autores demuestran que los enfoques son complementarios, ya que FoldScape cubre un rango más amplio de estados plegados.
HISA: Indexación Esparsa Jerárquica Eficiente para Atención de Granularidad Fina
Se presenta HISA (Hierarchical Indexed Sparse Attention), un reemplazo para el indexador en mecanismos de atención esparsa para mejorar la eficiencia. HISA transforma la búsqueda de un escaneo de token plano a un procedimiento jerárquico de dos etapas. Esto incluye un filtrado grueso a nivel de bloque seguido de un refinamiento a nivel de token. El método mantiene el patrón de atención esparsa y supera a las soluciones basadas en bloques.
Pérdida Log-Correntropía Adaptativa para Aprendizaje Robusto bajo Ruido No Gaussiano
Se propone la Pérdida Log-Correntropía Adaptativa (ALCL) para mejorar la robustez del aprendizaje profundo frente a ruido no gaussiano. Esta pérdida aprende dinámicamente sus parámetros de robustez durante la optimización, superando a pérdidas estáticas como el MSE. Los experimentos demuestran que ALCL ofrece mejor fidelidad de reconstrucción y mayor precisión de clasificación en entornos de alto ruido.
Ventaja de progreso sin costo para agentes de LLM después del entrenamiento
Se demuestra que el aprendizaje por refuerzo (RL) post-entrenamiento proporciona una ventaja implícita, denominada ventaja de progreso, que permite la evaluación a nivel de paso de LLMs sin necesidad de entrenar modelos de recompensa dedicados. Esta formulación es agnóstica al dominio y supera a los modelos de recompensa entrenados, ofreciendo una solución práctica para sistemas de agentes. Los resultados validan esta ventaja en diversas aplicaciones, incluyendo escalado en tiempo de prueba y cuantificación de incertidumbre.
Repensando el paradigma no supervisado en la detección de anomalías de series temporales
Se investiga la detección de anomalías en series temporales (TSAD) comparando modelos no supervisados con modelos supervisados minimalistas. Los resultados empíricos sugieren que los modelos supervisados minimalistas alcanzan una precisión comparable o superior a alternativas no supervisadas complejas. Se concluye que la utilización de etiquetas es beneficiosa cuando están disponibles, complementando la complejidad algorítmica.
TactiNavi: Sirviendo y Revisando un Entrenador de Juego LLM con Condiciones de Estrategia Explícitas
Se presenta TactiNavi, un sistema de servicio para un agente de coaching LLM de un juego comercial de mundo abierto. Este sistema gestiona la aplicabilidad de la estrategia como un artefacto explícito, mejorando la precisión de la estrategia y reduciendo la mala aplicación bajo cambios en el estado del jugador. Los resultados demuestran mejoras significativas en la corrección y la verificación de afirmaciones mediante el uso de paquetes con condiciones.
Geometría compartida como piedra Rosetta: Alineación intermodal sin datos emparejados
Se demuestra que los modelos entrenados independientemente pueden alinear representaciones de diferentes modalidades sin necesidad de datos emparejados. El método GeoWarP logra alinear conjuntos de incrustaciones mediante la estimación de un mapa ortogonal sin pares. Estos resultados indican que los modelos a menudo comparten suficiente geometría para establecer correspondencia intermodal con poco o ningún dato emparejado.
Personalización para persuadir: Los efectos de la contextualización y la calidez en la confianza y la dependencia en la IA conversacional
Un experimento examinó cómo la contextualización y la calidez afectan la persuasión y la dependencia de los usuarios hacia asistentes de IA conversacionales. Los resultados indicaron que el asistente neutral y no contextualizado fue el más persuasivo, aunque la interacción entre contextualización y calidez aumentó la persuasión. Se encontró que la confianza predecía la persuasión y la dependencia, pero ni la contextualización ni la calidez alteraron significativamente la dependencia.
No se identificaron personas.