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
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.
Cuando la evaluación se convierte en intervención en IA clínica
Se describe cómo los jueces de IA, modelos que evalúan la salida de otro sistema contra una rúbrica, extienden la revisión clínica a la escala de la IA clínica. Se analiza cómo el uso de evaluaciones de jueces en la selección de prompts o entrenamiento de modelos puede influir en la selección de errores por parte del juez. Se detalla el contenido requerido del informe del juez y la necesidad de pruebas clínicas independientes para los cambios impulsados por el juez.
Modelo de Fundación Vision-Language-Action Generalista para Agentes de Juego en Tiempo Real a Largo Plazo
Se presenta Gamer, un marco de agente generalista diseñado para tareas de largo horizonte en entornos interactivos complejos. Su arquitectura integra percepción, gestión de memoria y razonamiento de múltiples pasos para interactuar con interfaces 2D y mundos 3D. El modelo demuestra eficiencia operativa comparable a jugadores expertos en juegos 3D y logra resultados competitivos en benchmarks 2D.
WETW: Distancias Euclidianas Ponderadas Específicas para Aprendizaje DTW Eficiente
Se propone la Distancia Temporal Euclidiana Ponderada (WETW) para mejorar la búsqueda de similitud en series temporales desalineadas, buscando reducir el costo cuadrático del DTW. El método WETW-FV demuestra ser significativamente más rápido que métodos exactos, manteniendo una alta precisión en la búsqueda de distancias.
A$^3$: Marco de agente de audio adaptativo para computación en el borde colaborativa
Se presenta A$^3$, un marco de agente de audio adaptativo diseñado para la computación en el borde colaborativa. Este marco gestiona la colocación de etapas del *pipeline* en el servidor, mantiene un agente de respaldo en dispositivos locales y utiliza un límite de tiempo consciente del enlace para gestionar fallos de conexión. El sistema demuestra rendimiento en dispositivos Jetson y servidores RTX A4500.
Astraios: Modelos de LLM con ajuste eficiente de parámetros
Se presenta Astraios, una suite de 28 modelos OctoCoder ajustados con instrucciones utilizando 7 métodos de ajuste y 4 tamaños de modelo hasta 16 mil millones de parámetros. La investigación compara métodos de ajuste fino (FFT y PEFT) en tareas de comprensión y generación de código. Se concluye que LoRA ofrece el mejor equilibrio entre coste y rendimiento, y que la efectividad del ajuste en modelos pequeños se generaliza a modelos más grandes.
¿Sobreviven los juicios de verificación a la abstracción? Midiendo el transporte de verificación para la evaluación de agentes de LLM
Se investiga la fiabilidad de los juicios de verificadores basados en LLM cuando la evidencia de ejecución cambia debido a diferentes niveles de abstracción. Se introduce el Transporte de Verificación para medir la estabilidad de estos juicios bajo cambios en la observabilidad de la ejecución. Los resultados indican que existen fallos significativos de transporte, sugiriendo que la precisión de la vista nativa no es suficiente para garantizar la fiabilidad del verificador.
Aprendizaje automático generativo para el diseño de proteínas
Se revisan 59 enfoques generativos de inteligencia artificial para el diseño de proteínas, abarcando tareas como la generación de secuencia y diseño de estructura. El trabajo analiza cómo se utilizan restricciones estructurales y datos funcionales para generar nuevas proteínas. Se discuten los desafíos actuales y las perspectivas futuras para mejorar el diseño de estructuras proteicas mediante modelado generativo.
Aproximación de Manifold conduce a una Alineación de Kernel Robusta
Se propone la Alineación de Kernel Aproximada por Manifold (MKA) para mejorar la comparación de representaciones al incorporar la geometría del manifold (vecindario local). MKA busca superar las limitaciones de la alineación de kernel centrada (CKA) al abordar la dependencia del manifold subyacente. Los resultados empíricos indican que MKA es menos sensible a los hiperparámetros y captura relaciones topológicas importantes en diversas tareas.
Modelos de Visión-Lenguaje-Acción: Un estudio del ciclo de vida de diseño, entrenamiento y despliegue
Se presenta un estudio exhaustivo sobre los modelos de visión-lenguaje-acción (VLA), revisando su ciclo de vida desde el diseño hasta el despliegue. El análisis muestra tendencias en el aumento de datos de entrenamiento, la división en tamaños de modelos y el surgimiento de modelos generalistas que combinan manipulación y navegación. Se comparan estos modelos con otros sistemas y se evalúan sus limitaciones en condiciones reales.
RACE: Clasificación de la Capacidad Adaptativa para Recomendación Secuencial Eficiente
Se presenta RACE, un marco que adapta dinámicamente estructuras de modelo y secuencias de entrada con ratios de compresión conscientes de la incertidumbre para la recomendación secuencial eficiente. El enfoque busca resolver la discrepancia entre capacidad y complejidad al adaptar la compresión del modelo. Los experimentos demuestran que RACE supera a los métodos de vanguardia en precisión, eficiencia y adaptabilidad.
La Maldición de la Alineación: La alineación de modalidades potencia los ataques de audio mediante transferencia de texto
Se introduce el concepto de "Maldición de la Alineación", un principio que demuestra que una mayor alineación entre modalidades facilita la transferencia de vulnerabilidades de ataques de texto a audio. Se evalúan tres categorías de ataques en modelos omnimodales, encontrando que los ataques de audio transferidos desde texto son comparables o superiores a los ataques basados solo en audio. Esto sugiere que las vulnerabilidades basadas en texto son cruciales para determinar los riesgos de seguridad en modelos de audio.
Explicaciones clínicas basadas en evidencia para pacientes específicos
Se presenta un motor de explicaciones clínicas basado en razonamiento de grafo de conocimiento para inferencias de pacientes. El sistema evalúa la disponibilidad, la representación y la consistencia de datos en un gran conjunto de datos clínicos. Se logró una consistencia de disponibilidad-representación del 99.29% y se validaron los resultados mediante auditorías exhaustivas. La auditabilidad estructural e implementativa fue establecida, aunque la corrección clínica y utilidad aún están por establecerse.
Solo tan seguros como el agente más débil: una ruptura que aparece solo cuando el sistema es multiagente
Se demuestra que los sistemas multiagente, como Codex y Claude Code, pueden ser vulnerados por ataques dirigidos a sus componentes internos. La seguridad de estos sistemas depende de la seguridad del agente más débil, no del orquestador principal. Esto implica que las fallas en la seguridad pueden propagarse a través de la delegación de tareas entre agentes fuertes y débiles.
Alineación pluralista en modelos de lenguaje grandes: objetivos, referencias humanas y representaciones de preferencia
El artículo aborda la alineación pluralista en modelos de lenguaje grandes, buscando representar la variación en las preferencias humanas en lugar de unificar juicios diversos. Propone una taxonomía de dos capas (Pluralismo de Overton, Dirigible y Distributivo) para clasificar el comportamiento deseado de los modelos. El estudio analiza la evidencia necesaria para demostrar el éxito de estos enfoques y cómo futuros sistemas pueden manejar el desacuerdo.
QVal: Evaluando señales de supervisión densa para agentes LLM de largo horizonte
Se presenta QVal, un campo de pruebas sin entrenamiento diseñado para medir el alineamiento Q de señales densas en agentes LLM. El trabajo evalúa 21 métodos en siete familias de modelos para determinar cómo las señales intermedias ordenan las acciones en relación con sus retornos. Se concluye que las señales basadas en *prompting* simple son las más alineadas Q, y el alineamiento Q se correlaciona fuertemente con el éxito en tareas.
D-VLA: Un marco de aprendizaje por refuerzo distribuido asíncrono de alta concurrencia para modelos de visión-lenguaje-acción
Se presenta D-VLA, un marco de Aprendizaje por Refuerzo distribuido de alta concurrencia y baja latencia diseñado para modelos fundacionales encarnados a gran escala. Este marco aborda los cuellos de botella de recursos entre la simulación física y las demandas de memoria de los modelos VLA mediante técnicas como el desacoplamiento de planos y un *pipeline* asíncrono. Los experimentos indican que D-VLA supera a otros marcos de RL en rendimiento y eficiencia de muestreo para modelos VLA de billones de parámetros.
Brain2Vec: Un modelo de base 3D auto-supervisado para resonancias magnéticas cerebrales estructurales
Se presenta Brain2Vec, un modelo de base preentrenado en 74,425 escáneres de resonancia magnética (MRI) T1 ponderados, diseñado para tareas de aprendizaje profundo en imágenes médicas. El modelo muestra mejor precisión y convergencia en tareas de predicción de edad cerebral y supera a otros modelos en el benchmark BrainFMBench. El código y los modelos están disponibles como paquete de código abierto.
Auditoría in silico de la organización topográfica en un modelo de respuesta cerebral multimodal
Se presenta un estudio in silico utilizando el modelo TRIBE v2 para predecir respuestas fMRI a partir de video, audio y texto. El estudio evalúa la capacidad del modelo para predecir la organización topográfica sensorial, encontrando que la retinotopía y la tonotopía fallan, pero la selectividad de movimiento se localiza con precisión.
Aprendiendo a leer: Dinámicas de incrustación en el preentrenamiento de modelos de lenguaje
Se investiga cuándo un modelo de lenguaje adquiere una capacidad, enfocándose en la relación entre los estados ocultos del modelo y su matriz de incrustación (readout). Los autores proponen una técnica para rastrear directamente esta lectura y encuentran que una ventana temprana en el preentrenamiento permite que la lectura reorganice categorías de palabras, sugiriendo que la fecha de comportamiento puede reflejar cuándo la lectura aprende a expresar información de la tarea.
Medición automatizada del diámetro aórtico en imágenes de TC
Se desarrolló y evaluó una herramienta automatizada de código abierto para medir diámetros aórticos en 11 puntos estandarizados mediante imágenes de TC. El estudio mostró un error absoluto medio (MAE) de 1.06 mm, lo que indica un buen acuerdo con la variabilidad inter-lectores publicada. La herramienta fue validada en 230 pacientes y se considera una herramienta útil para la medición radiológica.
¿Pueden los agentes mantener el ritmo con el tiempo? Análisis empírico de la adaptación temporal después de un hiato conversacional
Se investiga si los agentes de largo horizonte pueden percibir y utilizar el tiempo al interpretar registros con fechas pasadas. Los experimentos indican que los agentes pueden obtener el tiempo actual, pero frecuentemente fallan en aplicarlo correctamente. Se sugiere que proporcionar contexto temporal explícito puede reducir el error al adaptar los planes a la fecha actual.
No se identificaron personas.
Probabilidades de Causalidad en Modelos Causalidad No Determinísticos
El estudio aborda las probabilidades de causalidad en modelos causales no determinísticos, analizando mecanismos que pueden ser estocásticos incluso con variables latentes fijadas. Se desarrolla un programa de identificación para datos observacionales e intervencionistas, calculando límites analíticos sobre las probabilidades de causalidad. Los resultados clarifican la relación entre los límites clásicos y la semántica causal no determinística.
Equilibrio Latente Variacional para el Aprendizaje en Circuitos Neuronales
El artículo propone un formalismo general para aproximar la retropropagación a través del tiempo (BPTT) de manera biológicamente plausible. El trabajo desarrolla una regla de aprendizaje para los pesos hacia atrás que busca ecuaciones totalmente locales en espacio y tiempo para la dinámica de neuronas y sinapsis. Esto establece un marco riguroso para el aprendizaje profundo espaciotemporal en el cerebro.
Control de activación basado en el tiempo: De la puerta de token por token a la dirección de activación consciente de la trayectoria
Se presenta un método para controlar el comportamiento de modelos de lenguaje grandes mediante el direccionamiento de activación, enfocándose en el momento preciso de la intervención. Se introducen dos métodos: Proyección de Características Contrastivas (CFP) y Direccionamiento Bernoulli Adaptativo de Bucle Cerrado (CLABS). CLABS es especialmente efectivo bajo presupuestos ajustados, buscando mantener la fluidez mientras se corrige la desviación de la trayectoria.
CarryOn: Aprendiendo qué guardar en contexto para agentes LLM a largo plazo
Se presenta CarryOn, un gestor de contexto ligero diseñado para agentes LLM de horizonte largo, que gestiona la evidencia de manera eficiente. El sistema utiliza un selector aprendido y una política de retención adaptativa para mantener la evidencia relevante sin requerir llamadas adicionales al LLM. CarryOn demostró un éxito de tarea del 75.7% en pruebas comparado con la mejor línea base.
Descubrimiento causal de series temporales con desfases variables
Se presenta un método para el descubrimiento causal de series temporales que aprende conjuntamente el orden temporal y el desfase dominante para pares de variables. El método utiliza una puntuación de objetivo BIC-style descomponible que penaliza los desfases más recientes. Las simulaciones demuestran que este método supera a otros aprendices en la recuperación de estructuras causales, incluso cuando se consideran desfases mayores.
Suites de evaluación generadas como búsqueda impulsada por la diversidad para regresiones de agentes reales
El texto describe la generación de suites de evaluación a partir de la especificación de un agente mediante una búsqueda impulsada por la diversidad. Se inyectan defectos controlados en un agente para medir la cobertura y el rendimiento de la suite generada. Se analizan dos regímenes de defectos, incluyendo defectos alineados con el rastro y ortogonales al rastro, para evaluar la capacidad de detección de la suite.
ARCHER: De la imitación de la racionalización al razonamiento ejecutable en modelos de lenguaje pequeños
Se presenta ARCHER, un marco de dos etapas para entrenar modelos de lenguaje pequeños (SLMs) a generar trayectorias de razonamiento ejecutables y auditables. El método transforma la supervisión de imitar texto a aprender una política de razonamiento fundamentada en herramientas. Los resultados muestran mejoras significativas en benchmarks matemáticos como MATH-500, AIME-2024 y AIME-2025.
Detectores de noticias falsas están sesgados contra textos generados por modelos de lenguaje grandes
Un estudio evalúa detectores de noticias falsas y descubre un sesgo significativo: estos detectores tienden a marcar el contenido generado por Modelos de Lenguaje Grandes (LLM) como falso, pero clasifican erróneamente la desinformación escrita por humanos como genuina. Se propone una estrategia de mitigación mediante entrenamiento adversarial para mejorar la precisión de detección en ambos tipos de contenido. Se liberan dos conjuntos de datos para fomentar la investigación futura en el campo.