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
베스핀글로벌 lanza agente de IA ejecutable para apuntar al 'trampa piloto de IA'
Vespin Global lanzó el agente de IA empresarial 'HelpNow Computer', un agente de IA ejecutable diseñado para transformar las solicitudes del usuario en planes de ejecución paso a paso. Este agente puede manipular sistemas internos para realizar tareas como la entrada de datos, la generación de documentos y la consulta de sistemas. El objetivo es superar el 'trampa piloto de IA' al pasar de la simple provisión de información a la ejecución real de tareas empresariales.
Localización de marcas de agua mediante escaneo y búsqueda eficiente
Se presenta un nuevo marco llamado BELL para localizar marcas de agua en contenido generado por IA en modelos de lenguaje grandes (LLM). La estrategia adaptativa concentra el presupuesto de detección en áreas con evidencia de marca de agua más fuerte. Los resultados experimentales demuestran que BELL supera a métodos anteriores en diversos esquemas de marcado.
Repensando la IA en la imagenología médica: Supuestos, realidad y reformulación; hacia el razonamiento agentico centrado en el médico
Se analiza la brecha entre la investigación en IA para imagenología médica y su aplicación práctica clínica. Se identifica un desalineamiento estructural entre el diseño de los sistemas de IA y la toma de decisiones médicas. Se propone una solución enfocada en desarrollar soluciones de IA centradas en el médico con razonamiento agentico para complementar el juicio clínico.
Agentes de borrador, no solo tokens: Mejora recursiva especulativa para sistemas agentes
Se propone Speculative Recursive Self-Improvement (SpecRSI), un marco de dos niveles que combina la búsqueda de agentes en el bucle interno con el aprendizaje del mejorador en el bucle externo. Este método busca mejorar agentes mediante revisiones sucesivas, asegurando que se utilicen solo versiones evaluadas para avanzar. Los resultados demuestran que SpecRSI supera a MetaRSI-v1 en puntuación del sistema y mejora la ganancia terminal en optimización científica.
Descubrimiento de ecuaciones gobernantes jerárquicas para dinámicas de redes complejas estructuradas por comunidad con agentes LLM
Se presenta SAGE, un marco de agente guiado por LLM diseñado para descubrir leyes gobernantes en dinámicas de redes complejas, distinguiendo entre dinámicas compartidas a nivel de comunidad y variaciones específicas de nodos. El método utiliza un proceso iterativo de descubrimiento y revisión para identificar estructuras compartidas y resolver dinámicas residuales. Los resultados demuestran que el marco recupera ecuaciones interpretables y supera a los métodos existentes en redes sintéticas y reales.
CurveCodec 2: Compresión de animación sin dependencia de esqueleto con modelo de entropía aprendido
Se presenta CurveCodec 2, un códec de compresión de animación que utiliza un modelo aprendido para determinar la redundancia del movimiento esquelético. El nuevo códec logra una compresión significativa, reduciendo los bytes necesarios en comparación con el estándar ACL bajo diferentes contratos de error. Se demuestran eficiencias en la codificación y decodificación, alcanzando ratios de bytes muy bajos en pruebas rigurosas.
Detección de ransomware jerárquica multiagente con conciencia de costos
Se propone un Sistema Multiagente Jerárquico con Conciencia de Costos (HMAS) para la detección de ransomware, buscando optimizar la adquisición de evidencia y la detección oportuna. El sistema utiliza agentes especializados para generar señales de riesgo y un orquestador que escala el análisis basado en la confianza para reducir costos y latencia. Los experimentos demuestran una alta precisión en la detección y atribución de familias de ransomware, logrando ahorros significativos en el costo de análisis.
Chain on Demand: Organización de evidencia diferida para memoria conversacional a largo plazo
Se presenta Chain on Demand (CoD), un marco de organización de evidencia en tiempo de consulta para la memoria conversacional a largo plazo. Este método organiza la evidencia de manera diferida, asignando un presupuesto de anclaje basado en la relevancia de la consulta. Los resultados demuestran que la memoria a largo plazo puede conservar la conversación original mientras se pospone la organización de la evidencia hasta que se requiere la información.
Evaluación de la memoria de un agente en su punto de uso
Se presenta MemUse, una herramienta que evalúa la memoria de un agente de LLM en el momento de su uso en trayectorias registradas. La evaluación mide la relevancia, precisión y efecto de las memorias entregadas por el agente. Los resultados indican que la mayoría de las entradas entregadas fueron irrelevantes y que muchas entradas relevantes no fueron utilizadas.
Inferencia geométrica y algebraica en humanos y redes neuronales
Se formalizan las estrategias de inferencia geométrica y algebraica en humanos y redes neuronales, analizando sus compensaciones computacionales. Se postula que la estrategia geométrica domina cuando las relaciones son conocidas, mientras que la algebraica es necesaria para inferencias novedosas en contexto. Los hallazgos demuestran que estas estrategias dependen de la geometría representacional y mecanismos de atención selectiva, reconciliando visiones sobre la flexibilidad cognitiva.
Estudio piloto sobre límites de autonomía de agentes de codificación en el mantenimiento de software
Un estudio piloto comparó un agente de codificación con y sin información de Contratos de Límite para tareas de mantenimiento de software. La condición basada en límites mejoró significativamente la selección de edición y la cobertura de comportamiento requerido. Esto sugiere que los roles explícitos de los artefactos pueden influir en el comportamiento de mantenimiento más allá de la simple localización de archivos.
Pruebas sin nominales: El argumento ontológico de Gödel, su incrustación superficial y las preguntas abiertas de las Notas del Monatshefte
El texto aborda la incrustación superficial de la lógica modal de orden superior en la lógica modal de orden superior clásica, utilizando el argumento ontológico de Gödel y Scott. Se discuten las preguntas abiertas de las Notas del Monatshefte y cómo se resuelven sin nominales. Se verifica la validez de los teoremas en Isabelle/HOL y Lean 4.
Métodos de red neuronal para predicción de trayectoria calibrada y control de intervalos de puntos de control
Se presenta un marco que utiliza una red neuronal con base espectral para aprender trayectorias y bandas de cuantil con restricciones integradas. El trabajo también emplea una regresión de cuantil conformacional modificada y aritmética de intervalos para asegurar garantías de cobertura calibrada y libre de ruido. Se demuestra que el tiempo de inferencia de trayectoria para un cuadricóptero es de 3.45 ms, lo que resulta en un tiempo de *pipeline* total de 9.81 ms.
GSExplorer: Generación interactiva de mundo con estado Gaussiano persistente 3D
Se presenta GSExplorer, un marco de generación-reconstrucción basado en un estado de mundo Gaussiano 3D persistente para la generación interactiva de mundos. Este sistema utiliza condiciones de renderizado y reconstrucción SLAM para asegurar la consistencia de la escena a lo largo de la exploración. El método demuestra un rendimiento superior en evaluaciones de WorldScore, logrando alta consistencia y control de cámara en extrapolaciones de múltiples pasos.
Estrategias de prompting guiado por conceptos aumentan la diversidad en poblaciones de recetas generadas por LLM
Se propone un método de prompting guiado por conceptos para mejorar la diversidad en las recetas generadas por Modelos de Lenguaje Grande (LLM). Este método genera conceptos temáticos antes de generar las respuestas, superando a otras estrategias de prompting en la cobertura semántica. Los resultados indican una mayor exploración de la población y diversidad de soluciones, aunque se necesita más investigación sobre la calidad y generalización.
Reconocimiento facial sin cara frontal usando GANs y clasificadores basados en memristor
Se propone un marco de reconocimiento facial que soluciona las variaciones de pose no frontal mediante la integración de frontalización de pose basada en GAN y reconocimiento neuromórfico basado en memristor. Los resultados experimentales muestran una precisión de identificación de hasta el 96% al combinar aprendizaje adversarial con tecnología memristiva. Este método busca aliviar los cuellos de botella computacionales de la IA convencional para una solución eficiente en entornos dinámicos.
MedCUA-Bench: Un benchmark de solo captura de pantalla para agentes de uso de computadora clínica
Se presenta MedCUA-Bench, un benchmark interactivo diseñado para evaluar la fiabilidad de los agentes de uso de computadora en entornos clínicos. Este benchmark cubre 18 escenarios clínicos en 10 dominios médicos, utilizando interfaces reconstruidas para simular entornos reales. El estudio compara el rendimiento de agentes de IA, mostrando diferencias significativas entre modelos de código cerrado y abierto en la ejecución de tareas clínicas. El objetivo es identificar la brecha entre los agentes actuales y el software clínico fiable.
Evaluación de respuestas incorrectas engaña la selección de confianza: Calificación basada en hechos para QA abierto
Un estudio evalúa la calificación de respuestas abiertas en pruebas de LLM y NLP, enfocándose en cómo las reglas de calibración afectan la confianza. Se presenta FactForm, un calificador que prioriza las coincidencias de referencia, logrando un error equilibrado de 0.077 y un AUROC de 0.985. Esto sugiere una mejora en la precisión de la calificación de respuestas abiertas.
La distancia no es suficiente: La brecha de alineación olvido-retención predice la robustez de los LLM
Se propone la Brecha de Alineación Olvido-Retención (FRAG) como un predictor libre de entrenamiento para evaluar la alineación entre el olvido y la retención en actualizaciones de modelos de lenguaje grandes (LLM). Se argumenta que la selectividad de los pesos es un mejor indicador de robustez que la distancia global. Se introduce el Poda Olvido-Retención (FRP) para mejorar la robustez del reaprendizaje basado en el principio de afectar pesos críticos para olvidar y preservar los críticos para retener.
Aprovechamiento de habilidades de agentes: Patrones arquitectónicos y una arquitectura de referencia para agentes basados en habilidades
Se identifican patrones arquitectónicos y una arquitectura de referencia para el aprovechamiento de habilidades en agentes basados en LLM. Se revisaron 36 sistemas y 51 artículos académicos para derivar estos patrones. La arquitectura de referencia organiza las responsabilidades en cuatro capas y dos sustratos transversales para gestionar el suministro, la ejecución y la revisión de habilidades.
Estudio sobre el compromiso entre energía y precisión de los Modelos de Lenguaje Grande en tareas de respuesta a preguntas médicas
Se investiga el consumo de energía y la huella de carbono de los Modelos de Lenguaje Grande (LLMs) utilizados en sistemas de respuesta a preguntas médicas. El estudio demuestra cómo estimar el consumo de energía y las emisiones para modelos disponibles en el leaderboard OpenMedical-LLM. Se enfatiza la necesidad de evaluar el compromiso entre energía y precisión para seleccionar modelos más eficientes y sostenibles.
Las neuronas son todo lo que necesitas
Se propone NURESA, una nueva capa neuronal que introduce memoria intra-unidad persistente para permitir la transferencia de memoria entre instancias de modelos de IA. Este enfoque permite la transferencia de capacidad aprendida a cero *shot* sin reentrenamiento, mejorando la capacidad de los modelos transformadores. Los experimentos demuestran que este proceso es eficiente y produce archivos de transferencia significativamente más pequeños.
Explorando el ajuste condicional local para la pertenencia al modelo de difusión
Se presenta una propuesta llamada LoFIT (Local Conditional Fit) para medir la respuesta inicial de la pérdida de desruido ante cambios en las predicciones condicionales en modelos de difusión. Esta métrica busca determinar si un ejemplo fue utilizado en el entrenamiento del modelo, siendo una herramienta para auditar el uso de datos. Los resultados indican que LoFIT mejora la discriminación de pertenencia en modelos ajustados y preentrenados.
PRIME: Enrutamiento Predictivo de Intervenciones Mediante Modelado de Efectos para la Ideación Científica
Se presenta PRIME, una capa de decisión de revisión para sistemas de LLM en ideación científica, diseñada para mejorar la iteración basada en retroalimentación. PRIME aborda el problema del desajuste diagnóstico-intervención, permitiendo construir intervenciones basadas en el modelado de efectos y la comparación de riesgos. Los resultados validan que PRIME mejora la calidad del sucesor y la fiabilidad del enrutamiento en comparación con las líneas base existentes.
SAMP: Priorización de Margen Autoadaptativa para Marcado de Agua de Difusión Robusto
Se presenta SAMP, un marco autoadaptativo para el marcado de agua en modelos de difusión, que ajusta la fuerza de incrustación y la prioridad de optimización de las dimensiones del marcado de agua. Este enfoque busca mejorar la robustez del marcado de agua al adaptar la fuerza de incrustación según la separación de códigos y priorizar dimensiones vulnerables a perturbaciones. Los resultados experimentales muestran mejoras significativas en la precisión de recuperación de información y en métricas como PSNR y LPIPS.
Las barreras de seguridad predictivas no siempre hacen a los agentes de LLM más seguros
Se investiga el *pipeline* de predicción a acción en agentes de LLM para evaluar barreras de seguridad predictivas. Los hallazgos indican que la mayor implicación de la predicción no garantiza ganancias de seguridad y puede aumentar el costo de inferencia. Además, las predicciones del modelo del mundo son insuficientemente fiables, lo que sugiere una brecha fundamental entre la previsión y la acción.
Iteración de valor aproximada offline: Un enfoque de aprendizaje por refuerzo para el despliegue de constelaciones de satélites
Se presenta un enfoque basado en aprendizaje por refuerzo para optimizar el despliegue de constelaciones de satélites tipo Walker, considerando incertidumbres como fallos de lanzamiento y mal funcionamiento de satélites. El método utiliza iteración de valor aproximada offline para reducir los requisitos computacionales y de memoria al encontrar políticas de despliegue óptimas. Los resultados preliminares indican que los tiempos y costos de despliegue son inferiores a los de métodos basados en horizonte rodante.
FOCUS: Retroalimentación de atención de bucle cerrado para una comprensión eficiente de lenguaje y visión
Se presenta FOCUS, un marco de tres capas sin entrenamiento diseñado para reducir las invocaciones de modelos de lenguaje-visión (VLM) al dirigir la atención hacia regiones semánticamente relevantes. Este método utiliza medidas de gating temporal para activar capturas solo cuando la escena cambia de manera significativa. Los resultados demuestran que FOCUS logra una alta precisión manteniendo la calidad del mejor *baseline* con una reducción significativa en las llamadas al VLM.
Búsqueda neural para el descubrimiento semántico de software de código abierto
Se presenta MediaWiki Code2Code Search, un sistema de recuperación neuronal diseñado para el descubrimiento semántico de código a código en grandes ecosistemas de software. El sistema indexa 1.29 millones de entidades estructurales en más de 2,500 repositorios de MediaWiki, permitiendo la recuperación basada en la intención computacional. La evaluación demuestra mejoras significativas en la calidad de clasificación sobre la línea base BM25 en tareas complejas.
Hybrid++: El puente entre modelos PDE y aprendizaje profundo para la eliminación de ruido gamma
Se presenta Hybrid++, una arquitectura de reacción-difusión no lineal entrenable que busca combinar la interpretabilidad de los modelos basados en ecuaciones diferenciales parciales (PDE) con el rendimiento de los modelos de aprendizaje profundo. Esta arquitectura mejora significativamente los resultados en el benchmark FoE sobre métodos clásicos y se acerca al rendimiento de modelos de caja negra con un uso eficiente de parámetros.