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
EEFA: Un marco para la evaluación ética de agentes de IA
Se aborda el desafío de gobernanza al desplegar agentes de IA autónomos en dominios críticos como la salud y la gestión financiera. Se presenta el Marco de Evaluación Ética para Agentes de IA (EEFA), un instrumento diseñado para evaluar dimensiones éticas como la autonomía y la privacidad. El marco busca llenar la brecha al proporcionar un instrumento operacionalizable para desarrolladores y reguladores, alineado con normativas como el Reglamento de IA de la UE.
Limitado a un modelo, abierto al siguiente: Solvencia solo con opción en evaluaciones de opción múltiple legal
El texto analiza el rendimiento de diferentes modelos de lenguaje en evaluaciones de opción múltiple legal, midiendo si los modelos seleccionan la opción correcta. Se compara el rendimiento de modelos como Claude Haiku 4.5 y GPT-5.6 en conjuntos de datos con claves oficiales. Se evalúa cómo la capacidad del modelo afecta la extracción de información y se comparan las puntuaciones de varios modelos en el conjunto de datos.
Marco de diagnóstico formal para sistemas de reparación de grafos
Se presenta un marco de diagnóstico formal para métodos de reparación de grafos, abordando la necesidad de rigor en la calidad de las representaciones de datos basadas en grafos. El método propuesto utiliza un sistema de reescritura abstracta para introducir sistemáticamente violaciones del esquema y evaluar el rendimiento de diferentes métodos de reparación. Los resultados demuestran la efectividad del marco para diferenciar el rendimiento de distintos métodos bajo diversas restricciones.
Distorsión no conformal y reversión de orientación local en el circuito de adición modular en el transformador de Fourier
Se estudia la geometría diferencial local de un circuito de adición modular basado en Fourier en un transformador, analizando la distorsión no conforme y la reversión de orientación local en sus mapas. Los resultados cuantitativos indican una reducción en la magnitud de Beltrami tras el entrenamiento, proporcionando una caracterización de la deformación local en un componente del circuito neuronal.
De las búsquedas a las lecciones: Convirtiendo el conocimiento recuperado en memoria paramétrica
Se presenta ResMem, un método que utiliza al LLM para generar objetivos de profesor leyendo texto recuperado sin conexión, buscando reutilizar conocimiento recuperado sin depender de recuperación en línea. Este enfoque reduce significativamente el almacenamiento requerido para la construcción de la memoria paramétrica y mejora el rendimiento en conjuntos de datos de respuesta a preguntas. Los resultados validan el uso de la recuperación como recurso de aprendizaje para moldear la memoria paramétrica del modelo.
EarthJev: Respuestas calibradas y no generativas a preguntas en lenguaje natural sobre cobertura terrestre Sentinel-2
Se presenta EarthJev, un modelo de 0.8B de parámetros diseñado para responder preguntas sobre parches de Sentinel-2 multispectrales sin generar tokens. El modelo demuestra una velocidad significativamente mayor que otros modelos multimodales y generativos, alcanzando un 86.0% de precisión en 36,028 preguntas de prueba.
Mejores respuestas, menor control de evidencia: Omisión de evidencia en destilación de políticas
Se investiga la separación entre la mejora de la precisión de la respuesta y la debilidad en el control de la evidencia en la destilación on-policy (OPD). Los resultados muestran que la OPD estándar aumenta la precisión del documento original, pero también incrementa la omisión de evidencia. Se propone la OPD de Evidencia Emparejada (EP-OPD) para mejorar la recuperación de la precisión de la respuesta mientras se mantiene la ganancia de precisión del documento original.
SFA: Un Transformer de Difusión Inspirado en Física Estadística para Generación de Imágenes Eficiente y de Alta Calidad
Se presenta la Atención de Escala Libre (SFA), un mecanismo inspirado en la física estadística, diseñado para mejorar la eficiencia y la calidad en la generación de imágenes mediante la atención en transformadores de difusión. SFA logra aumentos significativos en la velocidad de atención y mejora la calidad de generación, superando a otros mecanismos de atención en benchmarks como FID-50k. Este método establece la estructura de escala libre como un principio clave para diseñar transformadores de difusión eficientes y de alta calidad.
Reducir errores en los pagos SNAP a menor costo con IA
Una nueva legislación federal obligará a los estados con altos errores de pago en el programa SNAP a compartir costos, generando presión para mejorar la precisión. Se compararon estrategias como la revisión basada en riesgo y la revisión asistida por IA para reducir estos errores. Los resultados sugieren que la revisión de preautorización asistida por IA podría ser una herramienta clave para evitar costos significativos.
No se identificaron personas.
Protocolo de auditoría independiente para IA agente con independencia graduada
Se propone un protocolo de auditoría independiente para sistemas de IA agentes, evaluando su independencia en tres ejes: principal, del sustrato y de la evidencia. El objetivo es graduar estos sistemas basándose en la independencia de quién controla al auditor, la similitud del modelo subyacente y la verificabilidad de la evidencia. El trabajo incluye un protocolo de siete pasos y análisis de detectabilidad estructural para evaluar fallos en estos sistemas.
Aprendizaje por Refuerzo en el Plano de Decisión para Agentes de Lenguaje y LLMs
Se presenta RLiD (Reinforcement Learning in the Decision plane), un marco diseñado para optimizar directamente las probabilidades de opciones de acción ejecutables en modelos de lenguaje grandes (LLMs). Este enfoque busca mejorar la eficiencia del aprendizaje por refuerzo al eliminar la generación de tokens autoregresiva y mejorar la eficiencia del despliegue. Los experimentos demuestran mejoras en el rendimiento y la eficiencia computacional en varios entornos de juegos como ARC, Countdown y Sokoban.
VerifierBench: Evaluación de la generación de verificadores ejecutables para agentes de LLM
Se presenta VerifierBench, un benchmark diseñado para evaluar la generación de verificadores ejecutables por agentes de LLM. El estudio analiza la fiabilidad de estos verificadores para aceptar soluciones válidas y rechazar las inválidas en tareas complejas. Los resultados indican que los verificadores generados son más fiables al rechazar soluciones incorrectas, aunque existen fallos relacionados con suposiciones erróneas en el formato de solución.
De FAIR a AI-FAIR: Infraestructura Metadata-First para la Ciencia habilitada por IA
Se propone una extensión de los principios FAIR para crear criterios de metadatos AI-FAIR, diseñados para la infraestructura necesaria para la ciencia habilitada por IA. Este marco busca facilitar el análisis de contenido a gran escala y asegurar que los científicos se beneficien de los avances de IA construidos sobre sus datos. Se introduce un flujo de trabajo de evaluación para calificar la preparación de los conjuntos de datos para la IA y la trazabilidad.
Pixel: Sistema robótico full-stack co-diseñado para manipulación móvil de propósito general
Se presenta Pixel, un sistema full-stack co-diseñado para el aprendizaje de manipulación móvil de propósito general. Este sistema integra un humanoide con ruedas de bajo costo, interfaces de recolección de datos y un controlador de cuerpo completo unificado. El objetivo es crear una base integrada para el diseño conjunto de hardware, datos, control y aprendizaje para el aprendizaje robótico.
Mixture-of-Models: Inferencia Distribuida sobre LLMs Heterogéneos como Mezcla de Expertos a Nivel de Modelo
Se propone la arquitectura Mixture-of-Models (MoM) como Switch Transformer para escalar la capacidad de los modelos MoE al nivel semántico, componiendo la inferencia a través de LLMs distribuidos entrenados independientemente. El método utiliza un protocolo de Deliberación Auto-Evaluativa N-Way para alcanzar consenso. Los resultados experimentales demuestran que un conjunto de modelos más pequeños puede igualar el rendimiento de un modelo MoE de 120B.
Can Test-Time Reconstruction Cierra el Bucle en el Razonamiento Latente?
Se presenta ReLAT, un método de entrenamiento por prueba auto-supervisado que cierra el bucle del razonamiento latente utilizando la consulta como referencia. Este enfoque busca asegurar que un estado latente fielmente represente la consulta original, permitiendo la recuperación de la consulta a partir del estado latente. ReLAT mejoró la precisión AIME 2024 en Qwen3-8B de 56.7% a 73.3%, superando a la mejor línea base de colaboración latente en bucle abierto.
TrackMem: Seguimiento de creencias cambiantes en el diálogo financiero a largo plazo
Se presenta TrackMem, un sistema de memoria basado en grafos por hablante diseñado para rastrear la historia de las figuras en diálogos financieros a largo plazo. Este sistema busca superar a los métodos existentes al preservar las acciones cronológicas de cada hablante y separar perspectivas por entidad y lente. Los resultados indican que TrackMem logra una alta precisión en la recuperación de información, superando a los sistemas previos en pruebas específicas.
ZeroGraph: Entrenamiento por bloques composicional mediante supervisión de límites materializados
Se presenta ZeroGraph, una transformación de sistemas para convertir y destilar modelos preentrenados. Esta técnica materializa la trayectoria de frontera de un modelo profesor congelado como un conjunto de datos versionado para reemplazar las dependencias de gradiente en línea con supervisión persistente. Los experimentos demuestran que esta aproximación puede mejorar la calidad y el uso de contexto en modelos como GPT-2 Large y Qwen2.5.
ChatDify automatiza la síntesis de flujos de trabajo de Dify de extremo a extremo desde lenguaje natural mediante colaboración multi-agente
Se presenta ChatDify, un marco multi-agente diseñado para automatizar la síntesis de flujos de trabajo en Dify a partir de descripciones en lenguaje natural. Este sistema utiliza tres agentes especializados (Planificador, Ejecutor y Revisor) para generar flujos de trabajo complejos. Los resultados evaluados demuestran la robustez y aplicabilidad práctica de la herramienta para reducir la dificultad técnica en la creación de aplicaciones LLM.
Razonamiento de nivel de inundación guiado por conocimiento para monitoreo colaborativo en la nube y el borde
Se propone HydroReasoner, un marco de razonamiento visual para la detección de niveles de agua de inundación, diseñado para la colaboración en la nube y el borde. Este modelo mejora el rendimiento de detección en comparación con métodos convencionales al incorporar un grafo de conocimiento para supervisar el proceso de razonamiento. Se implementan optimizaciones como la cuantización de 4 bits para reducir el uso de memoria y la latencia en el despliegue en el borde.
Ajuste por fases de MLLM para generación de código WebUI multi-framework
Se estudia el ajuste fino supervisado para la generación de código WebUI en múltiples frameworks (React, Vue, Angular) utilizando un método de ajuste por fases para MLLMs. El método propuesto utiliza señales de compatibilidad y heterogeneidad para derivar grupos de entrenamiento y su orden. Los experimentos demuestran que este método mejora la calidad de generación y la tasa de éxito de compilación en comparación con los métodos de referencia.
Usando cabezales de OCR para verbalizar semántica de imágenes
Se investiga cómo los Modelos de Lenguaje Visual (VLMs) realizan el reconocimiento de caracteres ópticos (OCR) al identificar cabezales de atención necesarios. Se demuestra que estos cabezales son cabezales de propósito general que generan características semánticas interpretables en las representaciones de imagen. El estudio sugiere que las representaciones de imagen están alineadas con el lenguaje en las capas iniciales de los modelos.
ZT-DAC: Política de control de acceso dinámica basada en ML para Zero Trust en redes DER
Se propone un marco de control de acceso dinámico (ZT-DAC) para implementar principios de Confianza Cero (ZT) en redes de Recursos de Energía Distribuida (DER). La solución combina RBAC basado en OPA con ABAC basado en ML para evaluar continuamente la puntuación de confianza. Los resultados experimentales validan la viabilidad práctica de este modelo en entornos DER reales.
SWE-Opt: Un punto de referencia para evaluar LLMs en la optimización a nivel de repositorio
Se presenta SWE-Opt, un punto de referencia a nivel de repositorio basado en 102 optimizaciones expertas para evaluar el rendimiento de los LLMs en la optimización de código. La evaluación revela que los LLMs actuales tienen dificultades significativas, mostrando ganancias de tiempo de ejecución escasas y optimizaciones de memoria casi inexistentes. Las implementaciones expertas alcanzan aceleraciones significativas, superando ampliamente las capacidades de los modelos actuales.
El costo social de un compañero de IA: Cómo un compañero artificial remodela la comunicación humana en la toma de decisiones en equipos pequeños
Se investigó el impacto de un compañero de IA en la comunicación entre compañeros humanos durante una tarea de toma de decisiones. Los resultados sugieren que la presencia de la IA pudo haber afectado negativamente la participación, receptividad e integración social de los estudiantes en los equipos. Esto indica un posible costo social en la experiencia de pertenencia y la integración relacional de los estudiantes en equipos con IA.
Investigadores de Inteligencia Artificial supervisada por humanos en sistemas de energía eléctrica: conocimiento, física, simulación y gobernanza para modelos de lenguaje grandes
Se revisan las aplicaciones de LLM en la investigación de sistemas de energía eléctrica, enfocándose en la colaboración entre investigadores de IA supervisada por humanos y estudios de IA fundamentados en la física. Se propone un marco de conocimiento-física-simulación-gobernanza donde los LLM coordinan tareas y los expertos validan las conclusiones críticas. El objetivo es mejorar la eficiencia de la investigación científica asegurando trazabilidad y reproducibilidad de los resultados.
OmniPiano: Desafíos de manipulación de piano con múltiples agentes de RL
Se presenta OmniPiano, un punto de referencia para el aprendizaje por refuerzo (RL) que aborda el desafío de la manipulación robótica diestra en la ejecución de tareas de piano. Este benchmark soporta de una a cinco manos sombra y permite la evaluación de RL robusto y multiagente con configuraciones de seguridad y cooperación descentralizada. Las evaluaciones indican que los algoritmos de RL de vanguardia y los agentes basados en LLM aún enfrentan dificultades con tareas complejas de toque de piano.
LLM en bucle de anotación iguala a agentes de codificación a la mitad de costo
Se compara un agente de modelo de lenguaje grande (LLM) con agentes de forma libre para la anotación de imágenes médicas (TC de aorta). Se desarrolló un arnés llamado Taurus para automatizar la revisión de etiquetas, buscando mejorar la precisión y reducir el costo de la anotación. El resultado final mostró que la automatización del pase de revisión es clave para la competitividad del sistema.
Dual Dimensionalidad para Atención Local y Global
Se propone la Representación Adaptativa a la Distancia (DAR) para arquitecturas de atención, donde los tokens locales reciben representaciones de alta dimensión y los distantes reciben representaciones de menor dimensión. Este enfoque busca preservar la capacidad de representación local mientras optimiza la memoria a largo plazo, reduciendo el tamaño de la caché KV durante la inferencia. Los resultados demuestran que este método mejora el rendimiento y reduce significativamente el tamaño de la caché KV en comparación con métodos que reducen la dimensionalidad uniformemente.
Razonamiento basado en conceptos con localización impulsada por prompts para generación de informes estructurados
Se propone el marco CORAL para mejorar la generación de informes médicos mediante un proceso de razonamiento basado en conceptos con localización. Este marco integra la fundamentación espacial y la supervisión a nivel de concepto para lograr una mejor alineación con los procesos de decisión clínica. Los experimentos demuestran mejoras en la precisión diagnóstica y la calidad del informe en comparación con otros modelos MLLM.