Buscar noticias
Buscá por texto y descubrí noticias relacionadas con tu consulta.
Noticias relevantes
Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.
No encontramos noticias relacionadas por su significado.
Noticias encontradas
Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.
Resultados para «Science Alert»
Más recientes primero · Hasta 30 noticias por página
Free Press JournalVantara trae a la comunidad mundial de vida silvestre a Jamnagar para la Conferencia Anual EARAZA 2026
La Conferencia Anual EARAZA 2026 se celebrará en Jamnagar, Gujarat, organizada por Vantara, reuniendo a líderes y expertos de 30 países para discutir la conservación de la vida silvestre. El evento busca fortalecer las alianzas globales mediante el intercambio de conocimientos y la colaboración transfronteriza. Se presentarán avances en tecnología, bienestar animal y estrategias de conservación para abordar desafíos globales.
Valencia PlazaColumbus ultima la liquidación de su primer fondo tras devolver más del triple del capital aportado
Columbus Venture Partners finalizó el primer fondo, devolviendo más del triple del capital aportado a los inversores. El vehículo invirtió en biotecnología y ciencias de la vida, logrando una devolución de 102,4 millones de euros frente a 31,5 millones desembolsados. La gestora comunicó la liquidación y la intención de dar de baja el vehículo tras cumplir los diez años de duración previstos.
arXiv Computer Science AITStruct: Aprendizaje de estructuras temporales compartidas para la predicción de series temporales a largo plazo
Se investiga el aprendizaje de dependencias temporales estables y generalizables en series temporales a largo plazo, abordando el problema del ruido y la no estacionariedad de los datos reales. Se propone TStruct, una red que aprende estructuras de dependencia temporal reutilizables y las combina adaptativamente. El modelo demuestra un rendimiento superior en comparación con otras metodologías, logrando alta precisión y eficiencia computacional.
LIRA: Una asignación de rango dinámica informada por la pérdida interpretable para la adaptación de bajo rango
Se propone LIRA (Loss-Informed Rank Allocation), un método LoRA dinámico para hacer más interpretable la reasignación de rango en la adaptación de bajo rango. LIRA puntúa cada capa basándose en la magnitud de la perturbación de la pérdida local para justificar los cambios de rango. Este método supera a otros enfoques de rango adaptativo en pruebas específicas de modelos como RoBERTa-base GLUE.
Redes de afinidad molecular
Se propone un nuevo enfoque de modelado de afinidad utilizando modelos transformadores para predecir las etiquetas de moléculas de consulta a partir de moléculas de soporte etiquetadas. El modelo es entrenado con grandes conjuntos de datos de afinidad para capturar patrones moleculares generales. Este método busca mejorar la predicción de afinidad en el descubrimiento de fármacos, siendo más rápido que métodos previos.
CLAP: Adaptación VLM-a-VLA mediante anclaje lenguaje-acción
Se propone CLAP (Predicción Causal de Lenguaje-Acción) para adaptar modelos de visión-lenguaje (VLM) a modelos de visión-lenguaje-acción (VLA) mediante la adición de descripciones de lenguaje natural a las secuencias de acción. Este método busca mejorar la transferencia de capacidades de los VLM a los VLAs, abordando el problema de la discrepancia de distribución de salida. Los resultados muestran mejoras significativas en el rendimiento de los modelos CLAP en comparación con VLA-0.
D-Skill: Destilando conocimiento docente a través de habilidades de agentes
Se presenta D-Skill, un marco que destila la ventaja de comportamiento de un modelo "profesor" a una habilidad de lenguaje natural interpretable. Este método analiza ejecuciones emparejadas para consolidar lecciones sin modificar los pesos del modelo. D-Skill logra cerrar entre el 75% y el 95% de la brecha entre el profesor y el estudiante, ofreciendo una alternativa eficiente y interpretable a la transferencia de capacidad basada en pesos.
RTSGameBench: Evaluando VLMs para el razonamiento estratégico en entornos de juego
Se presenta RTSGAMEBENCH, un juego RTS de gran escala diseñado para evaluar los Modelos de Lenguaje Visión-Lenguaje (VLMs) en el razonamiento estratégico multiagente. El proyecto incluye herramientas como RTSGAMEAGENT para la planificación de trayectoria y busca mejorar la capacidad de los VLMs para coordinar y adaptarse en entornos complejos. Se concluye que los VLMs luchan en situaciones donde los humanos son exitosos, especialmente al coordinar con aliados o enfrentar múltiples oponentes.
Pensar menos, localmente: Aprendizaje de preferencia local para la compresión del razonamiento
Se presenta LoCo, un método de aprendizaje de preferencia local diseñado para la compresión del razonamiento en modelos grandes. Este método detecta estados de sobrepensamiento para congelar prefijos de razonamiento y regenerar continuaciones verificadas más cortas. LoCo reduce la longitud de finalización en matemáticas y código, mejorando la eficiencia sin sacrificar la precisión.
El decodificado por restricciones gramaticales puede encarcelar a los LLMs generando código malicioso
Se investiga un riesgo en la técnica de Decodificado por Restricciones Gramaticales (GCD), descubriendo un ataque llamado CodeSpear que explota esta técnica para forzar a los Modelos de Lenguaje Grande (LLMs) a generar código malicioso. Se propone CodeShield como una solución de seguridad para preservar el comportamiento seguro incluso con restricciones gramaticales controladas por el atacante. Los experimentos demuestran que CodeSpear supera a las soluciones existentes y CodeShield restaura la seguridad manteniendo la utilidad benigna.
Sinks frente a patrones diagonales como mecanismos para el cambio de atención y prevención del sobresuavizado
Un artículo científico estudia el papel de los sumideros y los patrones diagonales como mecanismos para el cambio de atención y la prevención del sobresuavizado en modelos de atención. El estudio analiza las condiciones geométricas necesarias para la representación de sumideros y compara los costos de representación entre estos mecanismos. Se demuestra la equivalencia entre sumideros y cambio de atención duro, y se compara su eficiencia frente a patrones diagonales.
Modelos de lenguaje clínicos pierden precisión cuando los pacientes hablan por sí mismos
Se evaluaron modelos de lenguaje clínicos al comparar descripciones de enfermedades escritas por clínicos con las descripciones de pacientes. Se encontró que los modelos son menos precisos cuando el paciente utiliza su propia voz, lo que sugiere un fallo al incorporar el lenguaje expresado por los pacientes. Se sugieren mejoras mediante el uso de lenguaje directo del paciente o estructuras de esquema.
StoreBench: Un entorno de comercio en vivo para evaluar y entrenar agentes autónomos
Se presenta StoreBench, un entorno de comercio en vivo diseñado para evaluar y entrenar agentes autónomos mediante el uso de aprendizaje por refuerzo. Este entorno simula una tienda de ropa en línea con clientes, proveedores y shocks de mercado para probar la planificación a largo plazo y el juicio económico de los agentes. Se evalúan varios LLMs frontera en escenarios simulados para medir su capacidad de toma de decisiones en entornos comerciales complejos.
MaxKernel: Generación de kernels agenticos para TPUs
Se presenta MaxKernel, un sistema multi-agente diseñado para la generación de kernels de TPU mediante LLMs y retroalimentación del compilador. El sistema incluye tres paradigmas: Human-in-the-Loop, un agente Autónomo basado en optimización y una Búsqueda Autónoma Basada en Grafos. Se demuestra que MaxKernel genera implementaciones altamente optimizadas que igualan las líneas de base expertas en benchmarks de kernels de TPU.
FALQON Óptimo para Optimización Cuántica Aproximada mediante Ajuste de Parámetros por Capa
Se presenta Optimal FALQON, una formulación por capa para la optimización cuántica adaptativa basada en retroalimentación (FALQON). Este método busca mejorar la calidad de la solución en comparación con el FALQON estándar mediante la optimización de parámetros por capa. Los resultados demuestran que Optimal FALQON y sus versiones calentadas mejoran significativamente las eficiencias en comparación con sus contrapartes estándar.
Análisis numérico automatizado de estabilidad de operadores de aprendizaje profundo
Se presenta una herramienta de software unificada para la validación numérica estocástica de operadores de aprendizaje profundo. Esta herramienta detecta fuentes de inestabilidad numérica y monitorea la estabilidad durante el entrenamiento e inferencia. El método es crucial para desarrollar kernels de cómputo numéricamente estables en el aprendizaje profundo.
Explicando recomendaciones grupales mediante contrafactuales
Se presenta un trabajo que formaliza la búsqueda de explicaciones contrafactuales para sistemas de recomendación grupales, abordando la falta de transparencia en estas sugerencias. Se introducen métricas y cinco algoritmos diseñados para reducir el costo computacional mientras se mantiene una alta calidad en las explicaciones. Los experimentos evalúan las compensaciones entre eficiencia computacional y calidad de la explicación en datos reales.
BARC-Bench: Peticiones benignas, consecuencias arriesgadas
Se presenta BARC-Bench, un conjunto de 110 tareas en nueve entornos simulados para evaluar el comportamiento de agentes de IA frente a límites de seguridad. El estudio muestra que los modelos no son consistentemente seguros, ya que pueden violar normas sociales implícitas. Esto subraya un riesgo operativo asimétrico en la delegación autónoma de tareas complejas.
FlowDrive: planificación de trayectoria con flujo moderado y balanceo de datos
Se presenta FlowDrive, un planificador de trayectoria basado en flujo que aborda el problema del desequilibrio de datos en datos de conducción. El método utiliza reponderación por patrón de trayectoria y guía moderada en tiempo real para aumentar la diversidad de trayectorias. FlowDrive alcanza resultados de vanguardia en los benchmarks nuPlan e interPlan.
Identificación y generación de lenguaje agnóstico
Se presentan trabajos recientes sobre identificación y generación de lenguaje que establecen tasas estadísticas ajustadas para estas tareas. El estudio relaja la suposición de realizabilidad, permitiendo estudiar ambos problemas en un marco más general y agnóstico. Esto proporciona caracterizaciones interesantes y tasas casi ajustadas para la identificación y generación de lenguaje.
Aprendizaje activo bayesiano para la disambiguación de intenciones en la planificación de robots interactivos
Se propone un marco bayesiano para resolver la ambigüedad en las instrucciones de lenguaje natural para la planificación de robots interactivos. El método utiliza LLMs para generar especificaciones y preguntas de clarificación, utilizando optimización bayesiana para seleccionar las consultas que maximizan la ganancia de información. El enfoque logra una mayor satisfacción de la tarea y requiere menos rondas de clarificación que los modelos basados en LLM.
Modelo de IA para mapear el peligro de incendios forestales en Canadá
Investigadores desarrollaron un marco de modelado sustituto basado en IA para acelerar significativamente la simulación de peligros de incendios forestales en Canadá. Este modelo logra una aceleración de CPU de 806 veces, permitiendo un análisis rápido de escenarios y mejorando la precisión de las simulaciones basadas en procesos. La herramienta busca facilitar la mitigación proactiva de riesgos mediante el mapeo de peligros actualizado.
¿Las personas sintéticas predicen la respuesta real de la audiencia? Un estudio de clasificación de titulares con una línea base de lector genérico
Un estudio compara el rendimiento de LLMs (Gemini 3.1 Flash-Lite y GPT-4.1) al predecir la respuesta de la audiencia utilizando perfiles demográficos frente a una línea base genérica. Los resultados indican que el panel de personas mejora la predicción de la audiencia en titulares de Upworthy. Se encontraron diferencias significativas en las métricas de clasificación entre los modelos.
No se identificaron personas.
Cerrando la brecha entre laboratorio y tienda: Un marco VLA basado en aprendizaje post-entrenamiento y basado en experiencia para el retail humanoide
Se presenta el marco DEED para cerrar la brecha entre el rendimiento de los robots humanoides en laboratorio y su operación en entornos reales. Este enfoque aborda desafíos como errores de ejecución y variabilidad ambiental mediante un *pipeline* de post-entrenamiento eficiente y refinamiento basado en experiencia. Los resultados indican que la integración de sistemas y el diseño de datos son clave para transformar políticas fallidas en sistemas competentes.
JHiMA-WebRL: Un marco de aprendizaje por refuerzo jerárquico multiagente para tareas web de largo horizonte
Se presenta JHiMA-WebRL, un marco de aprendizaje por refuerzo jerárquico multiagente diseñado para agentes web. Este marco acopla un descomponedor de tareas con un actor para mejorar la navegación web de largo horizonte. Los resultados demuestran que actualizar conjuntamente el descomponedor durante el entrenamiento supera a actualizar solo el actor, sugiriendo una alternativa competitiva al escalado de agentes monolíticos.
Se realizó un sprint de investigación con IA y los resultados fueron positivos
Se realizó un sprint de investigación de 100 minutos con doce investigadores en tres equipos para evaluar el uso de herramientas de IA generativa. Se observaron problemas como el cuello de botella de consumo y los silos de investigación inducidos por IA. Se propone una colaboración Humano-IA-Humano para mejorar la evaluación y la toma de decisiones colectiva.
Marco causal práctico para robots móviles autónomos: de la simulación al entorno humano del mundo real
Se presenta un marco causal para que los robots móviles autónomos puedan tomar decisiones seguras y eficientes al razonar sobre las causas de los eventos. El desafío abordado es transferir las relaciones causales aprendidas en simulaciones al mundo real con poco esfuerzo. El sistema demuestra adaptarse eficientemente a situaciones reales actualizando solo los parámetros del modelo causal con nuevas observaciones, logrando una rápida transferencia de simulación a realidad.
Evolución de la memoria basada en energía para agentes conversacionales largos
Se presenta MINDSET, un controlador de memoria diseñado para agentes conversacionales, que gestiona las transiciones de estado explícitas para rastrear cambios en la memoria sin perder información previa. Este sistema equilibra la coherencia y la preservación histórica mediante una puntuación de energía local. Los resultados demuestran que MINDSET mejora el ranking de recuperación y la precisión en casos de actualización de conocimiento en comparación con otros sistemas.
CloakFEM: Generación de código FEM agente para agotamiento de recursos computacionales
Se presenta CloakFEM, un marco de agente LLM diseñado para generar automáticamente programas FEM adversarios que explotan la capacidad de los solucionadores de elementos finitos para realizar un trabajo computacional excesivo. Esta herramienta utiliza búsqueda guiada por LLM y una representación intermedia específica para descubrir entradas válidas que amplifican significativamente el trabajo del solucionador. Los resultados demuestran que los programas FEM ejecutables pueden ser utilizados como entradas adversarias para ataques de denegación de servicio.
Descubriendo la adulación visual y las creencias divididas en VLMs
Se presenta un marco de diagnóstico de tres capas para evaluar cómo los Modelos de Lenguaje-Visión (VLMs) manejan entradas de imagen enmascaradas. El estudio clasifica las respuestas en cuatro modos, incluyendo Adulación Visual, Atajo Lingüístico, Ceguera Perceptual y Rechazo Robusto. Se encontró que el 28.1% de los modelos son de Adulación Visual, y que el escalado dentro de la generación afecta estos modos, aunque la generación más reciente tiende a eliminar la Adulación Visual.