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
Estratega: Evolucionando el Razonamiento con Agentes
Se presenta Strategist, un meta-agente diseñado para evolucionar estrategias de inferencia a través de diferentes tareas. Este sistema utiliza un enfoque donde las estrategias se guardan como planos reutilizables, permitiendo que las tareas posteriores se construyan sobre descubrimientos previos. En pruebas, Strategist superó a la mejor línea base en 24 y mostró una menor inversión en costo de inferencia.
Pensar antes de localizar: Supervisión de Cadena de Pensamiento Clínica para la localización de imágenes médicas secuenciales
Se investiga si el razonamiento explícito basado en imágenes puede mejorar la localización en modelos vision-lenguaje para imágenes médicas secuenciales. Se introduce el método MedChain y se utiliza supervisión de cadena de pensamiento deliberativa (dCoT-SFT) para mejorar el rendimiento en modelos como Qwen3.5. El modelo de 27B alcanzó un mIoU de 77.24 y un [email protected] de 85.20, superando modelos previos.
Seleccionar hipótesis generadas por LLM eleva la verdad más allá de lo que espera un panel de LLM
Un estudio preregistrado evaluó sistemas de ideación de LLM para generar hipótesis verdaderas y no obvias en benchmarks como NAS-Bench-201 y HPOBench. Se encontró que un paso de dos etapas, donde se redacta un gran conjunto de afirmaciones y luego se selecciona un subconjunto, incrementa la verdad excesiva. Además, se observó que GPT utiliza eficientemente los resultados de sondas baratas, aunque optimizar el juez de LLM redujo la precisión.
Propuesta de rúbrica para evaluar el razonamiento clínico expresado en respuestas de modelos de lenguaje grandes
Se propone una rúbrica para evaluar el razonamiento clínico expresado por los modelos de lenguaje grandes. Esta rúbrica integra marcos de evaluación médica, *benchmarks* clínicos y taxonomías de evaluación de razonamiento de LLM. El objetivo es hacer explícitas las decisiones de evaluación antes de la prueba empírica.
Agentes dependientes necesitan reglas duras y difusas
El artículo argumenta que los agentes dependientes requieren tanto reglas duras (código) como reglas difusas (aprendidas) para cubrir las capacidades de un agente. Se prueban estos enfoques en dominios como compra y delegación de autoridad, demostrando que las reglas difusas pueden manejar juicios complejos que las reglas exactas no pueden capturar. Se concluye que una regla pequeña puede lograr el objetivo, aunque no necesariamente lo haga mejor que un sistema más complejo.
ClinFusion: Un sistema LLM multimodal centrado en la visión para la comprensión médica holística
Se presenta ClinFusion, un MLLM centrado en la visión diseñado para la comprensión médica holística, abordando desafíos en el manejo de imágenes médicas 2D y 3D. El sistema supera a modelos líderes en múltiples benchmarks médicos y demuestra capacidades multimodales superiores a modelos propietarios. La evaluación por radiólogos confirma que produce los informes mejor clasificados y valida su métrica de evaluación basada en la región de interés.
InterFuse: Fusión Adaptativa Guiada por Interacción de Modelos Heterogéneos para la Clasificación de Riesgo de Pago
Se presenta InterFuse, un marco de fusión diseñado para guiar la agregación adaptativa de transacciones mediante la interacción entre modelos heterogéneos. Este método utiliza un estado de fusión compartido derivado de la interacción entre modelos para mejorar la clasificación de riesgo de pago. Los resultados indican que InterFuse supera a las líneas de base existentes, mejorando significativamente el recall y el AUC en múltiples conjuntos de datos.
Ataques de inyección de prompt en entornos CI/CD impulsados por IA
Se presenta GitInject, un framework de código abierto para evaluar ataques de inyección de prompt en flujos de trabajo de GitHub Actions. Este framework ejecuta flujos de trabajo reales para exponer vulnerabilidades como la exfiltración de credenciales y la manipulación de juicios. Se demuestra que varios proveedores de IA son susceptibles a ataques de alta severidad en configuraciones probadas.
B[FM]$^2$: Modelo de Fundación Cerebral mediante Flow Matching con SplitUNet
Se presenta B[FM]$^2$, un Modelo de Fundación Cerebral mediante Flow Matching, que aprende representaciones generalizables de EEG a partir de grandes conjuntos de datos para tareas de interfaz cerebro-computadora. Este modelo utiliza *flow matching* de tiempo continuo sin discretización, reduciendo significativamente el presupuesto de preentrenamiento necesario en comparación con modelos anteriores. Además, genera datos EEG sintéticos que son indistinguibles de datos cerebrales reales por expertos.
Tactile MNIST: Benchmarking de Percepción Táctil
Se presenta el Conjunto de Pruebas Tactiles MNIST, un punto de referencia de código abierto para tareas de percepción táctil activa. Este conjunto incluye escenarios de simulación y un conjunto de datos con modelos 3D sintéticos y muestras táctiles del mundo real. El objetivo es facilitar el progreso en la sensación táctil y la percepción activa mediante protocolos estandarizados.
DARE: Alineando agentes LLM con el ecosistema estadístico R mediante recuperación consciente de la distribución
Se propone DARE, un marco de aprendizaje de representación que incorpora características de distribución de datos en la recuperación de funciones de R para mejorar la automatización de flujos de trabajo de ciencia de datos con LLM. Los experimentos muestran que DARE mejora el NDCG@10 y duplica la precisión del análisis posterior en RStatBench al integrar DARE en RCodingAgent.
Representaciones Matryoshka Hash para Recuperación Semántica Compacta con Conciencia del Modelo
Se presenta la introducción de las Representaciones Matryoshka Hash (MHR) para mejorar la eficiencia de la recuperación semántica en sistemas RAG. Este método busca reemplazar vectores completos por códigos cortos de pocos bytes, optimizando el costo del índice mientras se mantiene la calidad de la recuperación. Los resultados demuestran que MHR logra un rendimiento superior en métricas como NDCG@10 en comparación con métodos compactos existentes.
¿Puedes romper RLVER? Explorando la robustez adversaria de agentes empáticos entrenados con RL
Se evalúa el modelo de lenguaje empático entrenado con aprendizaje por refuerzo a partir de recompensas de emoción verificables (RLVER) frente a usuarios simulados. Se introduce la Puntuación de Consistencia Emocional (ECS) para determinar si el modelo mejora el estado emocional sin hacer que el estado del usuario sea más legible. Los resultados muestran que RLVER-PPO-Think supera a la línea de base sin ajustar en detección de intención oculta.
Benchmark Parametric CAD v3 evalúa la creación de modelos CAD paramétricos a partir de texto y planos de ingeniería
Se presenta el Parametric CAD Bench v3, un benchmark de 100 tareas diseñado para evaluar la capacidad de agentes de IA para crear modelos CAD a partir de texto y planos de ingeniería. La evaluación se centra en la similitud geométrica y la consistencia de las especificaciones, no solo en el éxito binario. Se reportan resultados con Claude Code y Claude Opus 5.5, mostrando una recompensa media de imagen a CAD de 84.66%.
Revisión silenciosa: Midiendo el cambio no revelado en los marcos de seguridad de desarrolladores de IA de vanguardia
Investigadores miden la tasa de cambio no revelado en los marcos de seguridad de desarrolladores de IA de vanguardia. Se encontró que el 64% de los cambios materiales son silenciosos bajo un estándar estricto, y el 75% de los cambios trazados debilitan o eliminan un compromiso. Se argumenta que los deberes de publicación deben incluir un requisito de enumeración para hacer la revisión de los marcos más auditable.
NeMo-DCR: Refit Delta-Comprimido Exacto para RL Agéntico Escalable a Escala de Trillones de Parámetros
Se presenta NeMo-DCR, un método de refit delta-comprimido exacto para el aprendizaje por refuerzo (RL) escalable a escalas de trillones de parámetros. Este método envía solo los cambios, permitiendo a los receptores obtener los bits de un refit denso. Se demuestra que NeMo-DCR es 7 veces más rápido que AReaL-DTE y es significativamente más rápido en escenarios de estrés.
Replay Counterfactual: Entornos Forkables como Recompensas de Proceso Gratuitas para Agentes de Ingeniería de Software
Se presenta el Counterfactual Rollout Replay (CRR), un procedimiento de entrenamiento que utiliza entornos ejecutables forkables para obtener contrastes de retorno a nivel de paso en agentes de ingeniería de software. Este método mejora el rendimiento en benchmarks como SWE-bench Verified, logrando una mejora del 5.0 puntos porcentuales en comparación con métodos anteriores. El CRR no requiere etiquetas de proceso humanas ni modelos de recompensa aprendidos, enfocándose en la eficiencia del cómputo.
Índice de Salud de Benchmarks: Un marco sistemático para comparar los puntos de referencia de los LLM
Se presenta el Índice de Salud de Benchmarks (BHI), un marco basado en datos para auditar la fiabilidad de los puntos de referencia utilizados para medir el progreso de los Modelos de Lenguaje Grande (LLM). Este índice evalúa la capacidad de discriminación, la anti-saturación y el impacto de estos benchmarks en los ecosistemas académico e industrial. El objetivo es proporcionar una base sólida para la selección de benchmarks y la gestión dinámica de los protocolos de evaluación.
Lectura y decodificación adaptativa de escenas en difusión impulsando VLAs
Se propone un marco de lectura y decodificación adaptativa para modelos VLAs impulsados por difusión, buscando mejorar la calidad de la planificación al evitar decodificaciones innecesarias. El método pondera y combina predicciones de trayectoria de capas tardías después de un solo barrido de la columna vertebral, aplicando refinamiento solo cuando es necesario según la escena. Los resultados muestran una mejora en el rendimiento y una aceleración de velocidad de hasta 6.0x en benchmarks de Waymo E2E y reducción del error de trayectoria en nuScenes.
Generación automática de teoremas en lógica de primer orden por construcción a partir de contradicciones estándar triangulares
Se propone un marco constructivo para la generación automática de teoremas (ATG) en lógica de primer orden basado en contradicciones estándar triangulares. El método construye conjuntos de cláusulas mínimamente insatisfacibles para formar teoremas con garantía lógica. Se extiende la familia de generadores $\Delta$ para ofrecer una base para el descubrimiento automático de teoremas.
WaiT para la señal: Acoplamiento de flujo consciente de la frecuencia
Se presenta WaiT, un Transformer de imagen consciente de la wavelet diseñado para mejorar la calidad de la generación de imágenes al manejar la jerarquía de frecuencias. Este modelo aborda las limitaciones del *flow matching* estándar al separar la generación en bandas gruesas y finas mediante wavelets sin pérdida. Los resultados demuestran que WaiT alcanza un FID de 1.43 en ImageNet 512x512 y establece un nuevo estado del arte en fidelidad de textura.
Modelado generativo con flujos continuos: Complejidad de muestra del Flow Matching
Se presenta un análisis libre de minimizador de riesgo empírico para el Flow Matching, abordando el error estadístico de muestra finita y el error de optimización empírica de tiempo finito. El estudio demuestra una garantía con alta probabilidad sobre el conjunto de datos de entrenamiento finito y en expectativa sobre la aleatoriedad del gradiente estocástico. El resultado separa el error de aproximación, el error estadístico y el error de optimización.
Distilación de auto-enseñanza consciente de la búsqueda con alineación de hermanos para recomendación generativa
Se propone un marco llamado SA-OPSD para mejorar la supervisión del entrenamiento en la recomendación generativa mediante la transferencia de conocimiento del auto-maestro a los estados visitados durante la búsqueda en haz del estudiante. Se introducen técnicas como el Muestreo de Límite Evolutivo y la Destilación de Rama Desacoplada por Confianza para manejar desafíos relacionados con la retención de estados y las preferencias de las ramas competidoras. Los experimentos realizados en diferentes dominios demuestran un fuerte rendimiento del método propuesto.
Detección de fraude en el espacio de representación mediante un marco bayesiano IRL
Se audita la detección de fraude en el espacio de representación utilizando un marco bayesiano para evaluar detectores de sistemas de recomendación. Se demuestra que un detector basado en una representación invariante no puede superar la probabilidad contra ataques que imitan perfiles orgánicos. El rendimiento del detector colapsa ante ataques de mimetismo de donante, lo que sugiere que la representación es el factor limitante, no el ataque.
Temperatura, no conocimiento: Lo que el autoentrenamiento recursivo y sus remedios hacen a la confianza de un modelo de lenguaje
Se investiga cómo el autoentrenamiento recursivo afecta la confianza de los modelos de lenguaje, encontrando que la confianza se agudiza y las respuestas más seguras se vuelven menos fiables. Se comparan diferentes remedios para mitigar este efecto, observando que algunos métodos mejoran la discriminación pero provocan subconfianza.
Reconstrucción como Evaluación Espacial: Diagnostizando la Inteligencia Espacial entre Múltiples Vistas en Modelos de Lenguaje-Visión Grandes
Se presenta RECONSPATIAL, un punto de referencia para evaluar la inteligencia espacial de los modelos de lenguaje-visión (LVLM) mediante la reconstrucción 3D de escenas multi-vista. Se investiga la brecha entre la estructura relativa de la escena y la precisión métrica de la reconstrucción. Los resultados indican que la consistencia relacional no asegura la exactitud métrica, limitando el éxito de la navegación.
Skill++: Hacia agentes de aprendizaje permanente a través de la refinación de habilidades consciente del enrutamiento
Se presenta Skill++, una solución para el enrutamiento de habilidades en modelos de lenguaje grande (LLM) que aborda el problema del aprendizaje continuo incremental. Skill++ reescribe el nombre y la descripción de las habilidades entrantes para mantener la selectibilidad de habilidades anteriores mientras se incorporan nuevas. Este método logra una selección de habilidades significativamente mayor en comparación con enfoques previos.
Aprendiendo a evolucionar mediante la coincidencia de velocidades
Se presenta una nueva técnica llamada Velocity Matching (VM) para superar las limitaciones de los objetivos basados en trayectorias en el aprendizaje de sistemas dinámicos no lineales. VM es un objetivo libre de simulación que utiliza interpolación lineal por partes y colocación estocástica para aproximar el riesgo de la población de velocidad. El trabajo demuestra que VM mejora la precisión sobre los métodos basados en trayectorias al evitar el costo de simulación y las inestabilidades de recorridos largos.
Entrevistas moderadas por IA para investigación de mercado y calibración de gemelos digitales
Se investiga si las entrevistas moderadas por Inteligencia Artificial son un método escalable para generar perspectivas de consumidores y construir gemelos digitales. El estudio comparó estas entrevistas con entrevistas humanas y métodos estáticos, encontrando que la moderación por IA es más efectiva para descubrir necesidades del cliente que para predecir respuestas.
TRACER: Reasignación de Tokens para la Borrado de Conceptos en Recomendaciones Generativas
Se presenta TRACER, un marco de olvido de conceptos basado en la reasignación de tokens para sistemas de recomendación generativa. Este método busca eliminar conceptos sensibles de los ítems sin afectar negativamente la utilidad de la recomendación. Los experimentos demuestran que TRACER elimina los conceptos objetivo mientras preserva mejor la utilidad de la recomendación que los métodos existentes.