Buscar noticias
Buscá por texto y descubrí noticias relacionadas con tu consulta.
Noticias relevantes
Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.
El nuevo Flipper One es un PC Linux portátil que puedes llevar en tu bolsillo y se vende a cero beneficio
Se lanzó el Flipper One, un ordenador portátil basado en Linux, a través de una campaña de crowdfunding con un precio de $399. El dispositivo utiliza el sistema operativo Flipper OS y puede funcionar como PC de escritorio o dispositivo portátil, ofreciendo capacidades como VPNs y conectividad múltiple. La compañía afirma que el precio cubre el costo de producción y no genera margen de beneficio.
Hospital entrega PC especial a doctor muy enfermo para uso personal
Un doctor investigador, conocido por su consumo de entretenimiento para adultos, causó una infección de malware en su PC, lo que llevó a una investigación interna. El hospital finalmente implementó una política para restringir el uso de PCs para asuntos personales y, posteriormente, los estudiantes del doctor interpusieron una demanda.
Tecnólogo manipula un ventilador defectuoso cerca de líquido inflamable y una placa base expuesta, y lo deja funcionar por días
Un lector llamado Axl manipuló una PC en una gasolinera que dejó de funcionar, sospechando sobrecalentamiento. Él instaló una solución temporal con un ventilador de extracción para mantener el sistema operativo durante varios días. El ingeniero de soporte llegó y reemplazó el componente fallido, y no hubo víctimas, asegurando que los turistas regresaron satisfechos.
Veredicto final de Slayyyter: un disco saturado e industrial que le da identidad propia
El tercer disco de Slayyyter, WOR$T GIRL IN AMERICA, utiliza una producción saturada e industrial para darle identidad propia, marcando un giro respecto al sonido anterior. Aunque la segunda mitad del álbum presenta temas con letras débiles, los momentos donde el ruido se retira permiten que la voz se exprese de manera más suave y expresiva. El álbum es calificado como el más ambicioso y logrado hasta la fecha, combinando la intensidad sonora con una vulnerabilidad en su desenlace.
Kim Gordon – PLAY ME
Kim Gordon lanza su tercer disco, PLAY ME, utilizando canciones cortas y producción industrial para desafiar al algoritmo del streaming. El álbum explora temas políticos y opresivos, criticando la tecnocracia y la manipulación del sistema. La obra demuestra cómo la brevedad y la suciedad de la producción pueden ser una estrategia efectiva para contestar las reglas del sistema digital.
Linux se une a la flota de pantallas de información inoperativas de Heathrow
Linux ha demostrado ser tan capaz como Windows en términos de fallos, y Heathrow está explorando el uso de hardware basado en Raspberry Pi para sus nuevas pantallas. Se destaca la flexibilidad en la distribución de contenido y la eficiencia energética de las nuevas soluciones de hardware.
Linux está obteniendo una herramienta que causa fallos en el sistema de forma intencionada
Se presenta una nueva herramienta en el kernel de Linux llamada hwpoison-panic diseñada para inducir fallos de memoria intencionales. Esta herramienta permite a los desarrolladores probar la respuesta del kernel ante errores de memoria irrecuperables, simulando fallos de hardware para verificar la estabilidad del sistema. El objetivo es que el kernel realice un pánico inmediato, lo cual es crucial para el desarrollo y la depuración de sistemas operativos.
La mejor manera de detener la propagación de una idea es un incendio controlado
El texto describe una situación de crisis en un edificio donde se sospecha la propagación de un virus, desencadenada por una idea impulsiva. Los personajes intentan detener la situación mediante la desactivación de sistemas y la destrucción de dispositivos. Finalmente, se confirma que el fuego se originó por un acelerante desconocido, aunque la idea inicial no fue la causa directa.
Alguien usó Claude para construir un chatbot que cabe en un disco flexible
Se presenta Tiny-2.1, un chatbot construido con Claude que se ejecuta en DOS con una memoria muy limitada. Aunque puede realizar tareas básicas como trivia y aritmética, su precisión disminuye significativamente al responder preguntas con redacción nueva. El texto concluye que es más una prueba de concepto que un modelo práctico para uso diario, aunque es útil para probar la capacidad de modelos pequeños.
Descubierta la causa inesperada del ruido de la computadora
Se reveló que el ruido de la computadora puede deberse a la carga de la tarjeta gráfica y la acumulación de polvo en el sistema de refrigeración. El aumento de temperatura provoca que los ventiladores trabajen más rápido, y la vibración de componentes puede generar ruidos. Se recomienda limpiar el dispositivo de polvo y revisar si el ventilador está desgastado.
Noticias encontradas
Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.
Resultados para «Bleeping Computer»
Más recientes primero · Hasta 30 noticias por página
Descubrimiento guiado por conjeturas: SCOPE y ClosureBench
Se presenta SCOPE, un marco que permite múltiples trayectorias de investigación guiadas por conjeturas mediante agentes científicos que modelan ecuaciones y prueban hipótesis. Se introduce ClosureBench, un punto de referencia interactivo para tareas de descubrimiento de cierre, incluyendo métricas para evaluar la fidelidad de la evidencia y la efectividad experimental. SCOPE demuestra una mayor precisión en el descubrimiento de ecuaciones tanto en benchmarks como en casos científicos reales.
MAS-Guard: Barreras unificadas desde agentes individuales hasta sistemas de LLM multiagente
Se presenta MAS-Guard, un marco unificado para proteger aplicaciones de IA de agentes individuales y multiagentes. Este sistema aborda riesgos como acciones inseguras y manipulación adversaria mediante capas de defensa local y a nivel de sistema. Las evaluaciones indican que MAS-Guard reduce significativamente la tasa de éxito de ataque en comparación con agentes sin protección.
Predicción de Atención en Investigación (RAP) en Agentes de Lenguaje
Se presenta el RAP, un punto de referencia para evaluar la capacidad de los agentes de LLM para inferir cambios en campos de investigación a partir de la evidencia recuperada. Los resultados indican que la búsqueda mejora el reconocimiento de cambios recientes, pero la capacidad de predecir cambios futuros sigue siendo limitada o negativa. Los agentes pueden reconocer cambios recientes, pero anticipar con fiabilidad la actividad de investigación futura resulta difícil.
Fusión temprana de imágenes H&E y transcriptómica espacial a resoluciones variables con aprendizaje auto-supervisado
Se propone una arquitectura de transformador de visión temprana fusión para integrar la transcriptómica espacial con imágenes de todo el portaobjetos, capturando arquitectura morfológica y actividad molecular. El modelo entrenado demuestra que la combinación de ambas modalidades supera el rendimiento de cada modalidad por separado en tareas de predicción de expresión génica.
Mezcla de capas: Enrutamiento de capas dinámico para el razonamiento visual
Se propone Mixture of Layers (MoL), un enfoque de enrutamiento de capas condicionado por instrucciones a nivel de parche para agregar dinámicamente representaciones latentes de capas intermedias del codificador de visión. Este método busca mejorar el acceso a características visuales específicas para el razonamiento visual de grano fino en Modelos de Lenguaje Grande Multimodales (MLLMs). Los experimentos muestran mejoras significativas en tareas de razonamiento visual, superando a los MLLMs de referencia sin aumentar la complejidad de la entrada.
Prompting espectral latente para el seguimiento de objetos multimodal
Se propone SProTrack, un marco multimodal que transfiere conocimiento temporal de rastreadores RGB preentrenados al dominio hiperespectral mediante prompting espectral latente. Este enfoque desacopla el modelado temporal de la adaptación espectral, permitiendo aprender información hiperespectral de forma auto-supervisada. Los experimentos demuestran que SProTrack logra el mejor rendimiento general en todos los dominios espectrales.
Usar Geometría de Dirección de Activación para Reducir la Búsqueda de Hiperparámetros
Se presenta un método basado en la geometría de dirección de activación ($d'$) para controlar el comportamiento de los Modelos de Lenguaje Grande (LLM) y reducir la búsqueda de hiperparámetros. El estudio demuestra que $d'$ es eficaz para identificar capas de rendimiento en tareas de respuesta a preguntas de opción múltiple y en la selección de capas para la generación de texto abierto. Se concluye que las conclusiones obtenidas en escenarios de un solo token no siempre son aplicables a la generación de texto abierto.
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.