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
Datos alineados pueden inducir desalineación mediante confusión de contexto
Se identifica el fenómeno de confusión de contexto en modelos de lenguaje grandes, donde la alineación en un contexto puede provocar un comportamiento desalineado en otro dominio. Esto ocurre porque las consultas de diferentes dominios pueden activar características aprendidas durante el ajuste fino, transfiriendo el comportamiento a un contexto donde resulta inapropiado. Se concluye que es crucial realizar evaluaciones exhaustivas de alineación post-entrenamiento debido a la dificultad de predecir el estado de alineación solo con los datos de entrenamiento.
CoworkOS: Agente de Trabajo Escalable para la Automatización en el Mundo Real
Se presenta CoworkOS, un marco general para el trabajo de largo horizonte que separa la estrategia de la tarea de la gestión de la ejecución. Este sistema permite la colaboración humano-IA mediante la inspección y revisión conjunta de artefactos como documentos y modelos, permitiendo la participación humana a través de conversación o modificación directa. CoworkOS demuestra competitividad con agentes de vanguardia en múltiples benchmarks.
- Jiajie Jin
- Guanting Dong
- Chengjun Pan
- Xin Deng
- Zhuohui Sheng
- Guoqiang Wang
- Tao Gui
- Yutao Zhu
- Yujia Chen
- Shihong Yi
- Binze Hu
- Zhixiong Yang
- Zhichao Sun
- Rui Wang
- Han Han
- Mingyu Ma
- Junhao Huang
- Xiaotao Wang
- Huicheng Jiang
- Yuyang Hu
- Xinyu Yang
- Wanghan Xu
- Yajie Yang
- Zhecan Wang
- Honglin Guo
- Xiaoyu Xing
- Xiaoqian Zhang
- Yulun Zhu
- Xiaoxi Li
- Jiahang Lin
- Shaofan Liu
- Shihan Dou
- Zhiheng Xi
- Qi Zhang
- Yu-Gang Jiang
- See-Kiong Ng
- Yang Zhang
- Tat-Seng Chua
- Ji-Rong Wen
- Zhicheng Dou
Enrutamiento dinámico de precisión mixta para una interacción eficiente de LLM
Se propone el Enrutamiento Dinámico de Precisión Mixta (DMR) para mejorar la eficiencia de la interacción de modelos de lenguaje grandes (LLM) en tareas agenticas de largo horizonte. DMR selecciona adaptativamente entre versiones de alta y baja precisión del LLM en cada paso de decisión, identificando pasos críticos para optimizar el rendimiento y reducir el costo de inferencia. Este enfoque logra una aceleración de decodificación promedio de 2.44x sobre FP16 en benchmarks de agentes.
ProtoSemImage: Prototipos de imagen con alineación de fila deformable para clasificación de documentos interpretable
Se presenta ProtoSemImage, un método que utiliza imágenes prototipo en espacio HSV para la clasificación de documentos. El modelo busca mejorar la representación visual de los documentos mediante una alineación de fila deformable. La investigación demuestra que esta representación supera a modelos basados en vectores, mejorando el rendimiento en tareas de clasificación.
La ilusión de alineación: Cómo BadReward corrompe la generación de texto a imagen
Se explora la posibilidad de envenenar el proceso RLHF en modelos de texto a imagen mediante un ataque llamado BadReward. Este ataque manipula las señales de recompensa para incrustar comportamientos maliciosos en el contenido generado. Los experimentos demuestran que esta manipulación corrompe la señal de recompensa y es efectiva en arquitecturas modernas de texto a imagen.
Anchor: Prevención de deriva de artefactos para verificación fiable de agentes
Se presenta Anchor, un pipeline para construir benchmarks que formaliza especificaciones de flujos de trabajo empresariales en programas de optimización. Este sistema genera instrucciones, configuraciones de entorno y soluciones certificadas para evaluar agentes de IA. Se aplica a ERP-Bench, un benchmark de 300 tareas para flujos de trabajo de adquisición y fabricación. El objetivo es crear entornos de evaluación auditables cuyos verificadores coincidan con las tareas empresariales valiosas.
Planificación de Frontera Generativa para el reclutamiento por referidos
Se propone la Planificación de Frontera Generativa (GFP) para optimizar la asignación de presupuestos en programas de referidos entre pares, buscando maximizar el reclutamiento de poblaciones de alto riesgo para enfermedades infecciosas. El modelo aprende la capacidad de referencia y las covariables del referente para mejorar la eficiencia de los programas. Los resultados indican que GFP puede reclutar hasta un 21.5% más individuos que los métodos de referencia por pares existentes con el mismo presupuesto.
Prueba programable inspirada en memoria de trabajo para el seguimiento de estado acumulativo en modelos de lenguaje grandes
Se presenta una sonda inspirada en memoria de trabajo para evaluar el seguimiento de estado acumulativo en modelos de lenguaje grandes (LLM). Los resultados indican que la precisión depende significativamente de los protocolos de salida y la cantidad de actualizaciones permitidas. Se demuestra que una fuerte aritmética de un solo paso no asegura un seguimiento acumulativo fiable.
División justa en línea de tareas con recurso de mejora
Se estudia la división justa en línea de tareas indivisibles entre agentes con recurso de mejora. Se demuestra que una adaptación del sistema de ronda mantiene la imparcialidad hasta una tarea (EF1) y una aproximación de la porción maximin (MMS). Se concluye que el conocimiento parcial del número de tareas es suficiente para mejorar el factor MMS.
Optimización de política proximal para muestreo discreto amortizado
Se presenta un artículo que explora algoritmos de gradiente de política para entrenar políticas estocásticas con el marco GFlowNet. El trabajo deriva equivalentes de algoritmos de gradiente de política estándar y aplica la optimización de política proximal a GFlowNets. Esto demuestra una velocidad de convergencia y eficiencia de datos mejoradas en comparación con los objetivos de entrenamiento estándar.
Autorización en el momento del compromiso para agentes de LLM
Se propone la autorización en el momento del compromiso (CTA) para agentes de LLM, exigiendo una justificación completa y actual para el efecto exacto. Esto busca prevenir efectos no autorizados en servicios como GPT, Fable y Sonnet mediante avisos oportunos. Los estudios demuestran que la CTA ayuda a mantener la integridad de los efectos al validar las condiciones en tiempo real.
No se identificaron personas.
Evaluación sin juez del llamamiento a funciones consciente del efecto
Se presenta una evaluación consciente del efecto para el verificador de llamadas a funciones del Leaderboard de Berkeley (BFCL). Este método infiere los efectos de las funciones ejecutándolas en simuladores para identificar cambios de estado. Los resultados muestran que la conciencia del efecto revela diferencias significativas en la calidad de ejecución de los modelos, especialmente en la distinción entre pedir aclaración y obtener permiso antes de acciones destructivas.
VCoT-SQL: Mejorando la generación de Text-to-SQL mediante entrenamiento con validación de Cadena de Pensamiento Dual
Se presenta VCoT-SQL, un marco diseñado para mejorar la generación de Text-to-SQL mediante la supervisión de pasos intermedios validados de Cadena de Pensamiento (CoT) y un validador SQL dedicado. Este enfoque busca permitir que modelos pequeños de código abierto superen a modelos de código cerrado al verificar rigurosamente los pasos de razonamiento. El sistema logra altas tasas de precisión en conjuntos de datos desafiantes, demostrando la efectividad de la validación a nivel de paso sobre el escalamiento del modelo maestro.
Marco de detección de defectos fotovoltaicos autoevolutivo
Se propone SEPDD, un marco de detección de defectos fotovoltaicos autoevolutivo para escenarios industriales en evolución. Este marco optimiza la tubería de entrenamiento y evaluación mediante un mecanismo que reoptimiza el proceso ante indicadores de fallo o cambio en el entorno. Los experimentos demuestran que SEPDD supera a las líneas base existentes en la detección de defectos en conjuntos de datos públicos y privados.
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.