Buscar noticias
Buscá por texto y descubrí noticias relacionadas con tu consulta.
Noticias relevantes
Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.
Meta AI tendrá menos olvido y dejará de rendirse con la nueva actualización
Meta ha actualizado los modelos de sus agentes Muse y Meta AI para mejorar la memoria y la capacidad de recuperación de información. La nueva funcionalidad permite a los asistentes de IA recordar detalles de conversaciones pasadas y mejorar la capacidad de la IA para corregir errores y completar tareas complejas. Meta está utilizando modelos especializados para tareas cotidianas en lugar de modelos fronterizos, buscando hacer que sus asistentes sean más útiles en el trabajo práctico diario.
DF Lab Opinión/ Metatrabajo, el nuevo concepto IA
Un artículo de DF Lab Opinión presenta una visión sobre la Inteligencia Artificial, indicando que la IA no elimina empleos, sino que los transforma, pasando de roles de ejecución a roles de dirección, revisión y decisión, lo que algunos denominan "botsitting".
Meta se inclina por los Tamagotchi porque sabe que eres un adicto a la interacción
Meta está utilizando la ternura y la interacción para atraer a los usuarios con su nueva aplicación Waddle World, una mascota tipo Tamagotchi. Esta aplicación fomenta la interacción al permitir a los usuarios hablar con la mascota, que actúa como confidente, buscando mantener al usuario comprometido. La compañía parece aplicar esta estrategia, similar a sus esfuerzos con otras herramientas de IA, para suavizar la experiencia de interacción con la inteligencia artificial y fomentar la repetición de uso.
Meta busca recaudar hasta $25 mil millones en venta de deuda por el aumento del gasto en IA
Meta está buscando recaudar entre $20 y $25 mil millones en una venta de bonos para financiar su creciente inversión en infraestructura de inteligencia artificial. Esta decisión se produce mientras la empresa enfrenta incertidumbre debido al gasto de capital y al flujo de caja libre negativo reportado recientemente. La compañía busca asegurar fondos para sus iniciativas de IA a través de diversas operaciones de deuda y capital.
Meta se une con Pueri de China para desarrollar prototipo de robot humanoide 'Max'
Meta colaboró con la startup china Pueri durante tres meses para desarrollar el prototipo de robot humanoide 'Max', buscando integrar su asistente de IA 'Muse' con un cuerpo físico para realizar tareas domésticas. Max, de 1.5 m de altura y 48 kg, está equipado con el chip Jetson Tor de NVIDIA y tiene características como una pantalla facial y un sistema de agarre con cinco dedos. Meta probó el prototipo y planea desarrollar un segundo modelo, 'Max2', con mejoras en la estructura y sensores.
Meta presenta un pequeño modelo de IA, Muse Ember
Meta Platforms presentó Muse Ember, su modelo de inteligencia artificial más pequeño. El CEO Mark Zuckerberg señaló que este modelo está diseñado para tareas repetitivas de agentes de IA que requieren un alto uso de tokens.
La venta de bonos de Meta muestra una nueva realidad para la deuda tecnológica
Meta buscó vender 25 mil millones de dólares en bonos corporativos el 3 de noviembre, una maniobra que podría complicar el financiamiento de su inversión en inteligencia artificial debido a la presión política de los Demócratas. Los gestores de fondos están exigiendo mayor claridad sobre cómo el gasto en IA se traducirá en flujo de caja libre. Además, la incertidumbre regulatoria podría ralentizar el desarrollo de centros de datos en EE. UU., afectando el endeudamiento de las grandes tecnológicas.
Meta prevé recaudar al menos US$ 20.000 millones en posibles emisiones de bonos
Meta evalúa emitir bonos transfronterizos por US$20.000 millones, buscando diversificar su financiamiento en euros y dólares. La compañía mide el interés de los inversores ante el escepticismo sobre el gasto en inteligencia artificial. Se reporta que la venta de acciones de Meta atrae una demanda significativamente mayor a la oferta.
No se identificaron personas.
Meta dice que probablemente retrasará sus controvertidos nuevos términos comerciales de nuevo
Meta ha anunciado que probablemente retrasará la implementación de sus nuevos términos comerciales hasta el 20 de noviembre debido a la reacción de los editores por preocupaciones sobre el entrenamiento de IA. La compañía afirmó que no tiene intención de realizar cambios de políticas sin consulta con líderes de la industria. Los términos, que inicialmente permitían entrenar modelos de IA con contenido de sitios de noticias, fueron pospuestos para mitigar estas preocupaciones legales y de la industria.
Meta capta 15,000 millones de dólares con emisión de bonos en EU para expandirse en IA
Meta Platforms está captando 15,000 millones de dólares mediante una emisión de bonos en dólares para financiar sus inversiones en infraestructura de inteligencia artificial. Esta operación forma parte de una estrategia de la compañía para obtener capital externo, buscando cubrir el crecimiento en centros de datos y capacidad de cómputo. La emisión se suma a otras operaciones de financiación relacionadas con la IA, destacando el recurso de Meta a la deuda para sostener su expansión tecnológica.
Noticias encontradas
Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.
Resultados para «Meta AI»
Más recientes primero · Hasta 30 noticias por página
Explicaciones clínicas basadas en evidencia para pacientes específicos
Se presenta un motor de explicaciones clínicas basado en razonamiento de grafo de conocimiento para inferencias de pacientes. El sistema evalúa la disponibilidad, la representación y la consistencia de datos en un gran conjunto de datos clínicos. Se logró una consistencia de disponibilidad-representación del 99.29% y se validaron los resultados mediante auditorías exhaustivas. La auditabilidad estructural e implementativa fue establecida, aunque la corrección clínica y utilidad aún están por establecerse.
Solo tan seguros como el agente más débil: una ruptura que aparece solo cuando el sistema es multiagente
Se demuestra que los sistemas multiagente, como Codex y Claude Code, pueden ser vulnerados por ataques dirigidos a sus componentes internos. La seguridad de estos sistemas depende de la seguridad del agente más débil, no del orquestador principal. Esto implica que las fallas en la seguridad pueden propagarse a través de la delegación de tareas entre agentes fuertes y débiles.
Alineación pluralista en modelos de lenguaje grandes: objetivos, referencias humanas y representaciones de preferencia
El artículo aborda la alineación pluralista en modelos de lenguaje grandes, buscando representar la variación en las preferencias humanas en lugar de unificar juicios diversos. Propone una taxonomía de dos capas (Pluralismo de Overton, Dirigible y Distributivo) para clasificar el comportamiento deseado de los modelos. El estudio analiza la evidencia necesaria para demostrar el éxito de estos enfoques y cómo futuros sistemas pueden manejar el desacuerdo.
QVal: Evaluando señales de supervisión densa para agentes LLM de largo horizonte
Se presenta QVal, un campo de pruebas sin entrenamiento diseñado para medir el alineamiento Q de señales densas en agentes LLM. El trabajo evalúa 21 métodos en siete familias de modelos para determinar cómo las señales intermedias ordenan las acciones en relación con sus retornos. Se concluye que las señales basadas en *prompting* simple son las más alineadas Q, y el alineamiento Q se correlaciona fuertemente con el éxito en tareas.
D-VLA: Un marco de aprendizaje por refuerzo distribuido asíncrono de alta concurrencia para modelos de visión-lenguaje-acción
Se presenta D-VLA, un marco de Aprendizaje por Refuerzo distribuido de alta concurrencia y baja latencia diseñado para modelos fundacionales encarnados a gran escala. Este marco aborda los cuellos de botella de recursos entre la simulación física y las demandas de memoria de los modelos VLA mediante técnicas como el desacoplamiento de planos y un *pipeline* asíncrono. Los experimentos indican que D-VLA supera a otros marcos de RL en rendimiento y eficiencia de muestreo para modelos VLA de billones de parámetros.
Nvidia, el escándalo de Jensen Huang y la batalla entre Washington y Pekín por dominar la IA
La disputa por el liderazgo en inteligencia artificial se ha transformado en una pugna geopolítica entre Estados Unidos y China, centrada en el control de la tecnología de semiconductores liderada por Nvidia. La controversia alrededor de Jensen Huang, incluyendo sospechas de vínculos con espionaje chino, añade una dimensión política y de seguridad nacional a la competencia tecnológica. Además, la industria enfrenta desafíos financieros y sociales relacionados con la financiación, la infraestructura y la oposición a los centros de datos.
Brain2Vec: Un modelo de base 3D auto-supervisado para resonancias magnéticas cerebrales estructurales
Se presenta Brain2Vec, un modelo de base preentrenado en 74,425 escáneres de resonancia magnética (MRI) T1 ponderados, diseñado para tareas de aprendizaje profundo en imágenes médicas. El modelo muestra mejor precisión y convergencia en tareas de predicción de edad cerebral y supera a otros modelos en el benchmark BrainFMBench. El código y los modelos están disponibles como paquete de código abierto.
Auditoría in silico de la organización topográfica en un modelo de respuesta cerebral multimodal
Se presenta un estudio in silico utilizando el modelo TRIBE v2 para predecir respuestas fMRI a partir de video, audio y texto. El estudio evalúa la capacidad del modelo para predecir la organización topográfica sensorial, encontrando que la retinotopía y la tonotopía fallan, pero la selectividad de movimiento se localiza con precisión.
Aprendiendo a leer: Dinámicas de incrustación en el preentrenamiento de modelos de lenguaje
Se investiga cuándo un modelo de lenguaje adquiere una capacidad, enfocándose en la relación entre los estados ocultos del modelo y su matriz de incrustación (readout). Los autores proponen una técnica para rastrear directamente esta lectura y encuentran que una ventana temprana en el preentrenamiento permite que la lectura reorganice categorías de palabras, sugiriendo que la fecha de comportamiento puede reflejar cuándo la lectura aprende a expresar información de la tarea.
Medición automatizada del diámetro aórtico en imágenes de TC
Se desarrolló y evaluó una herramienta automatizada de código abierto para medir diámetros aórticos en 11 puntos estandarizados mediante imágenes de TC. El estudio mostró un error absoluto medio (MAE) de 1.06 mm, lo que indica un buen acuerdo con la variabilidad inter-lectores publicada. La herramienta fue validada en 230 pacientes y se considera una herramienta útil para la medición radiológica.
¿Pueden los agentes mantener el ritmo con el tiempo? Análisis empírico de la adaptación temporal después de un hiato conversacional
Se investiga si los agentes de largo horizonte pueden percibir y utilizar el tiempo al interpretar registros con fechas pasadas. Los experimentos indican que los agentes pueden obtener el tiempo actual, pero frecuentemente fallan en aplicarlo correctamente. Se sugiere que proporcionar contexto temporal explícito puede reducir el error al adaptar los planes a la fecha actual.
No se identificaron personas.
Probabilidades de Causalidad en Modelos Causalidad No Determinísticos
El estudio aborda las probabilidades de causalidad en modelos causales no determinísticos, analizando mecanismos que pueden ser estocásticos incluso con variables latentes fijadas. Se desarrolla un programa de identificación para datos observacionales e intervencionistas, calculando límites analíticos sobre las probabilidades de causalidad. Los resultados clarifican la relación entre los límites clásicos y la semántica causal no determinística.
Equilibrio Latente Variacional para el Aprendizaje en Circuitos Neuronales
El artículo propone un formalismo general para aproximar la retropropagación a través del tiempo (BPTT) de manera biológicamente plausible. El trabajo desarrolla una regla de aprendizaje para los pesos hacia atrás que busca ecuaciones totalmente locales en espacio y tiempo para la dinámica de neuronas y sinapsis. Esto establece un marco riguroso para el aprendizaje profundo espaciotemporal en el cerebro.
Control de activación basado en el tiempo: De la puerta de token por token a la dirección de activación consciente de la trayectoria
Se presenta un método para controlar el comportamiento de modelos de lenguaje grandes mediante el direccionamiento de activación, enfocándose en el momento preciso de la intervención. Se introducen dos métodos: Proyección de Características Contrastivas (CFP) y Direccionamiento Bernoulli Adaptativo de Bucle Cerrado (CLABS). CLABS es especialmente efectivo bajo presupuestos ajustados, buscando mantener la fluidez mientras se corrige la desviación de la trayectoria.
CarryOn: Aprendiendo qué guardar en contexto para agentes LLM a largo plazo
Se presenta CarryOn, un gestor de contexto ligero diseñado para agentes LLM de horizonte largo, que gestiona la evidencia de manera eficiente. El sistema utiliza un selector aprendido y una política de retención adaptativa para mantener la evidencia relevante sin requerir llamadas adicionales al LLM. CarryOn demostró un éxito de tarea del 75.7% en pruebas comparado con la mejor línea base.
Descubrimiento causal de series temporales con desfases variables
Se presenta un método para el descubrimiento causal de series temporales que aprende conjuntamente el orden temporal y el desfase dominante para pares de variables. El método utiliza una puntuación de objetivo BIC-style descomponible que penaliza los desfases más recientes. Las simulaciones demuestran que este método supera a otros aprendices en la recuperación de estructuras causales, incluso cuando se consideran desfases mayores.
Suites de evaluación generadas como búsqueda impulsada por la diversidad para regresiones de agentes reales
El texto describe la generación de suites de evaluación a partir de la especificación de un agente mediante una búsqueda impulsada por la diversidad. Se inyectan defectos controlados en un agente para medir la cobertura y el rendimiento de la suite generada. Se analizan dos regímenes de defectos, incluyendo defectos alineados con el rastro y ortogonales al rastro, para evaluar la capacidad de detección de la suite.
ARCHER: De la imitación de la racionalización al razonamiento ejecutable en modelos de lenguaje pequeños
Se presenta ARCHER, un marco de dos etapas para entrenar modelos de lenguaje pequeños (SLMs) a generar trayectorias de razonamiento ejecutables y auditables. El método transforma la supervisión de imitar texto a aprender una política de razonamiento fundamentada en herramientas. Los resultados muestran mejoras significativas en benchmarks matemáticos como MATH-500, AIME-2024 y AIME-2025.
Detectores de noticias falsas están sesgados contra textos generados por modelos de lenguaje grandes
Un estudio evalúa detectores de noticias falsas y descubre un sesgo significativo: estos detectores tienden a marcar el contenido generado por Modelos de Lenguaje Grandes (LLM) como falso, pero clasifican erróneamente la desinformación escrita por humanos como genuina. Se propone una estrategia de mitigación mediante entrenamiento adversarial para mejorar la precisión de detección en ambos tipos de contenido. Se liberan dos conjuntos de datos para fomentar la investigación futura en el campo.
Hallucination-Free GUI Grounding mediante Correspondencia Consciente del Diseño sin Regresión
Se propone un marco sin regresión para el anclaje de GUI que desacopla la comprensión de instrucciones de la localización consciente del diseño. Este método utiliza un MLLM congelado para el análisis de instrucciones y un modelo dedicado para la localización precisa mediante coincidencia con candidatos basados en el diseño. Los resultados muestran mejoras significativas en la precisión del anclaje, superando al 20% en ScreenSpot-Pro y mejorando la tasa de éxito en más del 15% en Mind2Web.
IA agentiva para descubrir circuitos cuánticos tolerantes a fallos
Se propone un método basado en programación evolutiva agentiva utilizando un modelo de lenguaje grande y un verificador de circuitos para evolucionar programas que definan circuitos Clifford tolerantes a fallos. Este enfoque busca resolver limitaciones en la eficiencia de los circuitos cuánticos para tareas como la preparación de estados lógicos y el diseño de puertas lógicas. El método garantiza que los circuitos generados son verificados exhaustivamente para asegurar su tolerancia a fallos.
Planificación anticipatoria cortés para mejorar la planificación de tareas de larga duración en entornos compartidos persistentes
Se presenta una planificación anticipatoria cortés para robots que comparten un entorno persistente, buscando minimizar el costo total a largo plazo. Este enfoque propone que los robots consideren el impacto de sus acciones en las tareas futuras de otros robots para reducir el costo agregado. La planificación propuesta reduce el costo total en comparación con métodos anteriores en entornos simulados.
De bytes a comportamiento: Atribución a nivel de solicitud de estados ocultos de GPU en vivo
Se presenta un método para adquirir activaciones residuales por capa de un proceso de GPU en vivo utilizando un depurador no modificador. Este método permite analizar el comportamiento operativo de modelos de lenguaje grande (LLM) desplegados en tiempo real. La validación demuestra que los bytes recuperados son exactos y útiles para distinguir el rechazo del cumplimiento en pruebas.
Evaluación de cambios de estado inducidos por el movimiento en Go condicionado por instrucción
Se presenta la métrica TReC para comparar cómo dos movimientos diferentes de un modelo de Go cambian el embedding del estado del tablero. Los resultados experimentales indican que TReC muestra una correlación de rango débil con la distancia de coordenadas, con valores medianos de 0.88 a 1.33 para TReC.
Adaptación en tiempo de prueba a través de interacción humano-agente
Se propone la adaptación en tiempo de prueba a través de la interacción humano-agente (TAHI) para mejorar el rendimiento de los agentes de IA. Esta técnica integra señales de interacción para cristalizar los criterios de entrenamiento y evaluación de cada usuario. Los agentes adaptados muestran mejoras en el éxito de la tarea, y el módulo de rúbrica ayuda a detectar más fallos que los métodos tradicionales.
Ley de condensación de información de seguridad
Se presenta la ley de condensación de información de seguridad, que establece que la información de seguridad utilizable es unimodal en el tamaño del modelo. Esto implica que el error de generalización de seguridad es en forma de U y se minimiza en un tamaño de modelo óptimo finito. Los experimentos en LLMs validan esta ley, sugiriendo que existe un tamaño de modelo óptimo para resolver problemas de seguridad.
¿Pueden los LLMs mejorar su propio sistema de control? Estudio controlado sobre ARC-AGI-3
Un estudio controlado evaluó si los modelos de lenguaje frontera pueden construir y mejorar su propio sistema de control (harness) para tareas complejas. Se midió el rendimiento mediante la Eficiencia de Acción Humana Relativa (RHAE) y el costo de inferencia. Los resultados sugieren una brecha entre la construcción autónoma de sistemas de control y la adaptación fiable bajo el protocolo de dos revisiones.
Hay que reconsiderar: Aprender verificación de autoverificación multi-perspectiva para modelos de visión-lenguaje
Un artículo propone el marco MOTIVE para mejorar la fiabilidad del razonamiento multimodal en modelos visión-lenguaje mediante la autoverificación multi-perspectiva. El marco evalúa respuestas desde diferentes perspectivas de verificación y aprende una puntuación de fiabilidad para decidir si aceptar o reconsiderar una respuesta. Los experimentos demuestran que MOTIVE supera a métodos existentes y permite una autoverificación más fiable y eficiente sin depender de jueces externos.
CoPre-MoE: Consolidando y Preservando MoE para Instrucción Continua Multimodal
Se propone el MoE Consolidando y Preservando (CoPre-MoE) para mitigar la redundancia y el crecimiento de parámetros en modelos de lenguaje grandes multimodales durante el ajuste de instrucción continua. La propuesta incluye una arquitectura de experto compartido y privado y un mecanismo de enrutamiento con claves de recuperación para preservar el conocimiento histórico. Los experimentos demuestran que CoPre-MoE logra un rendimiento superior mientras reduce significativamente la sobrecarga de parámetros.
BigCodeArena: Revelando preferencias humanas más fiables en la generación de código mediante la ejecución
Se presenta BigCodeArena, una plataforma de evaluación humana para la generación de código que permite la ejecución de código generado por LLM. La plataforma utiliza datos de más de 14,000 sesiones de conversación para evaluar las preferencias humanas en la codificación. Se identifican diferencias en el rendimiento de los LLM al juzgar preferencias de codificación cuando se dispone de resultados de ejecución.
- Terry Yue Zhuo
- Xiaolong Jin
- Hange Liu
- Juyong Jiang
- Tianyang Liu
- Chen Gong
- Bhupesh Bishnoi
- Vaisakhi Mishra
- Marek Suppa
- Noah Ziems
- Saiteja Utpala
- Ming Xu
- Guangyu Song
- Kaixin Li
- Yuhan Cao
- Bo Liu
- Zheng Liu
- Sabina Abdurakhmanova
- Wenhao Yu
- Mengzhao Jia
- Jihan Yao
- Kenneth Hamilton
- Kumar Shridhar
- Minh Chien Vu
- Dingmin Wang
- Jiawei Liu
- Zijian Wang
- Qian Liu
- Binyuan Hui
- Meg Risdal
- Ahsen Khaliq
- Atin Sood
- Zhenchang Xing
- Wasi Uddin Ahmad
- John Grundy
- David Lo
- Banghua Zhu
- Xiaoning Du
- Torsten Scholak
- Leandro von Werra