Buscar noticias
Buscá por texto y descubrí noticias relacionadas con tu consulta.
Noticias relevantes
Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.
Substrate AI integrará todas sus actividades de IA en el grupo con una operación de 40,5 millones
Substrate AI y su matriz Subgen AI han acordado una reorganización estructural para concentrar todas sus actividades de inteligencia artificial bajo Substrate AI mediante una operación de 40,5 millones de euros. Esta medida busca mejorar la eficiencia operativa y simplificar la estructura societaria del grupo. La operación incluye la adquisición de participaciones de filiales de Subgen AI y la emisión de un bono convertible.
No se identificaron personas.
Substrate AI reunirá todas sus operaciones de IA dentro del grupo en una operación de 40,5 millones
Substrate AI y su matriz Subgen AI han acordado una reestructuración global para consolidar todas las operaciones de inteligencia artificial bajo la estructura de Substrate AI por 40,5 millones de euros. Este movimiento busca potenciar la eficiencia operativa y reforzar a Substrate AI como el vehículo central para el desarrollo y comercialización de soluciones de IA a nivel mundial. Se unifican las operaciones internacionales en Europa y Latinoamérica para responder al crecimiento del mercado de IA corporativa.
No se identificaron personas.
La compañía valenciana Substrate AI es admitida a cotización en el Cboe Europe
La compañía española de inteligencia artificial Substrate AI ha sido admitida a cotización en el Cboe Europa. La empresa tiene como objetivo superar los 100 millones de euros de facturación para 2030, enfocándose en el desarrollo de tecnología propia y la comercialización de tokens. La noticia también detalla la evolución reciente de su capitalización y resultados financieros.
La justicia condena a Substrate AI a pagar a Summon Press los 500.000 euros pendientes por la venta de su negocio digital
La Sección Civil del Tribunal de Instancia de Valencia condenó a Substrate AI a pagar 500.000 euros más intereses a Summon Press por un pago pendiente de una compraventa de negocio digital. La jueza desestimó la reclamación de Substrate, mientras que la demanda de Summon Press fue parcialmente estimada.
La valenciana Substrate AI compra un solar en Talavera de la Reina (Toledo) para un centro de datos
Substrate AI adquirió un solar en Talavera de la Reina, Toledo, por 1,61 millones de euros para desarrollar un centro de datos. Esta compra forma parte de la estrategia de la empresa para desplegar infraestructura tecnológica propia en España y potenciar la IA europea. La puesta en marcha del proyecto depende de obtener permisos y cumplir con hitos técnicos administrativos.
Substrate AI adquiere un solar en Talavera de la Reina por 1,61 millones para un futuro centro de datos
Substrate AI adquirió un solar en Talavera de la Reina por 1,61 millones de euros para desarrollar un futuro centro de datos como parte de su estrategia de infraestructura de IA en España. La compra, formalizada el 13 de noviembre, incluye varias parcelas y el proyecto depende de la obtención de licencias y autorizaciones pendientes. Este paso refuerza la estrategia de la compañía para desplegar infraestructura tecnológica propia y soberana en el país.
Destilación de algoritmos para aprendizaje por refuerzo seguro en contexto
Se presenta el Aprendizaje por Refuerzo Seguro en Contexto (Safe ICRL) y el Algoritmo de Distilación de Algoritmos Seguros (Safe AD). Se revisan dos partes de Safe AD, incluyendo la introducción de presupuestos dinámicos y el ajuste A-Lag para mejorar el rendimiento en entornos de locomoción y navegación. Los experimentos demuestran que A-Lag supera a Safe AD en términos de costo y retorno final en varios entornos.
DeepSeek presenta 'super agente' de IA en la carrera de codificación con OpenAI, Anthropic
DeepSeek ha presentado un 'super agente' de IA diseñado para manejar múltiples tareas con mínima intervención humana, buscando reducir la necesidad de coordinación y supervisión humana en flujos de trabajo complejos. Este desarrollo se posiciona como una respuesta a la creciente automatización de tareas por parte de los modelos de IA, buscando optimizar la gestión de flujos de trabajo mediante la autonomía de los agentes.
Avatares holográficos con IA en el subte porteño: qué son y para qué se utilizarán
La compañía Subterráneos de Buenos Aires (SBASE) lanzó una licitación para implementar avatares holográficos con inteligencia artificial conversacional en el subte porteño. El proyecto busca permitir a los usuarios interactuar con figuras virtuales para realizar consultas y obtener respuestas en tiempo real. Se planea instalar seis dispositivos interactivos en dos estaciones de la línea B.
No se identificaron personas.
Radiografía al ciberdelito: Una de cada cuatro brechas maliciosas utiliza inteligencia artificial en el ataque
El ciberdelito está utilizando la inteligencia artificial, como los deepfakes, para suplantar identidades de ejecutivos y abogados, logrando fraudes multimillonarios. Un informe de IBM indica que una de cada cuatro brechas maliciosas involucra IA, y el fraude por voz es el vector más costoso. Se advierte sobre el riesgo creciente de ataques a fin de año y la necesidad de implementar controles internos estrictos para mitigar riesgos.
Noticias encontradas
Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.
Resultados para «Substrate AI»
Más recientes primero · Hasta 30 noticias por página
La brecha narrativa: ¿Pueden los LLM ayudarnos a navegar narrativas diversas a través de diferentes idiomas?
Los modelos de lenguaje grandes (LLM) median cómo las personas consumen información, incluyendo cuentas diversas en diferentes idiomas y regiones sobre temas controvertidos. Se definen capacidades necesarias para que los modelos ayuden a navegar estas narrativas diversas. Se presenta NarrativeBench, un *benchmark* para evaluar si los LLM actuales pueden manejar esta diversidad de narrativas. Se concluye que los modelos actuales carecen de las capacidades necesarias para navegar de manera confiable narrativas diversas.
Aprender la tarea, no el horario: Reduciendo el acoplamiento espurio entre brazos en el aprendizaje por imitación bimanual
Se presenta la Recombinación Temporal Preservadora de Restricciones (CTR) para mejorar el aprendizaje por imitación bimanual, preservando el contenido sensoriomotor local mientras se ajustan los tiempos para cumplir con las restricciones de la tarea. Este método reduce el acoplamiento espurio entre brazos, mejorando el rendimiento en tareas simuladas y de robots reales. Los resultados muestran que CTR aumenta el éxito en el peor estado de 56% a 76% en ciertas configuraciones.
Optimizaciones del sistema para la eficiencia de costos en implementaciones de agentes de IA
Se investigan oportunidades de optimización de costos en las implementaciones de agentes de IA, encontrando que las variaciones en el lado del *harness* impactan significativamente el costo de ejecución. Se propone una plataforma llamada Agency para aplicar optimizaciones de sistema que reducen el uso de *tokens* y llamadas a LLM sin afectar la precisión de la tarea. Se lograron reducciones de costos de hasta un 35% en pruebas de concepto.
RELAY: Destilación Selectiva con Transferencia Adaptativa para Aprendizaje por Refuerzo Basado en Rubricas
Se presenta RELAY, un método de aprendizaje por refuerzo que utiliza destilación selectiva con transferencia adaptativa. Este método busca mejorar el rendimiento sobre GRPO al seleccionar simulaciones específicas y monitorear la pérdida de destilación para decidir cuándo retirar un modelo profesor. RELAY superó a GRPO en varias configuraciones, mostrando mejoras significativas en el dominio y al destilar solo una parte de los tokens de respuesta.
El razonamiento latente no carece de señal, carece de invariancia
Se presenta el marco TILR para el refinamiento latente, diseñado para mejorar la robustez del razonamiento al controlar las correcciones dentro de un subespacio estable. Este método sin entrenamiento filtra variaciones inestables al proyectar actualizaciones contrastivas sobre un subespacio concentrado. Los resultados demuestran que TILR aumenta la robustez a perturbaciones de entrada y mejora la precisión en benchmarks de razonamiento.
LibEvoBench: Sondear la estratificación del conocimiento temporal en modelos de generación de código
Se presenta LibEvoBench, un benchmark multi-tarea para evaluar la consistencia de los modelos de lenguaje (LLM) al trabajar con múltiples versiones de librerías de Python con APIs en evolución. Los resultados indican que los modelos de vanguardia son indiferentes a la versión, y que la documentación relevante es crucial para mejorar su precisión. Esto sugiere una limitación en los paradigmas de entrenamiento actuales para el conocimiento temporal en la generación de código.
AutoQS: Diseño de Estrategia de Cuantización Automatizada con Modelos de Lenguaje Grande
Se presenta AutoQS, un método basado en LLMs para automatizar el diseño de estrategias de cuantización en modelos de lenguaje grandes (LLMs). Este enfoque busca equilibrar la calidad del modelo con los costos de almacenamiento y despliegue. El sistema utiliza proxies de calidad para guiar propuestas de cuantización, buscando mejorar la precisión en tareas específicas.
Recuperación interactiva de personas con retroalimentación visual en tiempo real
Se presenta VFI-PR, un nuevo paradigma de recuperación interactiva de personas que utiliza retroalimentación visual de los candidatos recuperados como evidencia para la siguiente ronda de preguntas. El marco VFI-ReID adapta la recuperación y la generación de preguntas para incorporar esta retroalimentación visual, mejorando consistentemente la recuperación en comparación con métodos previos. Los experimentos demuestran la utilidad de la retroalimentación visual para refinar la recuperación interactiva de personas.
La interferencia de la dirección refleja los valores por defecto del modelo, no las direcciones de comportamiento
Se investiga la interferencia de la dirección en los modelos de lenguaje para entender cómo las direcciones afectan el comportamiento del modelo. Los resultados indican que las direcciones sin contenido de comportamiento mueven comportamientos similares a las direcciones reales, y la estructura unidireccional es consistente en la mayoría de los modelos.
TraceML: Lo que los agentes de investigación automática omiten en el desarrollo de ML a largo plazo
Se presenta TraceML, un marco que compara el trabajo humano y del agente en competiciones de aprendizaje automático. El sistema rastrea cada versión de código con su puntuación y detalles para cuantificar la brecha entre el rendimiento de los agentes y el de los competidores humanos. Se libera un kit de herramientas para convertir ejecuciones de agentes en trayectorias TraceML para su análisis.
GMD-Mamba: Segmentación de imágenes médicas 3D ligeras utilizando Mamba
Se propone el GMD Mamba, una red ligera para la segmentación de imágenes médicas 3D utilizando Mamba. Este método divide los canales en grupos y aplica el escaneo en diferentes direcciones para obtener contexto multidireccional. El modelo logra un Dice promedio del 92.0% en BraTS2023, superando a otros métodos con menos parámetros.
Estabilizando el Aprendizaje por Refuerzo en MoE al alinear enrutadores de entrenamiento e inferencia
Se propone el método Rollout Routing Replay (R3) para estabilizar el entrenamiento de aprendizaje por refuerzo (RL) en modelos Mixture-of-Experts (MoE). Este método registra las distribuciones de enrutamiento de la fase de inferencia y las repite durante el entrenamiento, reduciendo la divergencia KL y previniendo el colapso del entrenamiento. Los experimentos confirman que R3 estabiliza el entrenamiento de RL y supera a otros métodos existentes.
Sobre capacidades emergentes y fusión de modelos
Se investiga la fusión de modelos mediante la combinación aritmética de pesos de puntos de control ajustados, buscando entender su impacto en las capacidades emergentes. Los hallazgos indican que la fusión preserva la desalineación de los modelos parentales, pero no puede crear capacidades emergentes superaditivas. Además, la fusión diluye la capacidad emergente cuando solo un modelo la posee, mostrando diferencias significativas en los resultados.
Aprendizaje eficiente de políticas MPC diferenciables en la GPU mediante ADMM suavizado y RL de primer orden
Se presenta un método para el aprendizaje diferenciable de políticas de control predictivo de modelo (MPC) en la GPU, combinando SQP con ADMM suavizado para obtener gradientes suaves. Este enfoque se acopla con RL de primer orden (FORL) para entrenar las políticas, logrando una mejora significativa en el rendimiento de entrenamiento y velocidad en tareas de carreras. El método demuestra una aceleración de 46 veces en comparación con MPC PPO.
AdaPath: Búsqueda de caminos adaptada a consultas mediante Path-Bank para QA biomédico implícito
Se presenta AdaPath, un marco de búsqueda de caminos diseñado para resolver desafíos en el QA biomédico, como la exposición de razonamiento intermedio y la densidad de los grafos de conocimiento. Este método recupera meta-rutas adaptadas a consultas de Path-Bank para mejorar el razonamiento de los LLM. Además, se lanza BioStrat-QA, un benchmark que estratifica las consultas de múltiples saltos. AdaPath supera consistentemente a los métodos de referencia en estos benchmarks.
Conjunto de datos a gran escala para la redacción de patentes multijurisdiccionales translingüísticas a partir de solicitudes del Tratado de Cooperación en materia de Patentes
Se desarrolló un conjunto de datos japonés-inglés a gran escala para la redacción de patentes multijurisdiccionales a partir de solicitudes del Tratado de Cooperación en materia de Patentes. Este conjunto de datos vincula registros de la Oficina de Patentes de Japón (JPO) y la USPTO mediante familias de patentes derivadas del PCT. El objetivo es modelar transformaciones específicas de jurisdicción y etapa que van más allá de la traducción simple.
Atribución a nivel de oración para salidas de Modelos de Lenguaje Grande de caja negra mediante sustitutos basados en energía
Se propone un intérprete de atribución post-hoc independiente del modelo que opera a nivel de oración para evaluar la consistencia entre la instrucción y la respuesta de Modelos de Lenguaje Grande (LLM) propietarios. Se entrena un Modelo Basado en Energía (EBM) como sustituto para medir la consistencia generativa y luego se entrena una red intérprete para estimar la influencia de las oraciones de la instrucción en la salida. Los experimentos demuestran que el enfoque captura dependencias generativas complejas y logra una calidad de atribución competitiva con eficiencia en parámetros.
¿Saben los modelos de lenguaje cuáles son las restricciones que pertenecen juntas?
El texto analiza cómo los modelos de lenguaje pueden identificar grupos de restricciones que pertenecen juntas en problemas de programación entera mixta. Se compara la capacidad de estos modelos con métodos basados en la observación de límites y predicciones basadas en la lectura del modelo. Se demuestra que los modelos de lenguaje son efectivos para nombrar grupos de margen cero en instancias de modelos MIPLIB-NL.
Honeyval: Un marco de evaluación exhaustivo para honeypots HTTP impulsados por LLM
Se propone Honeyval, un marco de evaluación exhaustivo para honeypots HTTP impulsados por LLM, abordando las limitaciones de evaluaciones previas. El marco utiliza 16 aplicaciones de backend y agentes de hacking de IA para evaluar las capacidades de estos honeypots. Los experimentos demuestran que los honeypots impulsados por LLM ofrecen interacciones más largas con el atacante y son menos detectados, manteniendo una ventaja de costo.
SaliMory: Orquestando la memoria cognitiva para agentes conversacionales
Se presenta SaliMory, un marco diseñado para gestionar y utilizar una memoria cognitiva estructurada para agentes conversacionales. Este marco aborda problemas de degradación del razonamiento al expandir ventanas de contexto y cuellos de botella en el aprendizaje por refuerzo. Los resultados muestran que SaliMory logra una alta tasa de personalización y una precisión de QA superior, produciendo memorias más factuales.
Validando modelos de lenguaje visuales como consumidores sintéticos
Se investiga si los modelos de lenguaje visuales (VLMs) pueden actuar como compradores sintéticos al seleccionar productos en estantes, comparando sus compras con datos reales. Se demuestra que estos modelos pueden reproducir patrones de compra basados en género, edad y distancia a la tienda en diferentes contextos internacionales. Se introduce ShelfSight para refinar las elecciones de estante, separando las preferencias del producto de los efectos de la etiqueta y la posición.
LAION-BVD: Conjunto de datos de video abierto de 13 millones de horas para preentrenamiento multimodal
Se presenta LAION-BVD, un gran conjunto de datos de video abierto para aprendizaje multimodal, que incluye 80 millones de videos con 13.5 millones de horas de duración. El conjunto de datos está diseñado para preentrenamiento multimodal usando video, audio e imágenes. Los modelos entrenados con estos datos muestran un rendimiento competitivo en tareas de video-texto y audio-texto. Se libera a la comunidad de investigación para expandir el acceso abierto a videos multimodales.
CRANE: Inyección de razonamiento restringido para agentes de código mediante edición de espacio nulo
Se presenta CRANE, un método de edición de parámetros sin entrenamiento para agentes de código que combina modelos Instruct y Thinking. Este método busca mejorar el razonamiento y la preservación de protocolos de uso de herramientas, logrando ganancias significativas en varios *benchmarks*. CRANE supera a estrategias de fusión alternativas al mantener la eficiencia del modelo Instruct.
¿Qué leen las sondas de colusión? Tres trampas en la evaluación de monitores de colusión multiagente
Se investigan las sondas de activación como monitores para la colusión secreta entre agentes de LLM. Se demuestra que estas sondas detectan si un agente fue instruido para coludir, no si tomó la decisión. Se identifican fallos en la evaluación de estos monitores, como el puntuarlos después de la votación. Se proponen métodos para mejorar la detección de colusión en sistemas multiagente.
Alineación representacional entre redes neuronales profundas y el cerebro humano en el procesamiento del habla bajo ruido audiovisual
Un estudio investigó la alineación entre las representaciones de redes neuronales profundas (DNNs) y el procesamiento acústico-lingüístico del cerebro humano. Se utilizó el análisis de similitud representacional (RSA) para comparar las respuestas neuronales con los embeddings de modelos ASR. Los resultados indican que las capas superficiales se alinean mejor con características acústicas, mientras que las capas profundas se alinean con características lingüísticas, sugiriendo que los modelos ajustados finamente pueden imitar patrones de procesamiento humano en entornos ruidosos.
Alineando modelos de lenguaje con predicción selectiva
Se propone mejorar la fiabilidad de los Modelos de Lenguaje Grandes (LLM) mediante la predicción selectiva (SP), una estrategia que equilibra el compromiso entre riesgo y cobertura para reducir la tasa de error. Se introduce un marco de alineación llamado RLSR, que utiliza el área bajo la curva riesgo-cobertura (AURC) como objetivo para lograr un mejor equilibrio entre riesgo y cobertura en tareas de IA.
Viverra: Text-to-Code con garantías
Se presenta Viverra, un sistema que genera automáticamente anotaciones formalmente verificadas junto con código C generado para mejorar la comprensión del usuario. Este sistema utiliza un LLM para sintetizar código y aserciones de seguridad, verificándolas mediante verificadores de modelos acotados. La evaluación sugiere que Viverra genera código con aserciones verificadas eficientemente y mejora la comprensión del código por parte de los usuarios.
Conociendo lo que falta: Memoria conversacional eficiente mediante seguimiento explícito de brechas de evidencia
Se propone MemR$^3$, un controlador de bucle cerrado que reformula la recuperación de memoria conversacional como toma de decisiones con estado explícito, manteniendo un estado de brecha de evidencia. Este método busca mejorar la eficiencia de la memoria conversacional al condicionar al modelo con un resumen compacto del progreso en lugar de la historia completa. Los experimentos demuestran que MemR$^3$ supera a los métodos de recuperación de múltiples pasos implícitos y es eficiente en el uso de tokens.
Optimización de política guiada por el profesor para la destilación del razonamiento en el razonamiento on-policy bajo gran divergencia de política
Se propone la Optimización de Política Guiada por el Profesor (TGPO) como un método de destilación on-policy para LLMs, diseñado para ser efectivo incluso con gran divergencia de política profesor-estudiante. TGPO guía la generación de tokens mediante el profesor y recompensas a nivel de trayectoria, buscando mejorar la exploración y el razonamiento. Los experimentos demuestran que TGPO supera a los métodos existentes basados en RKL.
¿Importa la codificación de poses? Analizando representaciones geométricas para el aprendizaje de vocabulario de movimiento discreto
El estudio analiza cuatro codificaciones de movimiento esquelético en diferentes espacios geométricos para la tokenización discreta. Se evalúan codificaciones como mapas de calor gaussianos, posiciones euclidianas y rotaciones en espacio SO. Se mide la utilización del vocabulario efectivo y se concluye que la geometría de la entrada es una decisión clave en la tokenización de movimiento.