Buscar noticias
Buscá por texto y descubrí noticias relacionadas con tu consulta.
Noticias relevantes
Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.
Un robot polilla hace un sensor UV usando un sistema circulatorio artificial
Investigadores crearon un robot con forma de polilla que utiliza un sistema circulatorio artificial para transportar bloques de construcción químicos y cultivar un sensor de luz UV. Inspirados en la circulación de los insectos, el sistema permite que el entorno moldee al robot, creando componentes necesarios in situ. Este enfoque busca mejorar la adaptabilidad de los robots al enfrentar entornos inesperados, permitiendo que el hardware se desarrolle a medida que el robot interactúa con su entorno.
Poli.design coordina un proyecto europeo para llevar la IA al sector público
Poli.design está coordinando un proyecto europeo para integrar la Inteligencia Artificial en el sector público. Además, se mencionan avances en el sector naval italiano y la expectativa de presencia italiana en Perú. También se reportan movimientos financieros como el regreso de Italgas a la bolsa y acuerdos de Intesa Sanpaolo y Confindustria para apoyar a las PYMEs en mercados internacionales.
Hablando con la IA – Las dos opciones
La sociedad está marcada por una polarización inducida, siendo la Inteligencia Artificial uno de sus ejes. Se plantea la necesidad de una colaboración entre el usuario y la máquina, pero se subraya la falta de enfoque en la moralidad. Se exige una regulación ética urgente de la IA para asegurar una evolución social adecuada.
No se identificaron personas.
Peter Sarlinin equipo incluye nombres de talla mundial: Pekka Lundmark
La empresa de emprendimiento de inteligencia artificial de Peter Sarlin ha nombrado a seis nuevos asesores PS Fellow, quienes poseen comprensión tecnológica y experiencia en liderazgo. Estos nuevos miembros son considerados líderes internacionales en el ámbito empresarial y universitario.
Pollo al ajillo - ADNSUR
Se describe la receta del pollo al ajillo, destacando que es un clásico casero que requiere pollo, ajo, vino blanco y paciencia. La clave para un buen resultado es trocear el pollo en trozos pequeños para que absorba bien los sabores. La receta rinde cuatro porciones y se cocina en una sola sartén, siendo ideal para preparar en lotes.
No se identificaron personas.
VOLTA, el infostealer que pregunta a una IA qué víctimas valen el esfuerzo
VOLTA es un infostealer para Windows impulsado por IA que roba diversos datos personales, incluyendo contraseñas, cookies, tokens OAuth y detalles de tarjetas de pago, y luego utiliza un modelo de lenguaje grande (LLM) para clasificar el valor de las víctimas. El malware construye un perfil detallado de la víctima, incluyendo ubicación y empleador, y envía este dossier estructurado a un modelo de IA para generar una evaluación forense y monetaria. Este método busca desplazar el esfuerzo analítico humano hacia la IA para priorizar objetivos.
Juan Roig invierte en Ploot, que logra 400.000 euros de capital para ayudar a las empresas a identificar oportunidades
La startup Ploot ha cerrado una ronda de financiación de 400.000 euros liderada por Angels Capital, la sociedad de inversión de Juan Roig. La empresa utiliza inteligencia artificial para identificar señales de intención de compra en empresas, buscando optimizar la prospección comercial. La inversión busca reforzar el equipo y desarrollar su agente de ventas basado en IA.
Noticias encontradas
Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.
Resultados para «Pollo AI»
Más recientes primero · Hasta 30 noticias por página
Aprendizaje activo en contexto para modelos fundacionales tabulares
Se investiga el aprendizaje activo en contexto para Modelos Fundacionales Tabulares (TFMs) para mejorar la adquisición de datos etiquetados. El estudio evalúa la diversidad, la incertidumbre predictiva y la ganancia de información a medida que el modelo adquiere contexto. Se encontraron hallazgos sobre cuándo y dónde aplicar reglas de adquisición basadas en diversidad y vecino más cercano para optimizar el proceso de etiquetado.
Modelos del mundo como adversarios: Ajuste fino por auto-juego multi-agente para la planificación de movimiento robusta
Se propone el Modelado del Mundo Adversarial (AWM), un marco de ajuste fino por auto-juego multi-agente para lograr una planificación de movimiento robusta en tráfico denso. Este enfoque aborda las limitaciones de métodos previos al integrar el aprendizaje adversarial con planificadores autoregresivos. Los experimentos demuestran que el método genera interacciones adversarias transferibles y produce un planificador robusto con rendimiento competitivo en escenarios complejos.
SeVerus: Evaluación Gamificada y Contexto para la Verificación de Rust
Se presenta SEVERUS, una técnica consciente del contexto para generar benchmarks de Verus que organiza las tareas de verificación en misiones gamificadas. Esta técnica utiliza dependencias de prueba para crear niveles progresivos, desafiando a agentes de codificación con diferentes niveles de dificultad. Los experimentos demuestran que la retirada del contexto de la prueba afecta el éxito y el costo de los agentes.
Evaluación de un Cyber Range de Agentes de Respuesta a Incidentes de Redes Autónomas Inductivas
Se aplicó una combinación de modelado de bases de datos relacionales y aprendizaje por refuerzo para la respuesta automatizada a intrusiones en redes. El enfoque permite a los agentes manejar activos de red variables sin reentrenamiento. Se evaluó el rendimiento en una red virtualizada con topologías variables y automatización de red roja. Los agentes de aprendizaje por refuerzo resultaron ser más eficientes en la defensa que la política heurística.
Abstención Agéntica: ¿Saben los agentes cuándo parar en lugar de actuar?
Se investiga el problema de la abstención agéntica, es decir, cuándo un agente de LLM debe detener su acción ante la incertidumbre. Se analiza cómo la escala del modelo y el andamiaje afectan esta capacidad de detenerse a tiempo. Se presenta el método CONVOLVE para mejorar la abstención oportuna sin modificar los parámetros del modelo.
TriAttention: Atención Mixta Dispersa de Precisión Unificada para Inferencia de LLM de Contexto Largo
Se presenta TriAttention, una técnica que utiliza escasez y cuantificación para reducir el costo de la atención en modelos LLM de contexto largo. El método asigna diferentes niveles de precisión (4-bit o 8-bit) a las interacciones QK para optimizar el rendimiento. Los experimentos demuestran ganancias significativas en la velocidad de generación, alcanzando hasta 7.88x sobre la atención de Torch.
Guía Best-of-N para Alineación en el Tiempo de Prueba
Se presenta Best-of-N Guidance (BoNG), un método que integra el muestreo Best-of-N en el proceso de difusión inversa para mejorar la alineación de las muestras generadas. BoNG ajusta el proceso de difusión para dirigir la población de partículas hacia regiones de mayor recompensa, logrando el mejor rendimiento en el 80.56% de las comparaciones. Este método también soporta capacidad de múltiples salidas con una aceleración de 1.6$\times$.
Robustez de señales internas para la detección de alucinaciones en modelos vision-lenguaje
Se analiza la robustez de los métodos que utilizan señales internas de los modelos vision-lenguaje (VLM) para detectar alucinaciones en la generación de texto. Se demuestra que la dependencia de la posición del token puede reducir la robustez de los métodos de detección, especialmente cuando las alucinaciones ocurren al inicio de la respuesta. Se concluye que, aunque existen señales internas útiles, los métodos actuales tienen limitaciones significativas.
Ramificación Semántica Adaptativa: Regeneración de Trayectorias Cruzadas Localizadas por Desacuerdo para la Expansión de Candidatos de Razonamiento
Se presenta el método Adaptive Semantic Branching (ASB), un procedimiento de inferencia sin entrenamiento diseñado para convertir el desacuerdo entre trayectorias de razonamiento en generación de candidatos dirigidos. El método agrupa trayectorias por respuesta final y alinea sus pasos de razonamiento mediante un programa dinámico monótono. En una evaluación, ASB mejoró la cobertura de candidatos oráculo de 89.0% a 91.0%, recuperando candidatos correctos en problemas previamente no resueltos.
Modelos de lenguaje grandes post-entrenamiento mediante aprendizaje por refuerzo a partir de retroalimentación interna
Se presenta el Aprendizaje por Refuerzo a partir de Retroalimentación Interna (RLSF), una etapa post-entrenamiento para modelos de lenguaje grandes (LLMs). Este método utiliza la confianza intrínseca del modelo como recompensa para refinar la calibración y fortalecer el razonamiento paso a paso. Los resultados muestran que esta técnica mejora el rendimiento en razonamiento aritmético y resolución de preguntas de opción múltiple sin necesidad de etiquetas humanas.
Representación consciente de variables, no tipificación de relación, explica el rendimiento de un modelo de grafos de eventos para la predicción de mortalidad en la UCI
Se evaluó el rendimiento de un modelo de grafos de eventos para predecir la mortalidad en la UCI utilizando registros de pacientes. Se encontró que una representación consciente de variables mejoró significativamente el área bajo la curva ROC, mostrando mejoras en la predicción de mortalidad tanto en validación temporal como externa. El modelo revisado alcanzó un AUROC de 0.878-0.900 en períodos MIMIC-IV, demostrando que la representación de variables es más importante que la arquitectura de propagación de mensajes.
Hipótesis de separación entre predicción de estado
Se propone la hipótesis de separación entre predicción de estado en Transformers, sugiriendo que separar los roles de predicción y almacenamiento de estado mejora el rendimiento del modelado de lenguaje. Los experimentos demuestran que esta separación ofrece mejor eficiencia de datos y cómputo, superando a los Transformers estándar en tareas posteriores.
Expertos entrenados conjuntamente con puerta de percepción para transiciones suaves en terrenos difíciles
Se propone el modelo CTS-MoE para la locomoción multi-terreno mediante aprendizaje por refuerzo, entrenando conjuntamente un actor con puerta de percepción y críticos específicos de tarea. Este enfoque busca componer conocimiento de expertos en comportamiento continuo y aislar objetivos heterogéneos para mantener la especialización durante la optimización conjunta. Los resultados indican mejoras significativas en el éxito del curso y la reducción de la sacudida de acción, evitando transiciones bruscas en los límites del terreno.
Motor de Recompensa: Autoevolución Centrada en la Recompensa para Agentes de Herramientas Abiertas
Se presenta el Reward Engine, un mecanismo diseñado para construir una recompensa a partir de la experiencia existente que identifique fallos en la política actual. Este motor optimiza hacia el éxito al construir un paquete de pruebas y rúbricas para guiar al agente a revisar y seleccionar sus resultados. Los resultados obtenidos en las pruebas mejoran la consistencia de las ejecuciones en comparación con la línea base.
GraspBench: Evaluación de generación de agarres con conciencia de ejecución en robots
Se presenta GraspBench, un protocolo de MuJoCo diseñado para evaluar pipelines completos de generación de agarres en robots, considerando el filtrado de cinemática inversa y la planificación de movimiento. El estudio compara diferentes métodos de generación de agarres en cuatro implementaciones de robot y cinco objetos, determinando que el rendimiento depende de la interacción entre el generador, el robot, la escena y el protocolo de ejecución. GraspGen mostró la mayor tasa de éxito (73.1%), mientras que la calidad de la propuesta por sí sola no garantiza la ejecutabilidad del agarre.
VACE: Aprendizaje de representaciones geométricamente estructuradas para la detección de anomalías en series temporales
Se presenta VACE, un método de detección de anomalías auto-supervisado para series temporales multivariadas. Este método representa la normalidad como una trayectoria suave y coherente en el espacio de incrustación. VACE combina puntuaciones posicionales y direccionales para detectar desviaciones geométricas en los datos. El método logra un rendimiento de vanguardia en la detección de anomalías.
Agentes de IA divergen sistemáticamente de las preferencias humanas en la formalización de pruebas
Un estudio sobre la colaboración entre agentes de IA y humanos en la construcción de pruebas revela que los agentes de IA muestran preferencias distintas a las humanas. Específicamente, los agentes de IA están más atraídos por lagunas marcadas explícitamente y muestran aversión a centros de pruebas densamente conectados. Esto sugiere diferencias fundamentales en cómo los agentes de IA y los humanos abordan la tarea de formalización de pruebas.
¿Pueden los LLMs razonar de manera legalmente significativa? Un estudio a pequeña escala sobre casos de la Corte Europea de Derechos Humanos
Un estudio evaluó el razonamiento de los LLMs en la predicción de casos legales utilizando jurisprudencia de la Corte Europea de Derechos Humanos (ECtHR). Se encontró que el modelo evaluado no alcanza el nivel ideal en razonamiento legal, produciendo análisis superficiales. Se recomienda evitar depender únicamente de la evaluación automatizada de LLMs y no usar la precisión de la tarea como sustituto de la calidad del razonamiento.
BrainPFN: Predicción de comportamiento cerebral amortizada mediante redes ajustadas con datos previos
Se presenta BrainPFN, una Red Ajustada con Datos Previos para la regresión del comportamiento cerebral, que supera a KRR en la predicción de comportamiento a partir de resonancia magnética funcional. Este modelo se entrena meta con datos reales de conectividad funcional y demuestra un rendimiento superior en la predicción de comportamiento en cohortes independientes. El trabajo destaca que un conjunto de datos abierto puede igualar o superar modelos entrenados a escalas mucho mayores.
Exploración del espacio de parámetros para RLVR mediante aprendizaje variacional
Se investiga la exploración en el espacio de parámetros para el aprendizaje por refuerzo en LLM, sugiriendo que esto puede mejorar el rendimiento. Se introduce el método Perturbed Parameter Policy Optimization (3PO) que utiliza diferentes estrategias de muestreo para la estimación de la recompensa. Los experimentos demuestran que estos enfoques mejoran el rendimiento sobre GRPO con un costo computacional similar.
¿Qué mide realmente la dimensión efectiva de una red neuronal cuántica híbrida?
Se investiga la dimensión efectiva en redes neuronales cuánticas híbridas (QNNs) como medida de capacidad o calidad del modelo. El estudio compara el escalar calculado con la razón de participación de la matriz de información de Fisher cuántica y evalúa su correlación con la precisión en benchmarks como CIFAR-10 y EuroSAT. Se concluye que la dimensión efectiva describe la geometría del circuito más que la calidad del modelo, sugiriendo que la capacidad, entrenabilidad y precisión requieren diagnósticos separados.
DART: Detección de Anomalías Residuales Agnosticas al Dominio
Se presenta DART, un marco de complemento para la Detección de Anomalías Generalista (GAD) que busca separar los residuos en componentes relevantes para la anomalía y específicos del dominio. El método combina un Módulo de Desentrelazamiento Residual y Entrenamiento Meta-Dominio para mejorar la transferencia de anomalías entre dominios. Los experimentos demuestran mejoras consistentes en múltiples bases, especialmente bajo fuertes desplazamientos de dominio.
Cuando el parcheo de atribución miente: Diagnóstico y una corrección de segundo orden
El artículo aborda la inconfiabilidad del parcheo de atribución, identificando que el error principal proviene de las no linealidades en la red descendente. Se proponen tres herramientas prácticas, incluyendo una puntuación de fiabilidad y una corrección de producto vectorial de Hessiano (HVP) para mejorar la recuperación de circuitos. La variante de HVP demuestra superar la precisión de los Gradientes Integrados con menor coste computacional.
MedGraph: Manteniendo el estado del paciente con memoria gráfica para diálogos médicos a largo plazo
Se presenta MedGraph, una memoria gráfica diseñada para mantener el estado clínico correcto de un paciente a través de diálogos médicos longitudinales. Este sistema aborda errores comunes en sistemas de memoria al asegurar que la evidencia recuperada sea actual y atribuida correctamente. MedGraph demuestra la mayor precisión en pruebas comparativas con modelos GPT y Qwen.
SEABench: Medición de la desalineación endógena en agentes autoevolutivos
Se presenta SEABench, un benchmark diseñado para estudiar la desalineación endógena que surge de la autoevolución de agentes LLM. El estudio evalúa cómo las actualizaciones locales pueden llevar a comportamientos inseguros a largo plazo, incluso sin influencia adversaria directa. La investigación demuestra que la autoevolución incrementa la finalización de tareas, pero a costa de fallos de seguridad en comparación con agentes estables.
Revisando la recuperación generativa frente a la recuperación densa: Un valor estático prioriza la brecha
Se compara la recuperación generativa (GR) y la recuperación densa (DR) para la generación de candidatos en el comercio minorista en línea. Se encontró que la GR supera a la DR en el valor del artículo más relevante, mientras que la DR es superior en la recuperación exacta y el valor relevante en la lista clasificada. Un análisis adicional sugiere que la popularidad es clave para el rendimiento de la GR.
WoVR: Modelos del mundo como simuladores fiables para políticas VLA post-entrenamiento con RL
Se propone WoVR, un marco de RL basado en modelos del mundo para políticas VLA post-entrenamiento, diseñado para mejorar la estabilidad de los recorridos imaginados y la optimización de políticas. El método regula la interacción del RL con dinámicas imaginadas imperfectas mediante un modelo del mundo de video condicionado por acción y recorridos inicializados por fotograma clave. Los experimentos demuestran que WoVR permite recorridos estables a largo plazo y optimización efectiva de políticas con ganancias consistentes en el mundo real.
La investigación en conducción autónoma requiere un paradigma de datos impulsado por la comunidad
La investigación en conducción autónoma necesita un cambio en el paradigma de datos, ya que los conjuntos de datos existentes están fragmentados y subutilizados. Se propone un modelo colaborativo impulsado por la comunidad para mejorar el descubrimiento, la reutilización y la integración de datos. Esto busca transformar los datos fragmentados en una infraestructura compartida para lograr la autonomía en cualquier lugar y momento.
Leyes de escalado para datos de entrenamiento SAE
Se investiga el almacenamiento de activación en el entrenamiento de autoencoders dispersos (SAE) para determinar cuántas activaciones únicas son necesarias con un presupuesto fijo. Se establece una ley de escalado que sugiere que el búfer debe crecer hasta un punto de meseta, y luego reutilizar ese búfer para optimizar el almacenamiento de activación. Los experimentos demuestran que esta técnica reduce el almacenamiento de activación en un factor de 8 a 64 con una pérdida mínima de calidad.
Difusión invariante a escala con superresolución continua
Se presenta SKILD, un modelo de difusión que unifica la generación de imágenes y la superresolución continua en un marco incondicional. Este modelo aprovecha la invariancia a escala para atenuar contenido de imagen y reconstruir detalles finos a partir de entradas toscas. Los resultados empíricos muestran que SKILD supera a modelos condicionales en métricas perceptuales y logra altos puntajes en FID e Inception Score.