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.

Periodista: Firma no identificada

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.

Periodista: Firma no identificada

Personas mencionadas

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.

Periodista: Ángel Ferrer

Personas mencionadas

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.

Periodista: Suvi Korhonen

Personas mencionadas

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.

Periodista: Firma no identificada

Personas mencionadas

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.

Periodista: Pierluigi Paganini

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.

Periodista: Bea Blasco

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.

Periodista: Christian M. M. Frey

Personas mencionadas

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.

Periodista: Tong Nie, Yuewen Mei, Junlin He, Yihong Tang, Jian Sun, Wei Ma

Personas mencionadas

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.

Periodista: Martim Afonso

Personas mencionadas

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.

Periodista: Jakob Nyberg, Teodor Sommestad, Andrei Buhaiu, Joakim Loxdal, Pontus Johnson, Mathias Ekstedt

Personas mencionadas

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.

Periodista: Han Luo, Bingbing Wen, Lucy Lu Wang

Personas mencionadas

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.

Periodista: Hanzhi Zhang, Qiao Zhang, Qinglei Cao, Heng Fan, Yan Huang, Kewei Sha, Yunhe Feng

Personas mencionadas

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$\times$.

Periodista: Richard Lee Kim, Yeongmin Kim, Gyuwon Sim, Taekyu Kim, Minsang Park, Il-chul Moon

Personas mencionadas

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.

Periodista: Allison Chen, William Yang, Salma Abdel Magid, Jonathan Williams, Olga Russakovsky, Esin Tureci

Personas mencionadas

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.

Periodista: Jeong-Yoon Kim, Tae-Yoon Lee

Personas mencionadas

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.

Periodista: Renato Vukovic

Personas mencionadas

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.

Periodista: Mohammad Nasir Uddin, Eklachur Rahman Bhuiyan, Rahnuma Tabassum Orpita

Personas mencionadas

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.

Periodista: Giovanni Monea

Personas mencionadas

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.

Periodista: Francisco Affonso, Matheus P. Angarola, Ana Luiza Mineiro, Aditya Potnis, Marcelo Becker, Girish Chowdhary

Personas mencionadas

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.

Periodista: Litong Feng, Ji Qi, Yiran Cheng, Shaowu Pan, Xinyu Zhang, Qijun Li

Personas mencionadas

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.

Periodista: Abdul Basit, Bibek Poudel, Muhammad Shafique

Personas mencionadas

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.

Periodista: Alberto D. Cencillo

Personas mencionadas

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.

Periodista: Bálint Gyevnár

Personas mencionadas

¿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.

Periodista: Amogh Raina, Ilias Chalkidis, Daniel Hershcovich, Henrik Palmer Olsen

Personas mencionadas

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.

Periodista: Carlo Alberto Barbano (MIND), Demian Wassermann (MIND)

Personas mencionadas

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.

Periodista: Vatsal Venkatkrishna, Nico Carlsen Daheim, Iryna Gurevych

Personas mencionadas

¿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.

Periodista: Md Masum Mia, Amith Khandakar, Mohamed Arselene Ayari

Personas mencionadas

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.

Periodista: Muhammad Aqeel, Maham Nazir, Marco Cristani, Francesco Setti

Personas mencionadas

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.

Periodista: Luyang Zhang, Jialu Wang

Personas mencionadas

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.

Periodista: Donghua Zhang, Zizheng Wang, Ze Dong, Yiding Feng, Siyu Qian

Personas mencionadas

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.

Periodista: Saswat Das, Parvati Viswanathan, Daniel Donnelly, Chang Huang, Sahar Abdelnabi, Ferdinando Fioretto

Personas mencionadas

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.

Periodista: Renbo Tu, Yang Liu, Shuying Sun

Personas mencionadas

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.

Periodista: Zhennan Jiang, Shangqing Zhou, Yutong Jiang, Zefang Huang, Mingjie Wei, Yuhui Chen, Tianxing Zhou, Zhen Guo, Hao Lin, Quanlu Zhang, Yu Wang, Haoran Li, Dongbin Zhao, Chao Yu

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.

Periodista: Jinsu Yoo, Zanming Huang, Katie Z Luo, Zheda Mai, Qiyuan Wu, Bharath Hariharan, Mark Campbell, Wei-Lun Chao

Personas mencionadas

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.

Periodista: Nikita Koriagin, Nikita Balagansky, Daniil Gavrilov

Personas mencionadas

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.

Periodista: Zixin Chen

Personas mencionadas