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
Modelo de optimización de política basado en OOD regularizado generativo
Se presenta el algoritmo GORMPO, un método de RL offline que integra modelado de densidad generativa para regularizar la optimización de políticas y evitar acciones fuera de distribución (OOD). El estudio compara la detección de OOD y el rendimiento de GORMPO en datasets médicos y de RL offline. Los resultados empíricos indican que una mejor detección de OOD mejora las políticas en entornos estables, mientras que las penalizaciones conservadoras son preferibles ante la incertidumbre dinámica.
Agencia percibida durante las transiciones de control del agente-avatar en realidad virtual
Un estudio en realidad virtual investigó cómo las creencias previas sobre el control de un humano virtual afectan la agencia percibida durante transiciones de control entre humanos y computadoras. Los resultados indicaron que la agencia percibida fue fuertemente influenciada por el controlador inicial, y que las creencias previas y las primeras impresiones continuaron moldeando esta percepción. Las evaluaciones sociales, en cambio, fueron más sensibles al comportamiento real del humano virtual durante la interacción.
Atribución agentiva de la propiedad de recursos en la nube
Se presenta una arquitectura de referencia para la atribución de propiedad de recursos en la nube utilizando agentes de IA para investigar y priorizar hallazgos de seguridad. La arquitectura deriva la propiedad de los recursos de registros como registros de trabajo e historial de código, en lugar de depender de declaraciones explícitas de propiedad. Se demostró una alta precisión y recuerdo ponderado al verificar evidencia contra registros existentes.
Comparación de estimación de densidad para aprendizaje por transferencia en espacios de Banach, Hilbert y euclidianos
El documento compara métodos de adaptación de dominio (DA) en espacios geométricos diferentes, incluyendo Hilbertianos y de Banach. Se propone el Aprendizaje por Transferencia de Manifolds de Banach (BMTL) utilizando regularización L1 para la alineación de densidad. Los experimentos demuestran que la variante L1 supera a la L2, logrando ganancias consistentes en tareas como USPS a MNIST.
SocialGym: Evaluando la inteligencia social de LLM a través de juegos multiagente
Se presenta SocialGym, un entorno diseñado para evaluar la inteligencia social de los Modelos de Lenguaje Grande (LLM) en escenarios multiagente. El entorno incluye 22 juegos sociales con resultados verificables basados en reglas definidas. Los resultados indican que el rendimiento varía según el juego y el rol, y que la capacidad de mantener secretos se relaciona con la teoría de la mente.
No se identificaron personas.
DPRM: Módulo de ordenamiento de tokens inducido por transformaciones de Doob para modelos de difusión discretos
Se presenta DPRM, un módulo de ordenamiento de tokens que utiliza una distribución de trayectoria sesgada por recompensa terminal para mejorar el razonamiento en modelos de difusión discretos. Este módulo corrige la tendencia de depender únicamente de la confianza local, logrando mejoras significativas en diversas métricas de rendimiento. Las mejoras incluyen incrementos en la precisión de modelos como PUMA GSM8K y RealWorldQA, demostrando la efectividad de ajustar la recompensa terminal.
¿Qué tan corto es demasiado corto? Calibración condicional basada en la longitud y abstención para detectar texto generado por IA
Se investiga la detección de texto generado por IA basándose en la longitud del pasaje. El estudio analiza cómo la longitud afecta la tasa de falsos positivos de los detectores de IA. Se calibran umbrales y se determina cuándo un detector es informativo en diferentes longitudes de texto.
¿Su red neuronal extrapola? Ingeniería de características como sesgo de identificabilidad para la generalización OOD
Se investiga si las redes neuronales profundas pueden generalizar fuera de distribución (OOD) si las características aprendidas en el entrenamiento (ID) son identificables. Se demuestra que la generalización OOD depende de un compromiso estructural identificable que especifica el proceso generador de datos subyacente. Se concluye que las características correctas son necesarias, pero no suficientes, para lograr una generalización OOD exitosa.
Moxia: Arquitectura de ejecución neuro-simbólica de confianza primero para razonamiento matemático autoexplicativo
Se presenta Moxia, una arquitectura neuro-simbólica diseñada para el razonamiento matemático autoexplicativo a partir de lenguaje natural. El sistema convierte el texto informal en un esquema para un sistema CAS, derivando respuestas o abstenciones. El modelo alcanzó un 95.6% de aciertos en el test MATH completo, con énfasis en la verificación de teoremas Lean compilados.
Crédito de valor de búsqueda para el diseño heurístico automático evolutivo
Se propone el Crédito de Valor de Búsqueda (SVC) para mejorar el diseño heurístico automático en modelos de lenguaje grandes. Este mecanismo construye recompensas basadas en la admisión a un conjunto retenido y una medida de exposición a padres, buscando reflejar oportunidades de reutilización de los programas. Los resultados demuestran que SVC ofrece un mejor rendimiento de búsqueda en varias tareas de optimización comparado con el método anterior.
Más allá de la restauración de uniformes: Empoderando la restauración todo en uno con guía multimodal a nivel de píxel
Se presenta MGN-AIR, un marco de restauración a nivel de píxel para la restauración de imagen todo en uno. Este método utiliza indicaciones textuales y visuales para guiar al modelo en la restauración de degradaciones a nivel de píxel. Los resultados experimentales demuestran que el método propuesto supera significativamente a los enfoques existentes en diversas tareas de restauración.
Exploración impulsada por prompts: el lenguaje como espacio de exploración para el aprendizaje por refuerzo con aprendizaje profundo
Se propone la Exploración Impulsada por Prompts (PDE) para el aprendizaje por refuerzo (RL) utilizando modelos de lenguaje grandes (LLM) y modelos de visión-lenguaje-acción (VLA). Esta técnica permite modificar el prompt de lenguaje natural para inducir cambios globales en la política, mejorando la eficiencia de la muestra y permitiendo el aprendizaje de políticas exitosas incluso con recompensas escasas.
JevGPT: Pensando rápido y lento en la investigación autónoma
Se presenta JevGPT, una arquitectura de doble sistema para investigación autónoma que combina procesamiento rápido de evidencia con planificación deliberativa. El sistema integra hallazgos mientras que el otro localiza el soporte y guía la inspección. Los experimentos demuestran que JevGPT logra un rendimiento superior con menor costo y tiempo de finalización que otros agentes de investigación.
Auditoría a gran escala de fuentes alineadas con el Estado ruso en respuestas de chatbots de IA
Se realizó una auditoría exhaustiva de 11 chatbots de IA para determinar su susceptibilidad a recuperar contenido de la Red Pravda, un agregador de medios de estado ruso. Se encontró que la recuperación de artículos de la Red Pravda es infrecuente, siendo solo el 7.3% de las respuestas, y altamente dependiente de la plataforma. Además, se identificó la táctica de "lavado de titulares" utilizada para disfrazar el contenido estatal como reportaje independiente.
Métodos de entrenamiento defensivo: Entendiendo cómo protegen la integridad de los modelos de lenguaje
Se analizan los métodos de entrenamiento defensivo como el direccionamiento preventivo positivo (PPS) y el prompting de inoculación (IP) para proteger la integridad de los modelos de lenguaje grandes (LLM). Se examinan sus mecanismos conductuales y mecanicistas, encontrando que ambos métodos previenen la adquisición de rasgos, aunque con efectos diferentes en la expresión de rasgos preexistentes. Los resultados indican que PPS e IP no son intercambiables y sugieren que la pérdida y el cambio de gradiente son manifestaciones de la misma señal de entrenamiento.
EVA-0: Evolución del modelo en tiempo de prueba con solo dos pasadas hacia adelante por muestra
Se presenta EVA-0, un marco de adaptación de orden cero que permite la evolución del modelo en tiempo de prueba con solo dos pasadas hacia adelante por muestra, evitando la retropropagación. Este método aborda problemas como la susceptibilidad a soluciones atajo y la deriva de peso mediante estrategias específicas. Los resultados demuestran que EVA-0 supera a otros métodos y logra una aceleración de 14 veces sobre FOA.
PitchBench: Midiendo la audición de tono en modelos de lenguaje audio
Se presenta PitchBench, un conjunto de evaluación de 28 tareas diseñado para medir la percepción de tono absoluto y relativo en modelos de lenguaje audio (ALM). El estudio evalúa la fiabilidad de la percepción de tono bajo diversas condiciones acústicas y de fuente de sonido. Los resultados indican que la audición de tono sigue siendo muy poco fiable en los modelos de vanguardia, con una precisión que varía según el formato de la instrucción.
Grounding Driving VLA mediante Cinemática Inversa
Se presenta una arquitectura inspirada en la cinemática inversa para mejorar la planificación de trayectorias en VLAs de conducción, abordando el fallo de planificación ciega. El modelo logra un rendimiento de vanguardia en simuladores de conducción utilizando solo cámaras, superando a la línea base existente en métricas clave. Esto demuestra la capacidad de la predicción de estado futuro para refinar las respuestas a peligros específicos.
Entendiendo los desafíos en la optimización generativa iterativa con LLMs
Se investiga la optimización generativa iterativa con LLMs, encontrando que su fragilidad se debe a decisiones de diseño no explícitas sobre qué editar y qué evidencia de aprendizaje proporcionar. Se analizan tres factores clave, como el artefacto inicial y el horizonte de crédito, para determinar el éxito de la optimización en diferentes escenarios. Se propone una regla de tamaño de lote y horizonte de crédito calibrada para transferir a otros modelos.
RoboWits: Desafíos inesperados para la resolución creativa de problemas robóticos
Se presenta RoboWits, un punto de referencia robótico diseñado para evaluar el razonamiento cognitivo y la robustez de los robots ante desafíos inesperados. Los resultados indican que los modelos de visión grandes (VLAs) ajustados son frágiles en tareas mutadas, mientras que un modelo de cero-shot basado en GPT-6 Astra supera a los VLAs ajustados, aunque aún presenta debilidades en dichas tareas.
NeuroActiSep: Detectando alucinaciones fácticas desde neuronas de propagación hacia adelante en un solo pase
Se propone un método para rankear neuronas de propagación hacia adelante en el token de pregunta final para investigar su uso en la detección de alucinaciones en el primer pase hacia adelante de modelos de lenguaje grandes. El estudio demuestra que las pruebas entrenadas con características de conjuntos dispersos de neuronas seleccionadas son competitivas con las entrenadas en representaciones internas. Se concluye que las señales correlacionadas con la alucinación están distribuidas entre muchas neuronas, aunque la selección puede ser útil en conjuntos muy dispersos.
De las líneas de base a las geodésicas de transporte: Atribución axiomática mediante flujos generativos óptimos
El estudio aborda la ambigüedad en la atribución de características al analizar cómo diferentes caminos generativos definen explicaciones de predicciones. Se propone un principio de atribución basado en el transporte de distribuciones para seleccionar el camino óptimo. Los experimentos demuestran que los caminos de transporte aprendidos ofrecen explicaciones espacialmente coherentes y estables.
Enfoque sin conexión al aprendizaje por refuerzo guiado por fNIRS para el comportamiento de robots
Se explora la viabilidad de usar señales cerebrales mediante espectroscopia funcional de infrarrojo cercano (fNIRS) para modular el aprendizaje de robots en simulaciones de aprendizaje por refuerzo. El estudio compara agentes entrenados con diferentes tipos de interacción y demuestra que la señal neural mejora el aprendizaje al aumentar prioridades de trayectoria y objetivos q. El marco también funciona con datos sin conexión, ofreciendo una alternativa práctica para escenarios donde los sistemas BCI en tiempo real son inviables.
¿Los probes de estado oculto entrenados benignamente detectan errores de herramientas bajo condiciones adversarias?
Se evalúa si los probes de estado oculto entrenados con uso benigno de herramientas son útiles para detectar acciones incorrectas bajo condiciones adversarias. La investigación compara estos probes con otras métricas de incertidumbre para determinar su fiabilidad. Los resultados sugieren que dichos probes no deben considerarse confiables para detectar errores operativos de acción de herramientas en escenarios adversarios.
UDT: Reconciliando U-Nets y Diffusion Transformers con Reducción de Tokens Adaptativa a los Datos
Se propone UDT, un transformador de difusión U-Net que combina el poder de representación de los Diffusion Transformers (DiTs) con los beneficios de codificación-decodificación de los U-Nets mediante la fusión adaptativa de tokens para el muestreo. Esta arquitectura supera a las U-Net DiTs existentes y muestra un rendimiento comparable a REPA, logrando una convergencia significativamente más rápida.
LAPO: Optimización de política logit-promediada KL-free para aprovechar RL y SFT en LLM post-entrenamiento
Se presenta LAPO, un marco post-entrenamiento libre de KL y crítico que utiliza el promedio de logits dentro de GRPO para estabilizar las trayectorias de despliegue. Este método elimina la retropropagación de la penalización KL explícita y equilibra dinámicamente la exploración y el anclaje estructural. Los resultados muestran que LAPO supera al GRPO regularizado por KL, obteniendo ganancias de precisión en benchmarks clave.
Modelado de recompensa guiado por razones para el aprendizaje por refuerzo basado en preferencia
Se presenta un marco de aprendizaje por refuerzo basado en preferencia (PbRL) que aprende un modelo de recompensa humana utilizando retroalimentación a nivel de trayectoria. Este marco incluye etiquetas de razón que explican la preferencia de un comportamiento, mejorando la alineación de la recompensa con las expectativas humanas. La formulación guiada por razones proporciona supervisión adicional y aumenta la interpretabilidad de la política aprendida.
La geometría del rechazo: Por qué el rechazo post-hoc es frágil y el rechazo en tiempo de preentrenamiento persiste
Se analiza la fragilidad del rechazo en modelos de lenguaje grandes, comparando el entrenamiento de seguridad post-hoc con el entrenamiento en tiempo de preentrenamiento. Se demuestra que el rechazo es frágil y que la persistencia, no el momento, determina si el rechazo se mantiene. Los modelos entrenados desde cero con co-entrenamiento de seguridad muestran una erosión menor del rechazo bajo ataques específicos.
Aproximación de Despliegue Paralelo para Generación de Imágenes en Espacio de Píxeles
Se presenta la Aproximación de Despliegue Paralelo (PRA), un marco escalable para la generación autoregresiva (AR) de imágenes en espacio de píxeles. Este método aborda los desafíos de errores acumulados y la brecha entre entrenamiento e inferencia mediante la generación de estados intermedios y un decodificador de píxeles. Los resultados demuestran que PRA logra un mejor rendimiento en la generación y en la capacidad de clasificación de imágenes.
Topología obstaculiza estados cuánticos neuronales puros
Se demuestra que la representación de los modelos de fundación para estados fundamentales en sistemas de espín-1/2 está topológicamente obstaculizada. Esto implica que ciertos modelos de vector de estado tienen fidelidad cero con el estado fundamental en ciertos parámetros del Hamiltoniano. Se explora cómo esta obstrucción afecta la susceptibilidad de fidelidad, proporcionando una firma numérica de una transición de fase inexistente.