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
Hoy el trabajo de hoy, la fuerza laboral del mañana: Incentivando el aprendizaje en el trabajo asistido por IA
El artículo analiza cómo la asistencia de la Inteligencia Artificial afecta el desarrollo y retención de habilidades en el trabajo. Se compara a trabajadores que priorizan la utilidad inmediata con trabajadores estratégicos que valoran sus habilidades futuras. Se concluye que las organizaciones deben enfocarse en cómo mantener la experiencia humana y qué habilidades invertir para asegurar la sostenibilidad del trabajo independiente.
Defensa contra jailbreaks para LLMs mediante aprendizaje conjunto de selección y escalado de cabezales de atención dispersa
Se presenta AttentionSwitch, una defensa contra jailbreaks para LLMs que optimiza conjuntamente los sitios de intervención y las fortalezas de los cabezales de atención dispersa dentro de un LLM congelado. Este método aprende un conjunto disperso de cabezales de atención con factores de escalado condicionados por la consulta para atenuar o amplificar sus salidas sin cambiar las direcciones de sus representaciones. AttentionSwitch supera a defensas existentes en modelos populares y muestra resultados fuertes, especialmente con datos de entrenamiento limitados.
No se identificaron personas.
Mecanismos de mala generalización en el modelado de secuencia física
El artículo aborda el problema de la mala generalización física en modelos de secuencia generativos utilizados para planificar movimiento en dominios físicos como la robótica. Se identifica que los errores locales del modelo pueden propagarse, alterando la distribución agregada de una cantidad física como la distancia o la energía. Se proponen mecanismos y mitigaciones, incluyendo la transformación del sistema de coordenadas, para reducir esta deriva.
Metas como capa representacional para la colaboración humano-IA
Se propone que las metas deben funcionar como una capa representacional que medie la interacción entre humanos, sistemas de IA y organizaciones. Esta capa debe ser multidimensional, basada en la articulación humana e inferida de evidencia, y actualizada constantemente. Esta capa podría mejorar la conexión entre solicitudes inmediatas y resultados amplios, facilitando la coordinación y evaluación de sistemas de IA centrados en el ser humano.
Benchmark de Contaminación: Una Taxonomía Organizada por Mitigaciones Derrotadas
Se presenta una taxonomía organizada por la mitigación que derrota diferentes tipos de fuga de información, incluyendo fuga directa, derivada, temporal, distributiva y adquirida. El estudio evalúa la fiabilidad de la medición y la divulgación de resultados en el contexto de la detección automatizada de contaminación en modelos. Se detallan los resultados de pruebas con documentos y variables específicas relacionadas con la robustez de la prevalencia.
Modelos de Imputación de Series de Tiempo con Difusión para Series de Tiempo Continuas
Se propone el Modelo de Imputación de Series de Tiempo por Difusión Enmascarada (MDTIM) para mejorar la imputación de series de tiempo, abordando las limitaciones de los métodos existentes. El modelo aprovecha el paradigma de difusión enmascarada para predecir valores faltantes directamente a partir de los datos observados. Se introduce la Discretización Estocástica para manejar la naturaleza continua de las series de tiempo.
Programas de capas en LLMs a través de la lente de las áreas corticales
Se investiga la flexibilidad en los transformadores de lenguaje (LLMs) al tratar sus capas como una biblioteca de funciones en lugar de una secuencia fija. Se demuestra que la ruta dinámica de la información a través de capas adaptativas mejora el rendimiento de la inferencia. Los hallazgos sugieren que combinar la omisión y la repetición de bloques de capas resulta en el mejor rendimiento.
Método para aprender incrustaciones estructuradas para series temporales progresivas
Se presenta un método novedoso para aprender representaciones interpretables de series temporales progresivas mediante un objetivo contrastivo auto-supervisado. Este enfoque permite leer una brújula latente que describe la progresión del estado subyacente, validando la predicción del estado final, el pronóstico de múltiples pasos y la separación de fases interpretable. El método demuestra ser competitivo con arquitecturas complejas al proporcionar transparencia sobre los mecanismos subyacentes.
Razonamiento antes de la traducción: Mejorando la traducción automática legal con razonamiento estructurado
Se compara la calidad de la traducción automática neuronal (NMT) en el ámbito legal mediante el uso de modelos de lenguaje con capacidad de razonamiento. Se evalúan modelos pequeños como Qwen3.5 4B, Qwen3.5 9B y Gemma 3 12B, comparándolos con modelos de razonamiento de vanguardia. Se concluye que el aprendizaje por refuerzo puede superar la calidad del ajuste fino supervisado en este dominio.
Lenguaje como rasgo, cortesía como estrategia: Pruebas controladas de efectos lingüísticos en agentes de deducción social de LLM
Se realizaron pruebas controladas en agentes de modelo de lenguaje grande (LLM) para evaluar cómo la variación en el lenguaje (simple/complejo, directo/cortés) afecta la deducción social. Los resultados indican que estas variaciones lingüísticas no alteran la confianza de otros agentes ni los resultados del juego, aunque un cambio en el rango lingüístico puede influir ligeramente en los votos.
IA supera a humanos expertos en diálogos basados en texto
Experimentos con IA conversacional demostraron que los sistemas de IA son consistentemente más persuasivos que los humanos expertos en diálogos basados en texto. La ventaja de la IA se atribuye a su capacidad para desplegar grandes cantidades de información rápidamente. Estos resultados sugieren implicaciones significativas para la comunicación política y la persuasión en contextos sociales.
No se identificaron personas.
Domando al Centauro(s) con LAPITHS: un marco para una interpretación fundamentada teóricamente de los desempeños de la IA
Se presenta un marco llamado LAPITHS para interpretar los desempeños de modelos de lenguaje como CENTAUR, argumentando que sus afirmaciones no están justificadas teóricamente ni empíricamente. LAPITHS busca contrarrestar la tendencia behaviorista en la investigación de IA al interpretar el rendimiento de estos modelos como evidencia de capacidades cognitivas humanas. El marco utiliza evaluaciones cuantitativas para medir la plausibilidad cognitiva de los sistemas artificiales.
BiG-SURE: Grafo Bipartito para la Estimación de Incertidumbre y Fiabilidad Semántica de LLMs
Se propone BiG-SURE, un estimador de incertidumbre basado en el acuerdo semántico de temperatura cruzada para LLMs y VLMs. El método utiliza un grafo bipartito para medir la alineación semántica entre respuestas de baja y alta temperatura. Los resultados muestran que BiG-SURE mejora la estimación de incertidumbre sobre métodos anteriores en entornos de caja negra.
Glyph: Un motor de interpretabilidad para el descubrimiento científico impulsado por IA en datos clínicos
Se presenta Glyph, un marco automatizado que utiliza modelos fundacionales y autoencoders esparsos para extraer y hacer interpretable conceptos clínicos a partir de datos clínicos multimodales y no estructurados. El estudio aplicó Glyph a datos de 41,628 pacientes, identificando 397 conceptos predictivos con asociaciones significativas. Se demostró que las asociaciones descubiertas son reproducibles y complementan marcadores derivados de la literatura, mejorando el poder predictivo.
- Robbie Holland
- Ashwin Kumar
- Mateus A. Esmeraldo
- David Le
- Andrea Fisher
- Jiazhen Pan
- Louisa Fay
- Magdalini Paschali
- Vasiliki Sideri-Lampretsa
- Ates Fettahoglu
- Stefania Moroianu
- Philipp Wesp
- Ivan Lopez
- Tom Nuno Wolf
- McKenzie S. White
- Eduardo Pontes Reis
- Fatima Rodriguez
- Curtis P. Langlotz
- Vasilis Syrgkanis
- Imon Banerjee
- Akshay S. Chaudhari
- Sergios Gatidis
Control causal de conceptos interdominio en un modelo fundacional de física
Un modelo fundacional de física grande llamado Walrus aprende representaciones linealmente controlables de fenómenos físicos. Se identificaron direcciones en el espacio de activación que permiten controlar causalmente propiedades como la vorticidad, la difusión y la progresión temporal. Estos hallazgos sugieren que los modelos fundacionales científicos pueden adquirir representaciones generales de principios físicos.
No se identificaron personas.
CPU-ARC: Almacenamiento de caché de razonamiento agente para reutilización de razonamiento en CPU
Se presenta el CPU-ARC, un método para construir cachés de razonamiento agente ejecutables en CPU a partir de trazas de razonamiento de LLM. Este método permite aplicar soluciones de tareas previamente razonadas a nuevos problemas de manera eficiente. Los ARCs demuestran un rendimiento comparable con modelos de lenguaje grandes en tareas matemáticas y científicas complejas, siendo significativamente más económicos de usar.
Reformulación del problema de exclusión de caché KV para inferencia de LLM de largo contexto
Se reformula el problema de exclusión de la caché Key-Value (KV) para modelos de lenguaje grandes (LLM) con contexto largo, abordando la sobrecarga de memoria y tiempo. Se presenta LaProx, una estrategia que modela la interacción entre mapas de atención y estados de valor para asignar puntuaciones de importancia globales a los tokens. Los resultados demuestran que el método mantiene el rendimiento del modelo con solo el 5% de la caché KV y supera a métodos previos.
Conocimiento curvo en modelos planos: Construyendo IA experta a escala
El estudio investiga la geometría hiperbólica en modelos de lenguaje, encontrando que los mecanismos de jerarquía en *checkpoints* hiperbólicos son inactivos. Se demuestra que la aritmética y sus límites definen la región computable, y que un *checkpoint* plano no puede probar la inercia de la geometría. El trabajo analiza la relación entre la geometría, la aritmética y la capacidad de los modelos de lenguaje.
VibeLifeBench: ¿Puede tu agente de vida ser proactivo y persistente en un mundo vivo?
Se presenta VibeLifeBench, una medida diseñada para evaluar agentes de modelo de lenguaje (LLM) en tareas de horizonte largo y persistentes en entornos simulados de vida cotidiana. El benchmark mide la capacidad de un agente para ser proactivo, notar cambios silenciosos y mantener la coherencia de un plan a lo largo del tiempo. Los resultados indican que los agentes actuales están lejos de asistir en tareas de vida real complejas.
Análisis de dificultad para la mejora de la reparación
Se propone DARE (Difficulty Analysis for Repair Enhancement) para medir y predecir la dificultad de las tareas de reparación en agentes de codificación basados en LLM. El modelo utiliza 151 características estáticas para predecir la dificultad y analiza grupos de características para seleccionar el soporte de reparación adecuado. Los resultados demuestran que al alinear el soporte con las características más salientes de cada tarea, el éxito de la reparación aumenta significativamente.
Política de composición de difusión multi-tasa asíncrona
Se propone LAG-Fusion, un marco de fusión de guía consciente de la latencia para la composición de políticas de difusión multimodales asíncronas. Este marco permite que las políticas específicas de la modalidad operen a sus tasas de inferencia nativas. Los experimentos demuestran que LAG-Fusion mejora la capacidad de respuesta de la política y el rendimiento de la tarea en comparación con la fusión síncrona.
GRAC: Recuperación Aumentada por Recuperación de Grafos para Descripción de Escenas Quirúrgicas
Se presenta GRAC, un marco de Recuperación Aumentada por Grafos, diseñado para mejorar la descripción de escenas quirúrgicas mediante la representación de relaciones entre instrumentos, acciones y estructuras anatómicas. Los resultados en los benchmarks EndoVis-18 y TORS indican mejoras significativas en la calidad del lenguaje y el acuerdo factual en las descripciones generadas. La conclusión es que combinar representaciones estructuradas con ejemplos recuperados produce descripciones más contextuales.
Detección adversaria para clasificadores preentrenados mediante análisis de margen Lipschitz con certificación
Se presenta un enfoque para detectar entradas adversarias en clasificadores profundos, buscando certificar que los inputs adversarios dentro de una bola $\ell_2$ son detectados, en lugar de solo certificar la invariancia de las predicciones. Se proponen familias de detectores que reducen la robustez certificada $\ell_2$ a detección certificada, logrando resultados competitivos en múltiples benchmarks como MNIST, CIFAR-10 e ImageNet-1k.
Gated DeltaNet-2: Desacoplando Borrar y Escribir en Atención Lineal
Se presenta Gated DeltaNet-2, un modelo que generaliza Gated DeltaNet y KDA al separar los roles de borrar y escribir en atención lineal. Este modelo aborda la limitación del vínculo escalar entre estas operaciones mediante compuertas separadas para el borrado y la escritura a lo largo del canal. Logra los mejores resultados en benchmarks de modelado de lenguaje y razonamiento, destacando su rendimiento en contextos de largo alcance.
Prueba rápida y precisa del rendimiento posterior de LLMs en entrenamiento
Se presenta un nuevo paradigma de evaluación en entrenamiento para Modelos de Lenguaje Grande (LLMs) que utiliza sondas ligeras para predecir su rendimiento posterior en tareas. Este método busca ser computacionalmente eficiente, reduciendo el tiempo de evaluación de aproximadamente una hora a solo tres minutos. El objetivo es ofrecer un proceso de desarrollo de LLM más ágil y eficiente.
Enmascarar para Ver: Enmascaramiento de prefijos de razonamiento para el pensamiento anclado visualmente en destilación de VLMs
Se presenta un nuevo marco de destilación para VLMs que busca mejorar la capacidad del estudiante para utilizar evidencia visual en el razonamiento, mitigando problemas de olvido visual. El método introduce enmascaramiento de prefijos de razonamiento para forzar al estudiante a depender más de la evidencia visual durante la destilación. Los resultados experimentales demuestran que este enfoque supera a otros métodos en benchmarks de razonamiento multimodal.
KineCouple: Lectura residual condicionada por sustrato para predicción cinética enzimática
Se presenta KineCouple, un modelo que utiliza consultas de sustrato y claves/valores a nivel de residuo en atención cruzada para guiar la selección de residuos relevantes para la predicción de parámetros cinéticos enzimáticos. Este enfoque busca mejorar la predicción al adaptar el ponderado de residuos al sustrato específico, mejorando métricas como RMSE y PCC en benchmarks.
¿Cuánta historia de conversación necesita un agente de IA?
Se investiga cómo el uso de menos historial de conversación afecta el uso de tokens de lectura y las puntuaciones de referencia en preguntas BEAM. Los resultados indican que las preguntas respondibles obtienen mejores puntuaciones con más contexto, y la ganancia de puntuación por token disminuye en presupuestos altos. Se también evaluó la retención de mensajes en tareas controladas de estado conversacional.
Ver vs. Contar: Gemelos de multimodal fallan en diagramas
Se investiga si los LLMs multimodales fallan al interpretar diagramas al intentar distinguir entre la capacidad de "ver" y la de "contar". Los experimentos comparan modelos como Gemini, Gemma y Qwen3-VL, utilizando diferentes clases de complejidad algorítmica para evaluar su rendimiento en tareas de conteo. Los resultados sugieren que el fallo en el conteo depende más del tamaño de la respuesta que de la complejidad del problema.
Aprender a persuadir expone lo fácil que los LLMs abandonan creencias correctas
Se investiga la amenaza de la persuasión adversaria en modelos de lenguaje grandes (LLMs), demostrando que un argumento persuasivo puede reducir drásticamente su precisión. Se presenta un marco de aprendizaje por refuerzo para entrenar agentes persuasores que alteren las respuestas de otros modelos. Los resultados indican que estos agentes pueden depender de tácticas basadas en credibilidad, como citas falsas, lo que subraya una debilidad en la robustez de los sistemas de toma de decisiones humano-IA.
No se identificaron personas.