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.
Tras 20 años modernizando el software de otras empresas, Polcode aplica su experiencia a sí misma
Polcode celebra su 20º aniversario lanzando una nueva página web que refleja su experiencia en modernización de software. La empresa, fundada en 2006, aplica los mismos estándares de modernización a sus propios sistemas, destacando su enfoque en la utilidad sobre la apariencia y la adopción transparente de la inteligencia artificial. La nueva web sirve como escaparate de sus servicios de desarrollo de software a medida y soluciones de IA.
Will Baird, experto en libros (de mi correo electrónico)
Un usuario construyó Marginalia Library utilizando IA para crear un catálogo buscable de libros mencionados en Marginal Revolution. El proyecto utiliza Claude Code y la API de Claude, además de GPT-6 Luna para la primera pasada del archivo. El objetivo es mejorar el descubrimiento de libros y aprender sobre el uso de IA.
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.
Isabelle Pool Server: un servicio de verificación agrupado para entrenamiento de demostradores y demostraciones multiagente
Se presenta el Isabelle Pool Server (IPS), un servicio de verificación que utiliza un pool de sesiones Isabelle para entrenamiento de demostradores y pruebas multiagente. Este servicio ofrece control de admisión consciente de la memoria y gestión de tiempo para las sesiones. IPS es software libre y está disponible públicamente.
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
Enseñar la forma en que piensa: Guía la ingeniería de datos post-entrenamiento de LLM con Autoencoders Esparso
Se propone SAERL para la ingeniería de datos de LLM mediante Autoencoders Esparso (SAE) para guiar el aprendizaje por refuerzo. Esta técnica utiliza los internos del modelo para organizar los datos de entrenamiento, entrenando regiones funcionales de fácil a difícil. Los experimentos demuestran mejoras en la precisión de modelos de razonamiento matemático.
LAPLEX: La transformada rápida de álgebra lineal en kernels laplacianos aprendibles
Se presenta LAPLEX, una clase de operadores de kernel laplaciano exactos y entrenables, diseñada para superar el compromiso entre geometría fija y cómputo exacto. Esta técnica permite realizar operaciones de matriz-vector entrenables en dimensiones muy grandes y facilita modelos de covarianza de alta dimensión sin requerir el almacenamiento de matrices densas. LAPLEX separa la expresividad del costo de almacenamiento, permitiendo interacciones globales adaptativas a los datos.
Descubrimiento de invariantes para sistemas en red
Se presenta Autogram, un sistema que utiliza un LLM para inspeccionar metadatos de variables y predecir relaciones sintácticas que forman una gramática para descubrir invariantes en sistemas de red. El sistema permite refinar la gramática iterativamente hasta que se recuperan invariantes conocidos con garantías formales. Se evaluó el sistema en telemetría WAN pública y de producción, logrando recuperar invariantes derivados por expertos con baja tasa de falsos positivos.
No se identificaron personas.
GigaBrain-WBC-0.5: Un Modelo de Mundo de Comportamiento para el Seguimiento Robusto del Cuerpo Completo Humanoide con Interacción Ambiental
Se presenta InterTrack, un modelo de mundo de comportamiento (BWM) diseñado para el seguimiento robusto del cuerpo completo en robots humanoides con interacción ambiental. Este modelo utiliza un Transformer para predecir la acción, el estado y la distribución de comportamiento, aprendiendo dinámicas condicionadas por el entorno. El sistema demuestra un 81.3% de éxito en la interacción del terreno y una alta tasa de recuperación de caídas, superando a las líneas base existentes en varios escenarios.
Optimización de Política Vectorial: El entrenamiento para la diversidad mejora la búsqueda en tiempo de prueba
Se presenta la Optimización de Política Vectorial (VPO), un algoritmo de RL que entrena modelos de lenguaje para generar soluciones diversas al anticipar funciones de recompensa vectoriales. VPO supera a las líneas de base escalares en tareas de búsqueda en tiempo de prueba y desbloquea problemas insolubles para otros modelos. El objetivo es hacer que la diversidad sea el objetivo por defecto en la búsqueda de inferencia.
Modelado de mundo multiagente escalable a través de geometrías de escena
Se propone Khora, un modelo de mundo multiagente escalable que permite la expansión en tiempo de inferencia a un número arbitrario de agentes sin necesidad de reentrenamiento. El marco desacopla la evolución del estado del mundo del renderizado visual, manteniendo la consistencia entre vistas mediante un estado del mundo compartido. Esto permite una escalabilidad práctica lineal con el número de vistas consultadas, demostrando consistencia visual y coherencia multiagente.
La verdad sin muestrear: Cuantificando artefactos de indicaciones en la psicometría de LM
Investigadores probaron una premisa al evaluar cómo las respuestas de los modelos de lenguaje reflejan la personalidad inyectada y el significado de los ítems de una encuesta. Mediante un diseño diagnóstico, se midió la variación causada por diferentes componentes de la indicación (como la instrucción de la tarea o el símbolo de la opción) para separar estos artefactos de los efectos reales. Se encontró que los cambios no semánticos en la indicación pueden generar más variación en las respuestas que las personalidades base.
No se identificaron personas.
Slop e alucinaciones de IA en la evaluación de vulnerabilidades: Un estudio sobre fallos de razonamiento y mitigación confiable
La integración de Modelos de Lenguaje Grande (LLMs) en la ciberseguridad ha generado una crisis de confiabilidad debido a la proliferación de "AI slop", que incluye vulnerabilidades alucinadas y reportes de errores incorrectos. El estudio identifica la brecha entre el razonamiento deductivo de los expertos y la generación probabilística de los LLMs. Se propone la verificación neuro-simbólica activa y nuevos instrumentos de evaluación para asegurar los sistemas de triaje impulsados por IA.
Modelos generativos Volterra mediante Elevación de Markov
Se desarrolla un modelo generativo basado en procesos de Volterra para abordar la dependencia temporal flexible, ofreciendo aproximaciones de Markov. El marco propuesto permite reutilizar denoiseadores preentrenados y logra buenos índices FID en conjuntos de datos como MNIST y CIFAR-10. Los resultados muestran mejoras en el FID al utilizar técnicas de autoguidancia y redes preentrenadas.
Distilación de política orientada al valor para el control de potencia de parques eólicos
Se propone un marco de distilación de política utilizando máquinas de boosting explicables para el control de potencia de parques eólicos, buscando una política transparente. Se introduce una perspectiva orientada al valor inspirada en la previsión de energía y se incluye conocimiento experto para justificar la estrategia de control. Los resultados con datos reales de la red belga mostraron una reducción del 82% en los costos de desequilibrio.
RLVR$^{2}$: Aprendizaje por Refuerzo con Clasificación basada en Rúbricas Verificables
Se presenta el Reinforcement Learning with Verifiable Rubric-based Ranking (RLVR$^2$), un paradigma de clasificación verificable para RLVR basado en rúbricas. Este método convierte las puntuaciones de rúbrica en resultados ordinales específicos para cada criterio, recupera una utilidad latente y fusiona estas utilidades en una señal de entrenamiento. RLVR$^2$ supera a las líneas base basadas en rúbricas en múltiples benchmarks, controlando efectos sistemáticos mientras mantiene el objetivo de calidad.
Aprendizaje por refuerzo consciente de la estructura para la evolución dirigida de proteínas
Se presenta StructEvo, un marco de aprendizaje por refuerzo consciente de la estructura diseñado para la evolución dirigida de proteínas. Este método integra información estructural mediante un codificador de fusión de estructura delta para incorporar conocimiento espacial. El enfoque supera a métodos previos en benchmarks de optimización, validando la guía estructural para la evolución de proteínas.
No se identificaron personas.
AttnSR: Recompensa de Paso para Agentes RL de Horizonte Largo
Se presenta AttnSR, un método de aumento de recompensa a nivel de paso para agentes LLM de horizonte largo, que utiliza la atención de la política extraída durante el entrenamiento para asignar recompensas. Este método superó a la línea base PPO en el entorno ALFWorld, mejorando el éxito final del 91.2% al 97.1%. Los resultados sugieren que la atención de la política es una prioridad práctica para la asignación de recompensas en RL de horizonte largo.
Tecnohibridismo: Normalización Semántica Recursiva en Sociedades Mediadas por IA
El artículo desarrolla un enfoque sociotécnico sobre cómo los resultados generados por IA reingresan en las prácticas comunicativas e institucionales. Introduce el concepto de normalización semántica recursiva, analizando cómo las formulaciones generadas por máquinas se incorporan y transforman en regularidades semánticas. Se argumenta que la unidad de análisis es el sistema semántico híbrido, una configuración de prácticas humanas, generación computacional y adopción institucional.
No se identificaron personas.
Grounding en la oscuridad: Entrenamiento solo con texto para localización temporal de video
Se investiga si un LLM solo con texto puede realizar localización temporal de video utilizando descripciones textuales, eliminando la necesidad de datos de video emparejados durante el entrenamiento. Se propone el método NER (Reemplazo de Entidad Vecina) para mapear fotogramas de video a entidades textuales, logrando mejores resultados en métricas de localización temporal. El estudio demuestra que el NER permite una transferencia parcial de información de texto a video.
EcoGEO: Ecosistemas de Evidencia Sensibles a la Trayectoria para Agentes de Búsqueda LLM habilitados para la Web
Se propone EcoGEO, un enfoque para la Optimización de Motor Generativo (GEO) que considera la influencia a nivel de entorno para agentes LLM que navegan por la web. El método TRACE coordina páginas de soporte para mejorar la adquisición de evidencia en tareas de recomendación de productos. Los resultados demuestran que este enfoque supera a los métodos basados en páginas individuales en métricas de recomendación.
ASTRA-bench: Evaluando el razonamiento y la planificación de acción de agentes con uso de herramientas y contexto de usuario
Se presenta ASTRA-bench, un benchmark diseñado para evaluar el razonamiento y la planificación de acción de agentes de IA que utilizan herramientas y contexto personal. El benchmark unifica el contexto personal evolutivo con una caja de herramientas interactiva para generar 2,413 escenarios. Los resultados indican una degradación significativa del rendimiento de modelos de vanguardia bajo alta complejidad, señalando limitaciones en la capacidad de los agentes para fundamentar el razonamiento en contextos personales complejos.
Taming the Entropy Cliff: Cuantización de tamaño de código variable para generación visual autoregresiva
Se propone la Cuantización del Tamaño del Código Variable (VCQ) para mejorar la generación visual autoregresiva al abordar el problema del "Acantilado de Entropía". Esta técnica permite que el tamaño del libro de código crezca monótonamente a lo largo de la secuencia, lo que resulta en mejores métricas de FID en comparación con los métodos de código constante. Los resultados demuestran que la distribución de la capacidad del código es tan importante como su capacidad total.
Fuzzing de Alucinaciones Unificadas para Modelos de Lenguaje Grande Multimodales
Se presenta un marco de evaluación sistemático para abordar el desafío de las alucinaciones en Modelos de Lenguaje Grande Multimodales (MLLMs). El trabajo introduce UniHall, un conjunto de datos detallado, y SAMF, un marco de fuzzing autoadaptativo para explorar las fronteras de las alucinaciones. Los experimentos demuestran que los MLLMs de vanguardia muestran una degradación del rendimiento al someterse a fuzzing, evidenciando una desconexión entre el razonamiento y el fundamento fáctico.
El precio de la seguridad: Utilidad benigna y sobrecarga de tokens de defensas de envenenamiento de memoria en agentes LLM
El estudio evalúa el costo de utilidad benigna y la sobrecarga de tokens de las defensas de envenenamiento de memoria para agentes LLM cuando no hay ataques. Se probaron cuatro defensas en la mitad de LoCoMo, encontrando que la detección de anomalías y la condición apilada mejoraron la precisión. Se reporta el costo de tokens asociado a estas defensas, indicando que la detección de anomalías tuvo un 1.5% de sobrecarga.
Regresión Barycéntrica Profunda para la Estimación de Mapas de Transporte Óptimo y su Optimalidad Estadística
Se propone BROT (Regresión Barycéntrica para el Transporte Óptimo), un método de dos pasos que utiliza una red neuronal profunda para ajustar objetivos barycéntricos derivados del plan de transporte óptimo no regularizado. Se demuestra que el estimador basado en DNN alcanza la tasa de convergencia minimax cuando el mapa de transporte óptimo es Lipschitz. Los estudios numéricos indican que BROT ofrece estimaciones precisas y costes de transporte competitivos en comparación con métodos existentes.
FARR: Refinamiento de Residuales Sensible al Pronóstico con Evidencia de Punto Final para Pronósticos de Series Temporales a Largo Plazo
Se presenta el método FARR (Forecast-Aware Residual Refinement) para corregir pronósticos de series temporales a largo plazo utilizando evidencia de punto final. Este método busca mejorar la precisión de los pronósticos al ajustar los errores residuales basándose en el contexto temporal observado. Los experimentos demuestran que FARR supera a otros métodos en métricas clave como MSE y MAE.
EvoWorld: Hacia la evolución del mundo fuera de la vista en modelos de video generativos
Se propone EvoWorld, un marco de colaboración de renderizado cerebral que utiliza un modelo visión-lenguaje como cerebro del mundo para mantener un registro evolutivo y razonar sobre transiciones de estado plausibles. Este modelo mejora la evolución causal condicionada por eventos sobre modelos recientes, manteniendo la calidad visual y la coherencia. Se introducen también EvoWorld-Data y EvoWorld-Bench para el entrenamiento y la evaluación de estas capacidades.
Optimización de ruido inicial con restricciones de manifold para alineación eficiente de modelos generativos
Se presenta ZeNOVA, un método estable y eficiente para la alineación de ruido inicial en un marco libre de gradiente, diseñado para superar las limitaciones de los métodos existentes en escenarios de caja negra. Este método utiliza guía de valor suave anillada y dinámica de Langevin con restricciones de manifold para optimizar el ruido inicial hacia recompensas más altas de manera estable. Los experimentos demuestran que ZeNOVA supera a las líneas de base de orden cero en modelos generativos de imágenes y video.
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.