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
¿Se pueden hacer que los modelos crean hechos falsos en el prompt?
Se investiga la posibilidad de hacer que los Modelos de Lenguaje Grande (LLMs) crean hechos falsos mediante el Ajuste Fino de Documentos Sintéticos (SDF). Se propone un modelo único entrenado para creer cualquier hecho colocado en una etiqueta específica del prompt. Los resultados preliminares sugieren que la profundidad de la creencia escala logarítmicamente con el número de hechos de entrenamiento, aunque se encontraron resultados negativos en experimentos iniciales.
Interaction-as-a-Judge mejora la evaluación y generación de aplicaciones interactivas
Se presenta el paradigma Interaction-as-a-Judge para evaluar aplicaciones interactivas, demostrando que mejora la evaluación y generación de software. Este método incrementa la predicción de preferencias humanas y la verificación de requisitos, además de mejorar la calidad de los artefactos generados en tiempo de inferencia y entrenamiento.
TinyMyo: un Modelo de Fundación Tiny para el Procesamiento de Señales EMG Flexible en el Borde
Se presenta TinyMyo, un codificador Transformer de 3.6 millones de parámetros preentrenado para el procesamiento de señales EMG. Este modelo demuestra capacidad para soportar múltiples tareas y ejecutarse en un microcontrolador de baja potencia. Los resultados indican un rendimiento superior en clasificación de gestos manuales y una eficiencia energética notable en dispositivos de bajo consumo.
No se identificaron personas.
Extracción estructurada de datos de difracción de marcos orgánicos covalentes
Se presenta un *pipeline* que utiliza un modelo de lenguaje grande (LLM) y visión por computadora clásica (CV) para interpretar y refinar figuras de difracción de rayos X de polvo (PXRD) de marcos orgánicos covalentes (COF). Este método automatizado procesó 3,954 artículos y generó 11,445 curvas de difracción calibradas para la base de datos COF-PEAK. La extracción de datos digitalizados permite rastrear cambios en la prominencia de los picos relacionados con las condiciones de síntesis.
Aprendizaje por refuerzo con recompensas basadas en referencia para el razonamiento y alineación de modelos de lenguaje
Se propone RL2R, un método de aprendizaje por refuerzo con recompensas basadas en referencia, como alternativa eficiente para el razonamiento y la alineación de modelos de lenguaje grande (LLM). Este método utiliza métricas como BERTScore para medir la similitud semántica con respuestas de referencia, permitiendo recompensar derivaciones sólidas incluso si la conclusión final es errónea. RL2R busca ofrecer una fuente de recompensa versátil y de bajo costo para mejorar tanto la capacidad de razonamiento como el comportamiento alineado de los modelos.
Marco de capacidad para evaluar plataformas de IA agentica en empresas reguladas
Se presenta un marco de capacidad para evaluar plataformas de IA agentica en entornos empresariales regulados, evaluando diferentes plataformas y sistemas. Se realizó un programa de evaluación industrial para medir la capacidad de estas plataformas en cargas de trabajo financieras. Se propone un protocolo de evaluación con cuatro capas para transformar la evaluación de plataformas empresariales de un juicio a una medición.
Aprendizaje por refuerzo auto-recompensado para mejores explicaciones médicas en modelos de lenguaje pequeños
Se investiga si un paso de aprendizaje por refuerzo (RL) ligero puede mejorar la estructura de las explicaciones médicas generadas por modelos de lenguaje pequeños (SLMs) mediante la adaptación de Proximal Policy Optimization (PPO) con LoRA. El entrenamiento con una recompensa auto-supervisada buscó obtener explicaciones más largas y mejor organizadas, manteniendo el razonamiento médico subyacente. Los resultados indican un aumento estable en la recompensa promedio al aplicar el método.
Interacciones Humano-IA y trampas sociales
Se analiza cómo la interacción entre usuarios y la inteligencia artificial generativa puede generar desafíos sociales, como la homogeneización del contenido y la propagación de sesgos. Se propone una solución para reducir las fricciones en la interacción humano-IA, permitiendo a los usuarios compartir información flexiblemente para obtener resultados personalizados sin perder productividad.
Jugador: Aprendizaje por refuerzo multiagente basado en CTDE para la co-optimización del movimiento de UAV y enrutamiento oportunista descentralizado en redes con tolerancia a la demora
Se presenta el marco JUDOR, un enfoque de aprendizaje por refuerzo multiagente basado en entrenamiento centralizado con ejecución descentralizada (CTDE) diseñado para optimizar conjuntamente el control de guiñada discreto de UAVs y el enrutamiento oportunista descentralizado en redes con tolerancia a la demora. El trabajo demuestra ganancias de rendimiento consistentes sobre métodos previos, manteniendo la ejecución descentralizada adecuada para implementaciones prácticas de redes DTN.
TOMAS: Modelado de Operación Sensible a la Topología y Etapas Adaptativas para la Predicción de Mano Egocéntrica
Se presenta TOMAS, un marco para la predicción de movimientos de mano egocéntricos mediante modelado sensible a la topología y etapas adaptativas. El método desarrolla un mecanismo de razonamiento que vincula la estructura esquelética de la mano con la semántica del objeto para inferir operaciones de manipulación. Los resultados experimentales demuestran que TOMAS alcanza un rendimiento de vanguardia en la predicción de movimientos de mano multi-dimensional y multi-objetivo.
MANGO-Grasp: Campos de Mahalanobis sobre Gaussianos 3D orientados a la geometría para agarre diestro-embebido
Se presenta MANGO-Grasp, un marco de interacción anisotrópico que utiliza primitivas gaussianas 3D orientadas a la geometría para mejorar la representación de objetos y descriptores preentrenados para manos. Este método modela la interacción mano-objeto mediante campos de Mahalanobis anisotrópicos para guiar la realización del agarre en diferentes *embodiments*. MANGO-Grasp supera a la mejor línea base en simulaciones y logra un 86% de éxito en experimentos del mundo real.
¿Los agentes de LLM saben cuándo no actuar?
Se presenta un marco de evaluación sistemático para medir la capacidad de agentes basados en LLM para reconocer cuándo deben abstenerse de actuar. El estudio aborda el riesgo de que los agentes ejecuten acciones irreversibles bajo ambigüedad o fallos de herramientas. Se propone un conjunto de tareas emparejadas y un pipeline automatizado para evaluar esta capacidad, demostrando que la habilidad de abstención es independiente de la capacidad general de resolución de tareas.
TabBench-Bio: Un punto de referencia vivo para el aprendizaje automático en tablas biomédicas de alta dimensión
Se presenta TabBench-Bio, un *benchmark* interactivo y vivo de 43 conjuntos de datos biomédicos que evalúa estimadores y modelos fundacionales tabulares. El estudio compara diferentes técnicas de aprendizaje automático en tablas biomédicas de alta dimensión. Los resultados indican que los modelos fundacionales tabulares lideran, aunque la configuración óptima depende de la modalidad biomédica y el punto de operación.
Replay, No Resamplear: Consolidación Off-Policy de Expertos de RL de Largo Plazo
Se propone el método MRPD para la destilación de política de expertos de aprendizaje por refuerzo (RL), que utiliza registros de entrenamiento previos en el orden de los expertos para consolidar modelos. Este enfoque reduce el costo computacional y mejora el rendimiento del modelo estudiante en dominios de largo horizonte. Se demuestra que el orden de los registros es crucial, sugiriendo que los registros de entrenamiento actúan como un currículo estructurado.
Autoencoder Esparso Racional
Se presenta el Autoencoder Esparso Racional (RSAE) para mejorar la interpretabilidad mecanicista al reemplazar las activaciones fijas del codificador por una función racional entrenable. Se demuestra que el RSAE ofrece una ventaja de reconstrucción y mejora la fidelidad al mismo nivel de escasez en comparación con métodos existentes como ReLU, JumpReLU y TopK. El modelo se implementa mediante un proceso de inicialización y un ajuste fino para lograr estos resultados.
Evaluación de calidad de datos de materiales basada en confianza mediante conocimiento del dominio y aprendizaje estructurado en grafos
Se propone un marco de evaluación de calidad de datos de materiales basado en la confianza que combina conocimiento del dominio y aprendizaje estructurado en grafos. Este enfoque aborda problemas como errores de medición y datos duplicados en bases de datos de materiales. Los experimentos demuestran que la calibración de reglas mejora significativamente la calidad de los datos, aumentando el coeficiente de determinación en pruebas específicas.
Optimización Bayesiana Multi-Fidelidad Asistida por LLM: Fusionando Conocimiento Experto con Datos Numéricos
Se presenta un método de optimización bayesiana multi-fidelidad (MFBO) asistido por LLM que integra conocimiento experto sobre la física omitida en modelos numéricos. Este enfoque utiliza un LLM para juzgar qué diseño requiere mayor corrección residual, mejorando la eficiencia del proceso. Los resultados demuestran que el conocimiento experto interpretado por LLM puede complementar los datos numéricos para acelerar la búsqueda de diseños.
Atención 2-simplicial linealizada
Se presenta una forma linealizada de la atención 2-simplicial reescribiendo la puntuación trilineal como un producto interno, reduciendo el costo de cúbico a cuadrático en la longitud de la secuencia. El método permite que ambas claves abarquen todos los tokens anteriores, a diferencia de la atención 2-simplicial con ventana. El modelo implementado mejoró la pérdida de validación y redujo la perplejidad.
MemeLogos: Razonamiento aumentado por recuperación de conocimiento para la detección de memes dañinos
Se presenta MemeLogos, un marco de razonamiento aumentado por recuperación basado en conocimiento diseñado para la detección de memes dañinos. Este marco abstrae patrones de perjudicialidad y estructuras de razonamiento de casos dañinos en unidades de conocimiento reutilizables. El sistema combina la recuperación de conocimiento estructurada con un proceso de razonamiento multi-etapa para mejorar la fiabilidad y la interpretabilidad de la detección.
¿Quién puede auditar el registro escrito por el harness de un agente desplegado?
El texto investiga si es posible auditar el registro de ejecución de un agente cuando el registro fue escrito por el harness que lo impulsa. Se compara la fiabilidad de los registros basados en un solo escritor frente a aquellos con un segundo escritor, utilizando un marco llamado Hearsay para evaluar la evidencia. Se concluye que la existencia de un segundo escritor es lo que hace que un registro sea evidencia, más que la habilidad del lector.
No se identificaron personas.
CXReasonAgent: Agente de razonamiento diagnóstico basado en evidencia para radiografías de tórax
Se presenta CXReasonAgent, un agente diagnóstico que combina un modelo de lenguaje grande (LLM) con herramientas de diagnóstico clínicamente fundamentadas para realizar razonamiento basado en evidencia con imágenes. El agente busca superar las limitaciones de los modelos de lenguaje y visión grandes al producir respuestas más fundamentadas en evidencia diagnóstica. Los hallazgos subrayan la necesidad de integrar herramientas de diagnóstico fundamentadas clínicamente para lograr un razonamiento diagnóstico fiable y verificable.
HorizonBench: Personalización a largo plazo con preferencias cambiantes
Se presenta HorizonBench, un generador de datos y un conjunto de datos humano para investigar cómo cambian las preferencias de los usuarios a lo largo del tiempo. El proyecto busca evaluar la capacidad de los asistentes personales para adaptarse a los cambios en las preferencias del usuario. Los resultados indican que la capacidad de recordar preferencias pasadas y conocer las preferencias actuales son capacidades separadas.
CoNav-UAV: Navegación Aérea Dual de Altitud Cooperativa mediante Aprendizaje Stackelberg
Se propone CoNav-UAV, un modelo de juego Stackelberg entre un líder de alta y un seguidor de baja altitud para la navegación aérea cooperativa de UAVs. El sistema utiliza Aprendizaje Iterativo Stackelberg para adaptar la optimización a cada agente, mejorando el rendimiento en escenas urbanas de alta fidelidad. El método demuestra mejoras significativas en la tasa de éxito y la transferencia entre escenas al permitir la adaptación mutua de los agentes.
¿Conocimiento previo o búsqueda? Un estudio de agentes de LLM en la optimización de código consciente del hardware
Se investigan los sistemas de descubrimiento y optimización de LLM que utilizan un bucle de proponer-evaluar-revisar. Los experimentos demuestran que los LLM actúan como optimizadores voraces en la optimización de caja negra y que la optimización de kernels se degrada con el lenguaje de baja densidad. Los resultados sugieren que los LLM en tareas de optimización de código dependen fuertemente de conocimientos previos preentrenados.
Auto-mejora recursiva a través de profundidad emergente
Se presenta Meta$^n$, un sistema de LLM auto-mejorante que refina respuestas mediante recursión en su propia entrada. Este sistema mantiene la operación meta fija y permite que cada capa razone desde una perspectiva superior, estableciendo la profundidad por convergencia. Meta$^n$ supera a agentes anteriores en todas las pruebas de referencia, destacando su rendimiento en el caso ARC-AGI-2.
OpenKAGE: Aprendizaje permanente abierto en el mundo abierto a través de la evolución del grupo de agentes
Se presenta OpenKAGE, un marco de evolución de grupo de agentes diseñado para el aprendizaje permanente abierto. Este sistema permite a los agentes explorar mundos abiertos y adquirir nuevas capacidades reutilizando conocimiento acumulado de interacciones y experiencias de otros. El marco incluye una representación de conocimiento de dos capas y un mecanismo de intercambio que consolida la experiencia textual en un grafo compartido.
Modelado de mundo consciente del riesgo con evolución guiada por flujo para la planificación de trayectoria selectiva en conducción automatizada
Se presenta RiskWorld, un marco de modelado de mundo consciente del riesgo para la planificación de movimiento seguro en conducción automatizada. Este modelo fusiona campos de riesgo espacial y contexto temporal con características visuales para predecir riesgos y reemplazar trayectorias de manera selectiva. El sistema demostró la menor tasa de colisión en un horizonte de 3 segundos, superando a las líneas de base existentes.
Horizontal Flow Matching para Dinámicas Espaciotemporales de Células
Se presenta un modelo llamado HORIZON para aprender las dinámicas espaciotemporales de células a partir de transcriptómica espacial. Este modelo aprende cambios en la organización del tejido y la abundancia celular hasta el movimiento rígido compartido. HORIZON mejora la reconstrucción de la geometría del tejido y la expresión génica en series temporales de transcriptómica espacial.
GA-VINO: Un Operador Neuronal basado en física y consciente de la geometría para placas Mindlin-Reissner
Se propone el GA-VINO, un operador neuronal basado en física y consciente de la geometría para placas Mindlin-Reissner. Este método fusiona información geométrica, de material, de carga y de consulta para predecir deflexión y rotaciones. GA-VINO minimiza una pérdida de física informada variacional, permitiendo procesar nubes de puntos irregulares y mostrando buena generalización entre geometrías.
HydroMind: Un agente verificable para investigación hidrológica autónoma
Investigadores evaluaron la capacidad de los agentes de codificación para generar código para modelos hidrológicos, enfocándose en si los resultados generados son verificables por el usuario. Se compararon tres configuraciones de herramientas (harnesses) para determinar qué tan confiables son las afirmaciones del agente al evaluar modelos. Se encontró que modificar solo el andamiaje mejoró la capacidad de los lectores para verificar las afirmaciones del agente.