Buscar noticias
Buscá por texto y descubrí noticias relacionadas con tu consulta.
Noticias relevantes
Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.
Meta AI tendrá menos olvido y dejará de rendirse con la nueva actualización
Meta ha actualizado los modelos de sus agentes Muse y Meta AI para mejorar la memoria y la capacidad de recuperación de información. La nueva funcionalidad permite a los asistentes de IA recordar detalles de conversaciones pasadas y mejorar la capacidad de la IA para corregir errores y completar tareas complejas. Meta está utilizando modelos especializados para tareas cotidianas en lugar de modelos fronterizos, buscando hacer que sus asistentes sean más útiles en el trabajo práctico diario.
DF Lab Opinión/ Metatrabajo, el nuevo concepto IA
Un artículo de DF Lab Opinión presenta una visión sobre la Inteligencia Artificial, indicando que la IA no elimina empleos, sino que los transforma, pasando de roles de ejecución a roles de dirección, revisión y decisión, lo que algunos denominan "botsitting".
Meta se inclina por los Tamagotchi porque sabe que eres un adicto a la interacción
Meta está utilizando la ternura y la interacción para atraer a los usuarios con su nueva aplicación Waddle World, una mascota tipo Tamagotchi. Esta aplicación fomenta la interacción al permitir a los usuarios hablar con la mascota, que actúa como confidente, buscando mantener al usuario comprometido. La compañía parece aplicar esta estrategia, similar a sus esfuerzos con otras herramientas de IA, para suavizar la experiencia de interacción con la inteligencia artificial y fomentar la repetición de uso.
Meta busca recaudar hasta $25 mil millones en venta de deuda por el aumento del gasto en IA
Meta está buscando recaudar entre $20 y $25 mil millones en una venta de bonos para financiar su creciente inversión en infraestructura de inteligencia artificial. Esta decisión se produce mientras la empresa enfrenta incertidumbre debido al gasto de capital y al flujo de caja libre negativo reportado recientemente. La compañía busca asegurar fondos para sus iniciativas de IA a través de diversas operaciones de deuda y capital.
Meta se une con Pueri de China para desarrollar prototipo de robot humanoide 'Max'
Meta colaboró con la startup china Pueri durante tres meses para desarrollar el prototipo de robot humanoide 'Max', buscando integrar su asistente de IA 'Muse' con un cuerpo físico para realizar tareas domésticas. Max, de 1.5 m de altura y 48 kg, está equipado con el chip Jetson Tor de NVIDIA y tiene características como una pantalla facial y un sistema de agarre con cinco dedos. Meta probó el prototipo y planea desarrollar un segundo modelo, 'Max2', con mejoras en la estructura y sensores.
Meta reevalúa su objetivo de emisiones cero ante el auge de la inteligencia artificial
Meta está reconsiderando su objetivo de neutralidad de carbono para 2030 debido al auge de la inteligencia artificial, lo que complica sus compromisos climáticos. La compañía está reevaluando plazos y hitos intermedios tras el impacto de la IA en la construcción de centros de datos. Meta necesita infraestructura para la IA, lo que ha llevado a firmar acuerdos para usar centrales a gas en lugar de electricidad renovable.
Meta presenta un pequeño modelo de IA, Muse Ember
Meta Platforms presentó Muse Ember, su modelo de inteligencia artificial más pequeño. El CEO Mark Zuckerberg señaló que este modelo está diseñado para tareas repetitivas de agentes de IA que requieren un alto uso de tokens.
La venta de bonos de Meta muestra una nueva realidad para la deuda tecnológica
Meta buscó vender 25 mil millones de dólares en bonos corporativos el 3 de noviembre, una maniobra que podría complicar el financiamiento de su inversión en inteligencia artificial debido a la presión política de los Demócratas. Los gestores de fondos están exigiendo mayor claridad sobre cómo el gasto en IA se traducirá en flujo de caja libre. Además, la incertidumbre regulatoria podría ralentizar el desarrollo de centros de datos en EE. UU., afectando el endeudamiento de las grandes tecnológicas.
Meta prevé recaudar al menos US$ 20.000 millones en posibles emisiones de bonos
Meta evalúa emitir bonos transfronterizos por US$20.000 millones, buscando diversificar su financiamiento en euros y dólares. La compañía mide el interés de los inversores ante el escepticismo sobre el gasto en inteligencia artificial. Se reporta que la venta de acciones de Meta atrae una demanda significativamente mayor a la oferta.
No se identificaron personas.
Meta dice que probablemente retrasará sus controvertidos nuevos términos comerciales de nuevo
Meta ha anunciado que probablemente retrasará la implementación de sus nuevos términos comerciales hasta el 20 de noviembre debido a la reacción de los editores por preocupaciones sobre el entrenamiento de IA. La compañía afirmó que no tiene intención de realizar cambios de políticas sin consulta con líderes de la industria. Los términos, que inicialmente permitían entrenar modelos de IA con contenido de sitios de noticias, fueron pospuestos para mitigar estas preocupaciones legales y de la industria.
Noticias encontradas
Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.
Resultados para «Meta AI»
Más recientes primero · Hasta 30 noticias por página
Muestreo no es curiosidad: Por qué los agentes de LLM deberían investigar
Se propone un marco para definir la curiosidad en agentes de LLM, argumentando que los agentes actuales exploran de forma estocástica en lugar de curiosa. Se sugiere que la curiosidad requiere una estructura predictiva sobre la respuesta del entorno a las acciones del agente para mejorar la interacción y persistir más allá del contexto. El trabajo identifica nuevas direcciones de investigación para la implementación de estos sistemas.
AgentCompile: Compilador guiado por LLM para inferencia directa en CUDA
Se presenta AgentCompile, un compilador de inferencia CUDA guiado por LLM que utiliza modelos de lenguaje grandes para generar kernels CUDA. Esta herramienta combina la generación de metadatos y la validación de candidatos para optimizar la inferencia de transformadores. Se reportan aceleraciones significativas en comparación con PyTorch eager y vLLM en diversas familias de modelos.
HolidayFactory 1.0: Simulación, generación y evaluación de tareas de robots industriales
Se presenta HOLIDAYFACTORY 1.0, un marco para simular, generar y evaluar el trabajo de robots industriales, abordando la necesidad de evaluar tareas repetitivas donde el estado de la escena persiste. El marco incluye componentes como HOLIDAY-SIM para la dinámica del actuador y la construcción de mundo agentiva para generar activos y variantes de escena. Se introducen tareas industriales en 24/7-BENCH para medir el rendimiento sin reinicio de la escena.
Evaluación del razonamiento visual temporal en la generación de código de video a código
Se presenta Animation2Code, un benchmark para evaluar el razonamiento visual temporal al reconstruir código de animación web ejecutable a partir de videos. El estudio utiliza 1,069 videos con diversos patrones de movimiento y sus implementaciones correspondientes en HTML/CSS/JavaScript. Los resultados indican que los modelos VLM actuales luchan por mantener la coherencia temporal en la reconstrucción, incluso con alta similitud de apariencia.
No toda la incertidumbre es igual: volatilidad, estocasticidad y exploración
El texto aborda la toma de decisiones adaptativa en inteligencia biológica y artificial, enfocándose en el equilibrio entre explotar resultados conocidos y explorar alternativas inciertas. Se analiza cómo la volatilidad y la estocasticidad afectan la incertidumbre posterior y cómo impulsan la exploración en direcciones opuestas. Se presenta un marco teórico para la exploración sensible a la incertidumbre, sugiriendo una asimetría en la inferencia de ruido con implicaciones para condiciones psiquiátricas.
Los LLMs pueden capturar mejor los juicios humanos con los prompts adecuados
Se demuestra que estrategias de prompting simples pueden mejorar la alineación entre modelos de lenguaje grandes (LLMs) y el juicio humano. Al solicitar a los modelos que reporten desviaciones estándar y proporciones de respuesta, se recupera mejor el rango completo de respuestas humanas. Además, asegurar la claridad de los escenarios para los participantes humanos mejora la alineación del modelo, sugiriendo que hacer mejores preguntas a los LLMs puede generar respuestas más precisas.
No se identificaron personas.
Marco continuo de validación, actualización y toma de decisiones para Gemelos Digitales autoadaptativos
Se presenta un marco de adaptación en línea para Gemelos Digitales que integra detección de deriva basada en gradientes y validación estadística para mantener la fidelidad predictiva ante cambios en las condiciones de operación. El método utiliza actualizaciones de modelos por lotes con Adaptación de Bajo Rango y una prueba de bootstrap para evaluar la mejora predictiva antes de la implementación. Los resultados indican mejoras en la precisión predictiva y la estimación de incertidumbre en comparación con los modelos base.
Med-DualLoRA: Adaptación Local de Modelos Fundacionales para Resonancia Magnética Cardíaca 3D
Se propone Med-DualLoRA, un marco federado de ajuste fino eficiente en parámetros (PEFT) para la detección de enfermedades en resonancia magnética cardíaca 3D utilizando modelos fundacionales. Este método descompone adaptaciones LoRA globales y locales para mejorar la personalización mientras se reduce el costo de comunicación. Los experimentos demuestran que el método logra un rendimiento estadísticamente superior manteniendo la eficiencia de la comunicación.
Adaptando Modelos de Lenguaje Grande mediante Aprendizaje Multi-tarea para la Detección de Problemas de Salud Mental, Emoción y Sentimiento
Un estudio investiga el aprendizaje secuencial multi-tarea con PEFT, LoRA y cuantización de 4 bits en Llama 3.1 8B Instruct para detectar problemas de salud mental, emociones y sentimiento. Se encontró que el orden de las tareas afecta la transferencia de conocimiento y la interferencia, siendo la secuencia MHP-primero la mejor para detección de problemas de salud mental. La integración de técnicas también reduce los requisitos computacionales, haciendo posible la adaptación de LLMs en entornos con recursos limitados.
No se identificaron personas.
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.