Buscar noticias
Buscá por texto y descubrí noticias relacionadas con tu consulta.
Noticias relevantes
Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.
No encontramos noticias relacionadas por su significado.
Noticias encontradas
Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.
Resultados para «Sharon Zhang»
Más recientes primero · Hasta 30 noticias por página
Hackatón de drones automatizados de Stanford: el primer evento
Stanford organizó su primer hackatón de drones, DroneHacks, donde más de 100 estudiantes desarrollaron un dron autónomo sin GPS. El evento incluyó una competencia de codificación y enfrentó desafíos como la brecha entre la simulación y la realidad. El equipo "Fat Kestrel" ganó el primer lugar y el premio principal.
Universidad Applied Science Private construye la fuerza laboral preparada para la IA de Jordania a través de su asociación con Huawei ICT Academy
La Universidad Privada Applied Science (ASU) ha establecido una colaboración con Huawei ICT Academy para integrar capacitación especializada en inteligencia artificial y ciberseguridad en sus programas académicos. Esta alianza ha beneficiado a más de 400 estudiantes en 2025, conectando la teoría académica con la práctica industrial. El objetivo es preparar a los graduados para las necesidades del mercado laboral y apoyar la Estrategia Nacional de Transformación Digital de Jordania.
La prensa japonesa destaca la "frialdad" del recibimiento a Takaichi en la APEC
La prensa japonesa señaló la frialdad del recibimiento a la primera ministra de Japón, Sanae Takaichi, durante la cumbre APEC en Shenzhen, evidenciando el deterioro de las relaciones entre Tokio y Pekín. Se destacó el trato frío de China hacia Takaichi en contraste con otros líderes. La tensión diplomática bilateral se intensificó tras declaraciones de Takaichi sobre la posible activación del ejército japonés en caso de un ataque chino contra Taiwán.
Rapport: más de 1300 escuelas y 210 centros de salud dañados en Irán tras el ataque estadounidense
La guerra entre Estados Unidos e Israel ha causado graves daños a la infraestructura civil en Irán, incluyendo la destrucción de escuelas, centros de salud y otras instalaciones vitales. Un informe del Consejo nacional irano-estadounidense detalla cómo los ataques han afectado gravemente la economía, provocando pérdidas de empleo e inflación, y han dejado al país en una situación de gran precariedad.
El final de la temporada de Chicago Med trae de vuelta a un veterano en un papel clave
El final de la temporada de Chicago Med traerá de vuelta al actor Colin Donnell como Dr. Connor Rhodes, marcando su primera aparición en siete años. El episodio se centra en un caso de trasplante de corazón, y el Dr. Rhodes se reúne con el Dr. Daniel Charles. El final de la temporada se emitirá el 9 de diciembre en NBC.
Opinión: WA debe profundizar en su dividendo de IA
Business News ofrece suscripciones para profesionales y ejecutivos interesados en el mercado de Western Australia (WA). La plataforma proporciona acceso a periodismo especializado, datos detallados de empresas y herramientas de investigación como Data & Insights, enfocadas exclusivamente en el mercado de WA. Se destaca la personalización del contenido a través de MyBN y la disponibilidad de pruebas gratuitas para evaluar los servicios.
No se identificaron personas.
SIGMA: estimación multimodal estructurada por síntomas de la gravedad de la depresión a partir de entrevistas clínicas
Se presenta SIGMA, un marco para estimar la severidad de la depresión a partir de entrevistas clínicas semi-clínicas utilizando estimación multimodal. El método utiliza diarización de hablantes y atención cruzada para integrar texto, audio y video, prediciendo los síntomas conjuntamente. Los resultados demuestran un rendimiento de vanguardia en la estimación de severidad de la depresión.
Edición de Levenshtein para Modelos de Lenguaje de Difusión
Se propone LED (Levenshtein Editing for Diffusion Language Models), un marco posentrenamiento que extiende la edición solo por reemplazo (ROE) con inserción y eliminación para refinar secuencias generadas. Este método busca mejorar la corrección de errores en modelos de lenguaje de difusión. Los resultados demuestran que LED mejora significativamente las puntuaciones en varios benchmarks al aplicar el modelo al LLaDA2.1-Mini Base.
SharQ: Uniendo la escasez de activación y la cuantización FP4 para inferencia de LLM
Se presenta SharQ, un método de inferencia sin entrenamiento que combina la escasez de activación y la cuantización FP4 mediante una descomposición disperso-denso en línea. Este método genera una máscara adaptativa para extraer un esqueleto disperso, lo cuantiza a FP4 y utiliza una ruta densa para compensar la pérdida de precisión. Los resultados muestran una recuperación de precisión significativa y mejoras en la latencia y el rendimiento en tareas de LLM.
Pensar rápido, en cualquier lugar: Un Sistema-1 para los puntos de decisión de cualquier flujo de trabajo de agente
Se presenta AnyS1, un marco diseñado para convertir habilidades procedimentales humanas en una fuente compartida de puntos de decisión para agentes LLM, utilizando un modelo Sistema-1 ligero. Este sistema busca reducir significativamente el costo y la latencia al delegar decisiones a un modelo más rápido, manteniendo la fiabilidad de la tarea. Los resultados demuestran una reducción del 75-91% en el costo del episodio y una disminución en el tiempo de llamada al modelo.
ARISE: Memoria Autoevolutiva Práctica para Agentes Empresariales Precisos y Eficientes
Se presenta ARISE, una arquitectura de memoria práctica para agentes LLM empresariales que permite que la memoria evolucione a partir de sus propios errores sin modificar el modelo base. Esta arquitectura utiliza un modelo o modelo maestro para asignar fallos y proponer correcciones, consolidando las mejoras en reglas macro. Los resultados demuestran que ARISE-Teacher supera a modelos existentes en benchmarks de precisión y reduce el uso de llamadas al modelo y tokens de salida.
NullTok: selección de tokens nulos empíricos para comprensión de video largo sin entrenamiento
Se presenta NULLTOK, un enfoque sin entrenamiento para la selección de tokens en la comprensión de videos largos para modelos MLLM. Este método evalúa la distribución de evidencia para determinar tokens relevantes, logrando resultados superiores en benchmarks de video. Los experimentos demuestran la efectividad de NULLTOK bajo un presupuesto de tokens visuales limitado.
Benchmarking de las capacidades de LLM en problemas de ciencias naturales
Se presenta STEMBench, un benchmark diseñado para evaluar las capacidades de los Modelos de Lenguaje Grande (LLM) en problemas de ciencias naturales como física de alta energía, astrofísica y neurociencia. El método evalúa la solución científica frente a la ingeniería mediante la comparación de una entrega sin conocimiento del dominio y una referencia de experto. El estudio compara el rendimiento de ocho modelos frontera en doce tareas, determinando el liderazgo a nivel de dominio basado en el número de tareas ganadas.
Un modelo fundacional para medir y predecir el comportamiento humano
Se presenta Chiron, un modelo fundacional diseñado para medir y predecir el comportamiento humano mediante el ajuste de un LLM. Este modelo busca alinear las distribuciones de respuesta poblacional con las estadísticas humanas, mostrando una mayor precisión en la predicción del comportamiento individual que los LLMs de frontera. Los resultados indican que Chiron es un instrumento computacional unificado para medir el comportamiento humano.
No se identificaron personas.
CoreQ: Redondeo sucesivo corregido de desajuste para cuantización de LLM
Se presenta CoreQ, un marco de cuantización post-entrenamiento (PTQ) libre de aprendizaje que utiliza una descomposición geométrica del desajuste para calcular un coeficiente de corrección adaptativo por capa. Este método reduce el sobreajuste al limitar la influencia del desajuste en el objetivo de calibración de cada capa. CoreQ y su extensión K-CoreQ logran mejor rendimiento en precisión y perplexidad en diversas familias de LLM.
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.
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.
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.
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.
ElephantAgent: Continuidad del Estado Contextual en Sistemas Agentes
Se presenta ElephantAgent, un protocolo diseñado para asegurar la continuidad del estado contextual en sistemas agentes, mitigando ataques de envenenamiento de herramientas y memoria. El protocolo verifica el estado contextual antes de cada ciclo de planificación y ejecución para asegurar que el estado utilizado sea el más reciente y autorizado. ElephantDSH, un sistema agente protegido por este protocolo, demostró resistencia a diversos ataques, incluyendo *rug pulls* y *rollbacks*.
Ataques de puerta trasera en redes de imagen a imagen
Se investiga la vulnerabilidad de las redes de imagen a imagen (I2I) a ataques de puerta trasera, una amenaza más grave que los ataques adversarios. Se propone un algoritmo para generar una perturbación adversaria universal (UAP) como disparador para el ataque de puerta trasera. Se demuestra que el ataque puede afectar a tareas posteriores como la clasificación de imágenes y la detección de objetos.
EnvAgent: Enfoque multi-agente para construir entornos científicos en las nubes
Se presenta ENVAGENT, un marco agente diseñado para sintetizar, construir y verificar entornos Docker a nivel de repositorio, abordando la dificultad de automatizar la construcción de entornos científicos. El sistema utiliza agentes coordinados para el análisis, planificación y reparación de fallos en la síntesis de Dockerfiles. Los resultados demuestran que la orquestación de agentes específica del entorno mejora significativamente la construcción automatizada de entornos.
Benchmark de planificación y coordinación visual inspirado en Overcooked
Se presenta un benchmark inspirado en Overcooked para evaluar las capacidades de planificación y coordinación visual de agentes visión-lenguaje en entornos de Unreal Engine. El sistema evalúa cómo un modelo controla a dos jugadores para secuenciar recetas y asignar recursos bajo restricciones de tiempo. El estudio compara varios modelos VL y una política de referencia, analizando el rendimiento en tareas complejas como la gestión de equipos y el terreno cambiante.
Elysium: Puentes de Schrödinger desbalanceados sin simulación
Se presenta Elysium, un solucionador sin simulación diseñado para reconstruir la dinámica celular aprendiendo conjuntamente la transición de estado y el cambio de masa. Este método utiliza una referencia de Brownian muerta para construir objetivos de regresión que recuperan el puente de Schrödinger desbalanceado óptimo. Empíricamente, Elysium supera a otros solucionadores al reconstruir transiciones de estado y dinámica de respuesta a fármacos en simulaciones.