inteligencia artificial
Todas las noticias con este tag.
Noticias por hora
Últimas 24 horas · hora argentina
Consultar los valores por hora
| Hora | Noticias |
|---|---|
| 2 nov 2026, 8:00 p. m. | 13 |
| 2 nov 2026, 9:00 p. m. | 30 |
| 2 nov 2026, 10:00 p. m. | 12 |
| 2 nov 2026, 11:00 p. m. | 19 |
| 3 nov 2026, 12:00 a. m. | 22 |
| 3 nov 2026, 1:00 a. m. | 17 |
| 3 nov 2026, 2:00 a. m. | 196 |
| 3 nov 2026, 3:00 a. m. | 31 |
| 3 nov 2026, 4:00 a. m. | 38 |
| 3 nov 2026, 5:00 a. m. | 27 |
| 3 nov 2026, 6:00 a. m. | 30 |
| 3 nov 2026, 7:00 a. m. | 23 |
| 3 nov 2026, 8:00 a. m. | 22 |
| 3 nov 2026, 9:00 a. m. | 20 |
| 3 nov 2026, 10:00 a. m. | 22 |
| 3 nov 2026, 11:00 a. m. | 16 |
| 3 nov 2026, 12:00 p. m. | 16 |
| 3 nov 2026, 1:00 p. m. | 17 |
| 3 nov 2026, 2:00 p. m. | 13 |
| 3 nov 2026, 3:00 p. m. | 11 |
| 3 nov 2026, 4:00 p. m. | 30 |
| 3 nov 2026, 5:00 p. m. | 18 |
| 3 nov 2026, 6:00 p. m. | 21 |
| 3 nov 2026, 7:00 p. m. | 18 |
| 3 nov 2026, 8:00 p. m. | 0 |
Noticias por día
Últimos 30 días, incluido hoy · hora argentina
Consultar los valores por día
| Día | Noticias |
|---|---|
| 2026-10-05 | 1 |
| 2026-10-06 | 4 |
| 2026-10-07 | 8 |
| 2026-10-08 | 11 |
| 2026-10-09 | 3 |
| 2026-10-10 | 2 |
| 2026-10-11 | 2 |
| 2026-10-12 | 1 |
| 2026-10-13 | 3 |
| 2026-10-14 | 5 |
| 2026-10-15 | 8 |
| 2026-10-16 | 2 |
| 2026-10-17 | 4 |
| 2026-10-18 | 2 |
| 2026-10-19 | 14 |
| 2026-10-20 | 32 |
| 2026-10-21 | 48 |
| 2026-10-22 | 38 |
| 2026-10-23 | 20 |
| 2026-10-24 | 19 |
| 2026-10-25 | 6 |
| 2026-10-26 | 26 |
| 2026-10-27 | 45 |
| 2026-10-28 | 148 |
| 2026-10-29 | 213 |
| 2026-10-30 | 204 |
| 2026-10-31 | 223 |
| 2026-11-01 | 331 |
| 2026-11-02 | 434 |
| 2026-11-03 | 608 |
Los gráficos cuentan por fecha de publicación y respetan los filtros. El archivo incluye todo el histórico.
Noticias de inteligencia artificial
2.771 noticias · De más nuevas a más antiguas.
Hugging Face BlogNeoMME: un encoder multimodal y multilingüe eficiente entrenado desde cero
H Company presentó NeoMME, una familia de encoders multimodales y multilingües de 260M y 800M parámetros que procesa texto y parches de imagen en un único Transformer bidireccional, entrenado desde cero sin torre de visión ni decodificador causal. La variante NeoMME-Retriever, ajustada para recuperación de documentos visuales, devuelve embeddings densos y de interacción tardía en un solo paso y alcanza 0,523 y 0,556 de nDCG@10 en ViDoRe v3, en la frontera de Pareto por tamaño. Con agrupamiento jerárquico y cuantización asimétrica reduce el índice de 1,5 MB a 6 kB por página (255×) conservando más del 95% de la calidad, y codifica unas 51 páginas por segundo en una NVIDIA L40S. Los checkpoints se publican bajo licencia Apache 2.0 y están disponibles en Hugging Face Transformers.
Noticia originalAfinan un modelo de 350M parámetros para mejorar salidas estructuradas en 100 pasos de GRPO
Un artículo técnico describe cómo ajustar el modelo pequeño LFM2.5-350M con GRPO y la librería TRL para mejorar el cumplimiento de salidas estructuradas. Con unas 500 muestras y 100 pasos de entrenamiento en una GPU gratuita, el rendimiento en el benchmark IFStruct subió del 22,6% al 29,7%. El mayor avance se dio en formato JSON, que pasó del 18,0% al 31,9%, acercando al modelo pequeño al desempeño de modelos varias veces más grandes.
Noticia originalEntrenar un modelo de código para pintar acuarelas con TRL y OpenEnv
Sergio Paniego reproduce de forma abierta el proyecto de Surya Narreddi que entrena un modelo de lenguaje para pintar acuarelas escribiendo código JavaScript con la biblioteca p5.brush. Usa TRL y OpenEnv con aprendizaje por refuerzo sobre el gusto estético, combinando un juez por pares (Qwen3-VL) y el modelo de preferencia HPSv3 sobre un pool de 178 pinturas calificadas a mano. Publica el entorno, los scripts, tres mezclas de recompensa entrenadas y todos los artefactos en Hugging Face.
Noticia originalHugging Face presenta funes, una capa de memoria duradera para agentes de programación
Hugging Face publicó funes, una capa de memoria duradera y de código abierto para agentes de programación como Claude Code, Codex, pi y Hermes, que indexa localmente las sesiones ya existentes en la máquina. La herramienta permite que los agentes recuperen decisiones y fundamentos de sesiones pasadas mediante búsqueda vectorial y BM25, con resultados trazables al turno original, y puede sincronizarse en un conjunto de datos privado del Hub para compartir la memoria entre máquinas o equipos. Según el benchmark handoff-vs-recall, el recall resultó hasta 8 veces más barato que un traspaso escrito para retomar investigaciones largas.
Noticia originalHugging Face lanza @huggingface/kernels: más de 200 kernels WebGPU para IA local en el navegador
Hugging Face presentó @huggingface/kernels, una biblioteca mínima en JavaScript para cargar y ejecutar kernels WebGPU optimizados desde el Hub, junto con una colección inicial de 207 kernels bajo licencia Apache-2.0. Según la compañía, en pruebas sobre una GPU Apple M4 los kernels fueron 2,57 veces más rápidos en media geométrica que ORT WebGPU en 809 casos comparables. También lanzó Fleet, una suite de benchmarking en navegador que recopila evidencia de rendimiento y corrección en hardware real de la comunidad.
Noticia originalEl Open ASR Leaderboard suma su primer idioma del Sur Global con el hindi y el inglés indio
Voice Arena y Hugging Face lanzaron Monsoon, un conjunto de evaluación abierto de reconocimiento automático de voz para hindi e inglés indio, que se incorpora al Open ASR Leaderboard. El hindi es el primer idioma índico en la pestaña multilingüe del ranking, que hasta ahora solo cubría idiomas europeos. Los cuatro conjuntos suman 4.888 hablantes disjuntos y registran 12 atributos por hablante para medir sesgos por región, edad, género y dispositivo, además de una retícula ortográfica que reemplaza al WER por el OIWER en hindi.
Noticia original
Google DeepMindGoogle lanza Gemini Omni 1.1 Flash con más control para la generación de video con IA
Google presentó Gemini Omni 1.1 Flash, una actualización lista para producción que ofrece mayor control sobre el video generativo a través de la API de Gemini en Google AI Studio. El modelo permite extender escenas en incrementos de 10 segundos hasta 40 segundos, especificar fotogramas de inicio y fin para transiciones suaves, generar borradores en 360p más rápidos y económicos, y escalar la salida hasta 4K. Empresas como Adobe, Figma Weave, GMI Cloud y Runway ya integran el modelo en sus flujos de producción.
Noticia originalCómo entrenar y ajustar modelos de embeddings multi-vector con Sentence Transformers
El artículo técnico de Tom Aarsen explica cómo entrenar y ajustar modelos de embeddings multi-vector (estilo ColBERT) con la biblioteca Sentence Transformers, cuya versión 6.0 incorpora el tipo MultiVectorEncoder. Detalla componentes como datasets, funciones de pérdida, argumentos de entrenamiento, evaluadores y el trainer, y muestra que un modelo ajustado en dominio médico (mLateOn-medical) superó a recuperadores de propósito general tras 14,5 horas de entrenamiento en una RTX 3090. También aborda la optimización del índice mediante pooling de tokens y cuantización PLAID para reducir el tamaño de almacenamiento.
Noticia originalIBM presenta la familia Granite 4.2, sus primeros modelos de lenguaje densos con razonamiento explícito
IBM publicó Granite 4.2, su primera familia de modelos de lenguaje densos solo decodificadores centrados en razonamiento, en tamaños de 3B, 8B y 30B parámetros bajo licencia Apache 2.0. Los modelos se postentrenaron desde las bases Granite-4.1, preentrenadas con unos 15 billones de tokens y contexto extendido a 512K, con ajuste fino supervisado y una canalización de aprendizaje por refuerzo de múltiples etapas que incluye RL agéntico para las variantes de 8B y 30B. Todos incorporan modos de pensamiento, sin pensamiento y de bajo esfuerzo, además de llamada de herramientas nativa compatible con OpenAI.
Noticia originalEstudio mide la optimización de benchmarks en reconocimiento de voz y detecta que modelos reproducen transcripciones erróneas
Investigadores de HumeAI publicaron un estudio que mide la "optimización de benchmarks" en reconocimiento automático de voz: modelos con las mejores puntuaciones reproducen transcripciones de referencia erróneas de VoxPopuli y LibriSpeech aunque el audio las contradiga. Con tres pruebas (desacuerdo de referencia, recuperación de entidades enmascaradas y cambio ortográfico) sobre 11 modelos ASR de código abierto, hallaron que varios detectan señales acústicas del benchmark y ajustan su salida, con tasas de reproducción de errores del 18% al 30%. Los autores recomiendan conjuntos de evaluación reservados y mayor transparencia en datos de entrenamiento.
Noticia originalCómo Hugging Face Inference Endpoints, Jobs y Buckets impulsan la búsqueda en Papers with Code
Hugging Face detalla la arquitectura de búsqueda híbrida de Papers with Code, que combina búsqueda léxica en PostgreSQL con embeddings vectoriales en pgvector fusionados mediante RRF. Los Jobs de GPU generan el corpus de más de 110.000 papers de arXiv, los Buckets almacenan los artefactos de forma auditable y los Inference Endpoints sirven embeddings de consulta en tiempo real con respaldo léxico ante fallos. El sistema usa el modelo Qwen3-Embedding-0.6B con vectores de 256 dimensiones, logrando alta recuperación con bajo costo de almacenamiento y latencia.
Noticia originalCuánta memoria necesita realmente un agente de IA: la dosis debe calibrarse según el modelo
Investigadores de IBM presentan ALTK-Evolve, un método que permite a los agentes de IA aprender de sus propias trayectorias pasadas destilando directrices reutilizables que se reinyectan en la inferencia, sin actualizar pesos ni requerir anotación humana. Tras evaluar ocho modelos en el benchmark AppWorld, concluyen que la cantidad de memoria debe calibrarse según la capacidad del modelo: los fuertes con margen rinden mejor con el conjunto completo de directrices, los débiles con un núcleo compacto más recuperación por tarea, y los saturados no muestran ganancias. La recuperación curada puede ser a la vez la más precisa y la más barata, con gpt-oss-120b ganando +16,1 puntos de finalización de tareas con solo +5% de tokens.
Noticia originalSentence Transformers v6.0 incorpora modelos de embedding multi-vector (late interaction) al estilo ColBERT
La biblioteca Sentence Transformers lanzó su versión 6.0, que incorpora MultiVectorEncoder, un cuarto tipo de modelo para recuperación por late interaction al estilo ColBERT. Estos modelos conservan un vector por token en lugar de comprimir el texto en uno solo, lo que mejora la calidad de recuperación a costa de índices más grandes. La actualización permite cargar checkpoints de PyLate, Stanford-NLP ColBERT y colpali-engine, y cubre recuperación de texto, documentos visuales, audio y video.
Noticia originalMismo clúster, 33 puntos más de utilización: lo que cambió fue el orden
Dharma-AI presentó un asignador de GPU consciente de restricciones que, comparado con un planificador FIFO en siete escenarios de referencia, elevó la utilización hasta 33 puntos porcentuales y la producción ponderada por prioridad hasta 105%. La clave no fue el hardware sino el orden de las decisiones de asignación: reemplaza la reserva fija de pico por una curva de demanda por paso temporal y coloca los trabajos por lotes según prioridad en todo el horizonte. El sistema corre en 1 a 15 milisegundos y se apoya en pronósticos especializados por tipo de carga de trabajo.
Noticia originalEstado de los modelos abiertos: observaciones del verano de 2026
El informe semestral de Hugging Face sobre modelos abiertos (enero-agosto de 2026) señala que varios laboratorios chinos lanzaron modelos de frontera de mayor tamaño que los estadounidenses, con techos de hasta 2,78 billones de parámetros frente a menos de 130.000 millones en EE.UU. Los repositorios crecieron de 2,43 a 2,96 millones, pero la distribución es extrema: el 85,6% de los modelos tiene menos de 200 descargas y el 1,5% concentra el 99,2% del total. Qwen se consolidó como base de la comunidad con 151.448 derivados, mientras los modelos pequeños dominan el uso práctico y los agentes autónomos se convirtieron por primera vez en el principal usuario del Hub.
Noticia originalMeta lanza Muse Glimmer, un modelo multimodal y agéntico de código abierto para uso local
Meta lanzó Muse Glimmer, un modelo multimodal de 30B parámetros (codificador visual de 2B y decodificador de texto de 28B) bajo licencia Apache 2.0, pensado para uso agéntico local y aplicaciones que priorizan la privacidad. El modelo llega con soporte day-0 en transformers, llama.cpp, vLLM e Inference Endpoints, además de un borrador de decodificación especulativa DFlash para acelerar la generación. La publicación, difundida desde el blog de Hugging Face, incluye benchmarks frente a Gemma4-31B y Qwen3.6-27B, demos de auto-cuantización, auto-despliegue y autooptimización, y guías de fine-tuning con TRL.
Noticia originalGestión de GPU: por qué las GPU inactivas son el nuevo avión en tierra
El artículo sostiene que en la IA empresarial la restricción ya no es la inteligencia de los modelos sino la utilización del cómputo: las GPU acumulan costos por hora calendario y solo generan valor por hora de cómputo efectiva. Compara la situación con la aviación, donde la utilización de la flota definía la supervivencia de una aerolínea, y señala que comprar más GPU no resuelve el desajuste entre tipos de carga de trabajo. Propone la "Gestión de GPU" como disciplina de orquestación continua, complementada por modelos especializados más pequeños que liberan capacidad.
Noticia originalGemini Robotics 2 de Google DeepMind lleva la inteligencia corporal completa a los robots
Google DeepMind presentó Gemini Robotics 2, una capa de inteligencia que permite a los robots control corporal completo, destreza avanzada y colaboración entre múltiples robots. El sistema se compone de tres modelos: Gemini Robotics 2 (visión-lenguaje-acción), Gemini Robotics ER 2 (razonamiento encarnado) y Gemini Robotics On-Device 2 (ejecución local). La compañía destacó avances en seguridad robótica con el nuevo benchmark ASIMOV-Agentic y la adaptación rápida a nuevos cuerpos robóticos en pocas horas.
Noticia originalNVIDIA presenta Cosmos-H-Dreams, un simulador generativo en tiempo real para cirugía robótica
NVIDIA presentó Cosmos-H-Dreams, un simulador generativo en tiempo real condicionado por acciones para robótica quirúrgica, que destila el modelo Cosmos-H-Surgical-Simulator en un estudiante causal de pocos pasos servido mediante la biblioteca FlashDreams. Corriendo en una sola GPU RTX PRO 6000, alcanza unos 160 cuadros por segundo y permite control interactivo en bucle cerrado, con clientes de navegador y Meta Quest. La empresa también lo integró con el controlador Versius de CMR Surgical y Cambridge Consultants, y aclara que es una plataforma de investigación y desarrollo, no un sistema de diagnóstico ni un controlador de robots quirúrgicos físicos.
Noticia originalDiffusers incorpora la inferencia de difusión cuantizada a 4 bits de Nunchaku
Hugging Face integró Nunchaku Lite en Diffusers, permitiendo cargar checkpoints de difusión cuantizados a 4 bits (W4A4) mediante from_pretrained() sin compilación CUDA local ni motor de inferencia separado. La técnica SVDQuant reduce la VRAM máxima hasta un 50% y mejora la latencia cerca de un 30%, alcanzando 1,8x de aceleración al combinarse con torch.compile. El toolkit diffuse-compressor permite cuantizar nuevas arquitecturas y publicarlas en el Hub.
Noticia original