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, 5:00 p. m. | 6 |
| 2 nov 2026, 6:00 p. m. | 10 |
| 2 nov 2026, 7:00 p. m. | 19 |
| 2 nov 2026, 8:00 p. m. | 17 |
| 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. | 12 |
| 3 nov 2026, 3:00 p. m. | 11 |
| 3 nov 2026, 4:00 p. m. | 26 |
| 3 nov 2026, 5:00 p. m. | 1 |
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 | 10 |
| 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 | 28 |
| 2026-10-21 | 42 |
| 2026-10-22 | 37 |
| 2026-10-23 | 20 |
| 2026-10-24 | 18 |
| 2026-10-25 | 6 |
| 2026-10-26 | 26 |
| 2026-10-27 | 44 |
| 2026-10-28 | 148 |
| 2026-10-29 | 212 |
| 2026-10-30 | 204 |
| 2026-10-31 | 221 |
| 2026-11-01 | 324 |
| 2026-11-02 | 418 |
| 2026-11-03 | 547 |
Los gráficos cuentan por fecha de publicación y respetan los filtros. El archivo incluye todo el histórico.
Noticias de inteligencia artificial
2.670 noticias · De más nuevas a más antiguas.
Hugging Face BlogHELMET: un nuevo estándar para evaluar modelos de lenguaje de contexto largo
Investigadores de Princeton y de Intel presentaron HELMET, un benchmark integral para evaluar modelos de lenguaje de contexto largo (LCLM) que mejora los existentes en diversidad, controlabilidad y confiabilidad. Evaluaron 59 modelos y hallaron que las tareas sintéticas como "aguja en un pajar" no se correlacionan con el rendimiento real, que los modelos se degradan con longitudes y complejidad crecientes y que no hay un ganador claro entre categorías. El trabajo se presentará en ICLR 2025 y el código está disponible en GitHub.
Noticia originalCohere se suma a los Inference Providers de Hugging Face
Hugging Face anunció que Cohere se convirtió en un Inference Provider compatible en su Hub, siendo el primer creador de modelos que comparte y sirve sus modelos directamente en la plataforma. Los usuarios pueden ejecutar inferencia sin servidor de modelos como Command A, Command R7B, Aya Expanse y Aya Vision, con soporte multilingüe de hasta 23 idiomas y contexto de 256k. La facturación se realiza directamente en la cuenta de Cohere o con las tarifas estándar de la API, sin recargos adicionales, y los usuarios PRO reciben 2 dólares mensuales en créditos de inferencia.
Noticia originalProtect AI y Hugging Face escanearon 4,47 millones de modelos en seis meses de alianza
Protect AI y Hugging Face cumplieron seis meses de alianza para escanear modelos de aprendizaje automático en el Hugging Face Hub. Al 1 de abril de 2025 se revisaron 4,47 millones de versiones de modelos en 1,41 millones de repositorios y se detectaron 352.000 problemas inseguros o sospechosos en 51.700 modelos. La compañía lanzó cuatro nuevos módulos de detección, alertó sobre la vulnerabilidad crítica CVE-2025-1550 en Keras y procesó 226 millones de solicitudes en 30 días.
Noticia originalInception y MBZUAI lanzan un espacio unificado de leaderboards para evaluar modelos de IA en árabe
Inception, en colaboración con la Universidad Mohammed bin Zayed de Inteligencia Artificial (MBZUAI), lanzó el Espacio Arabic-Leaderboards, una plataforma unificada para evaluar modelos de IA en árabe. Incluye la versión actualizada AraGen-03-25, con 340 pares de preguntas y respuestas, y el primer leaderboard público de seguimiento de instrucciones en árabe basado en el benchmark Arabic IFEval. El modelo o1-2024-12-17 lidera ambos rankings, aunque el nuevo conjunto de datos resultó más difícil y redujo los puntajes absolutos de los modelos.
Noticia originalEncaminamiento eficiente de solicitudes: cómo optimizar el rendimiento de los LLM
El artículo de TNG Technology Consulting explica cómo el encolado y la planificación de solicitudes afectan el rendimiento al servir modelos de lenguaje (LLM) autoalojados en paralelo para múltiples usuarios. Propone una planificación justa en un servidor de LLM intermedio con colas por usuario y control de contrapresión mediante métricas de vLLM, para evitar que usuarios con muchas solicitudes bloqueen a los demás. También analiza la planificación de prioridades del lado del backend de vLLM y concluye que no reemplaza del todo la capa de planificación intermedia.
Noticia originalDeepSeek-V3 0324 llega al Hub con licencia MIT y mejoras en código y matemáticas
DeepSeek lanzó silenciosamente en el Hub una versión actualizada de su modelo base DeepSeek-V3, denominada DeepSeek-V3 0324, que ahora usa licencia MIT y mejora el seguimiento de instrucciones, código y matemáticas. En benchmarks como MMLU-Pro, GPQA, AIME y LiveCodeBench el modelo muestra mejoras notables y se ubica a la par de GPT-4.5 y por encima de Claude-Sonnet-3.7. El artículo explica cómo usarlo mediante proveedores de inferencia, TGI, SGLang y cuantizaciones, y repasa consideraciones de seguridad sobre descarga, alineación, generación de código y agentes.
Noticia originalEntrenamiento y ajuste fino de modelos reranker con Sentence Transformers
El artículo técnico de Tom Aarsen explica cómo entrenar y ajustar modelos reranker (cross-encoder) con la biblioteca Sentence Transformers, detallando componentes como datasets, funciones de pérdida, minería de negativos duros, argumentos de entrenamiento y evaluadores. Se presentan ejemplos prácticos con el dataset GooAQ y se demuestra que un modelo pequeño ajustado (tomaarsen/reranker-ModernBERT-base-gooaq-bce) supera a 13 rerankers públicos, incluso a modelos cuatro veces más grandes. La conclusión es que el ajuste fino en un dominio específico mejora el rendimiento de búsqueda y reduce la latencia.
Noticia originalOpen R1: cómo usar OlympicCoder localmente para programar
El artículo explica cómo integrar el modelo de código abierto OlympicCoder 7B, del proyecto Open R1, en el editor VS Code para usarlo como asistente de programación local. Detalla la instalación de LM Studio, la descarga de la versión cuantizada GGUF de 4 bits y la conexión mediante la extensión Continue.dev. Según LiveCodeBench, la variante de 7B parámetros supera a Claude 3.7 Sonnet y GPT-4o en tareas de código.
Noticia originalXet llega al Hub de Hugging Face con almacenamiento por bloques
El equipo de Xet de Hugging Face migró los primeros repositorios de modelos y datasets de Git LFS al almacenamiento Xet, trasladando cerca del 6% del tráfico de descargas del Hub. La migración, realizada el 20 de febrero, movió 4,5 TB y validó la deduplicación por fragmentos de ~64 KB. Tras el lanzamiento se corrigieron una sobrecarga de descarga por el formato de bloques y un desequilibrio de carga entre pods, y se anunció la integración con huggingface_hub mediante el paquete hf_xet.
Noticia originalGoogle lanza Gemma 3, su nuevo modelo de lenguaje abierto multimodal y multilingüe
Google lanzó Gemma 3, una nueva familia de modelos de lenguaje de pesos abiertos disponible en tamaños de 1B, 4B, 12B y 27B parámetros, con versiones preentrenadas y ajustadas por instrucciones. Los modelos de 4B, 12B y 27B son multimodales (procesan imágenes y texto), admiten más de 140 idiomas y tienen una ventana de contexto de hasta 128k tokens. Según la publicación, Gemma-3-27B-IT supera a Gemini 1.5-Pro en varios benchmarks y alcanza una puntuación Elo de 1339 en LMSys Chatbot Arena.
Noticia originalOpen R1 presenta OlympicCoder, modelos de código que superan a modelos cerrados en problemas de la Olimpiada Informática
El equipo de Open R1 de Hugging Face publicó la Actualización #3 sobre sus avances en reproducir la receta de razonamiento de código de DeepSeek-R1. Presentaron CodeForces-CoTs, un conjunto de casi 100k muestras destiladas de R1, el benchmark IOI 2024 y los modelos OlympicCoder-7B y 32B, que superan a modelos cerrados como Claude 3.7 Sonnet en problemas de la Olimpiada Internacional de Informática. También detallaron lecciones de entrenamiento (empaquetado de muestras, tasas de aprendizaje, prefijado con <think>, optimizadores de 8 bits) y actualizaciones de GRPO y del conjunto de datos matemático.
Noticia originalLeRobot va a la autoescuela: el mayor conjunto de datos de conducción autónoma de código abierto del mundo
Yaak y el equipo de LeRobot de Hugging Face anunciaron L2D (Learning to Drive), el mayor conjunto de datos multimodal de código abierto para conducción autónoma, con más de 90 terabytes y más de 5000 horas de conducción. Los datos fueron recolectados durante tres años con 60 vehículos eléctricos de autoescuelas en 30 ciudades alemanas, equipados con seis cámaras HD, GPS, IMU y datos del bus CAN. El conjunto incluye políticas de expertos (instructores) y de estudiantes (aprendices), con instrucciones en lenguaje natural y waypoints, y se publica por fases (R0 a R4) integrado con el pipeline LeRobot.
Noticia originalGuía práctica para ejecutar modelos de lenguaje (LLM) localmente en el teléfono con React Native
El artículo es un tutorial técnico publicado el 7 de marzo de 2025 por Mohamed Mekkouri y Marc Sun en el blog de Hugging Face, que explica cómo construir una aplicación móvil en React Native capaz de descargar y ejecutar modelos de lenguaje (LLM) localmente en un teléfono, tanto en Android como en iOS. Detalla la selección de modelos pequeños (1-3B parámetros) y formatos de cuantización GGUF, la configuración del entorno, la descarga de modelos desde el Hub de Hugging Face, la carga mediante llama.rn y la implementación de una interfaz de chat con inferencia local y privada. Incluye además secciones sobre depuración con Chrome DevTools y funcionalidades adicionales como generación token a token, desplazamiento automático y seguimiento de velocidad de inferencia.
Noticia originalCohere For AI lanza Aya Vision, modelos de visión-lenguaje multilingües de 8B y 32B parámetros
Cohere For AI presentó Aya Vision, una familia de modelos de visión-lenguaje de pesos abiertos con 8B y 32B parámetros que busca llevar el rendimiento multilingüe a los modelos multimodales en 23 idiomas. Los modelos usan anotaciones sintéticas, ampliación de datos multilingües mediante traducción y reformulación, y fusión de modelos multimodales. Según la empresa, Aya Vision 32B supera a modelos más del doble de su tamaño como Llama-3.2 90B Vision, Molmo 72B y Qwen2.5-VL 72B, y el 8B lidera en su clase de parámetros; ambos se publican como pesos abiertos junto al benchmark AyaVisionBench.
Noticia originalFastRTC: la biblioteca de comunicación en tiempo real para Python
Hugging Face presentó FastRTC, una biblioteca de código abierto para Python que facilita la creación de aplicaciones de audio y video con IA en tiempo real, con detección automática de voz, interfaz Gradio con WebRTC y soporte para FastAPI. El anuncio se produce en un contexto de auge de modelos de voz en tiempo real, como los de OpenAI, Google, Kyutai y Alibaba, y de una ronda de 180 millones de dólares de ElevenLabs. La herramienta busca resolver la dificultad de los ingenieros de ML para construir aplicaciones de streaming en Python.
Noticia originalSigLIP 2: un mejor codificador visión-lenguaje multilingüe
Google lanzó SigLIP 2, una nueva familia de codificadores visión-lenguaje multilingües que amplía el objetivo de entrenamiento de SigLIP con pérdidas adicionales para mejorar la comprensión semántica, la localización y las características densas. Los modelos superan a SigLIP en clasificación zero-shot, recuperación imagen-texto y transferencia a modelos visión-lenguaje, e incluyen variantes de resolución dinámica (naflex) y una serie gigante de 1B de parámetros. La publicación de Hugging Face detalla los objetivos de entrenamiento, la adaptación a resoluciones y ejemplos de inferencia con transformers.
Noticia originalSmolVLM2: llevar la comprensión de video a todos los dispositivos
Hugging Face lanzó SmolVLM2, una familia de modelos multimodales de 2.2B, 500M y 256M parámetros capaces de comprender video e imágenes en dispositivos locales, desde teléfonos hasta servidores. El modelo de 2.2B supera a otros modelos de su rango en el benchmark Video-MME, mientras que las variantes de 500M y 256M son los modelos de lenguaje para video más pequeños publicados hasta la fecha. La compañía presentó demos como una app de iPhone, una integración con VLC y un generador de momentos destacados, y liberó el uso con Transformers y MLX desde el primer día.
Noticia originalCómo procesar mil millones de clasificaciones o embeddings diarios sin disparar el costo en la nube
El artículo analiza cómo procesar más de mil millones de clasificaciones o embeddings diarios de forma rentable, comparando arquitecturas de modelos encoder y opciones de hardware en la nube. Con la GPU NVIDIA L4 a 0,80 dólares por hora, el costo de mil millones de entradas fue de 253,82 dólares para clasificación de texto, 409,44 para embeddings de texto y 44.496,51 para embeddings de visión estilo ColBERT. El autor concluye que el hardware, el tamaño de lote y el paralelismo de usuarios virtuales son claves para optimizar costo y latencia.
Noticia originalOpen R1 presenta su primer gran dataset de razonamiento matemático generado con DeepSeek R1
El proyecto Open R1, que busca reconstruir el pipeline de entrenamiento y los datos sintéticos de DeepSeek R1, presentó OpenR1-Math-220k, su primer conjunto de datos a gran escala para razonamiento matemático, generado localmente en 512 GPU H100. El dataset contiene 800k trazas de razonamiento para 400k problemas de NuminaMath 1.5, filtradas con Math Verify y Llama-3.3-70B-Instruct como juez, reteniendo 220k problemas con al menos una respuesta correcta. Al ajustar Qwen2.5-Math-Instruct con estos datos, OpenR1-Qwen-7B igualó el rendimiento de DeepSeek-Distill-Qwen-7B en benchmarks como MATH-500 y AIME.
Noticia originalLanzan la segunda versión del ranking abierto de modelos de lenguaje en árabe
El equipo de OALL, junto con 2A2I, TII y Hugging Face, publicó la segunda versión del Open Arabic LLM Leaderboard, un ranking abierto para evaluar modelos de lenguaje en árabe. La nueva versión elimina benchmarks saturados y traducidos automáticamente, incorpora tareas nativas en árabe como Native Arabic MMLU, MMLU-HT, MedinaQA, AraTrust y ALRAGE, y corrige un error en la tarea AlGhafa que afectaba las clasificaciones. La primera versión había atraído más de 46.000 visitantes y más de 700 modelos enviados por más de 180 organizaciones.
Noticia original