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, 4:00 p. m. | 7 |
| 2 nov 2026, 5:00 p. m. | 11 |
| 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. | 10 |
| 3 nov 2026, 3:00 p. m. | 11 |
| 3 nov 2026, 4:00 p. m. | 4 |
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 | 2 |
| 2026-10-10 | 1 |
| 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 | 13 |
| 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 | 219 |
| 2026-11-01 | 323 |
| 2026-11-02 | 418 |
| 2026-11-03 | 522 |
Los gráficos cuentan por fecha de publicación y respetan los filtros. El archivo incluye todo el histórico.
Noticias de inteligencia artificial
2.639 noticias · De más nuevas a más antiguas.
Hugging Face BlogSDXL en 4 pasos con LoRAs de Consistencia Latente
El equipo de Hugging Face y colaboradores presentaron una nueva técnica, LCM LoRA, que permite generar imágenes con Stable Diffusion y SDXL en solo 4 a 8 pasos en lugar de los 25 a 50 habituales. El método entrena pequeños adaptadores LoRA en lugar de destilar el modelo completo, logrando inferencias hasta 10 veces más rápidas en distintos hardwares. Se liberaron los LoRAs y modelos LCM para SDXL, Stable Diffusion 1.5 y SSD-1B, junto con scripts de entrenamiento e integración en la librería diffusers.
Noticia originalComparativa de rendimiento de LLMs: RoBERTa, Llama 2 y Mistral con LoRA para clasificar tuits de desastres
El artículo compara el rendimiento de tres modelos de lenguaje (RoBERTa, Mistral 7B y Llama 2) en la clasificación de tuits sobre desastres, aplicando la técnica de ajuste fino LoRA sobre una GPU A6000. RoBERTa-large, con solo 355 millones de parámetros, obtuvo la mejor puntuación F1 (0,8077) frente a Llama 2 (0,7638) y Mistral 7B (0,7364), además de requerir menos tiempo de entrenamiento y memoria. El autor concluye que para tareas simples de clasificación binaria de secuencias cortas los modelos base como RoBERTa siguen siendo competitivos y que LoRA puede aplicarse tanto a arquitecturas de codificador como de decodificador.
Noticia originalCopiloto personal: entrená tu propio asistente de programación
Publicación técnica de Hugging Face que explica cómo crear HugCoder, un modelo de lenguaje para código ajustado finamente con los repositorios públicos de la organización. Detalla el flujo de recolección de datos, la comparación entre ajuste fino completo con FSDP en 8 GPUs A100 y QLoRA en una sola A100 40GB, con costos de 108 y 13,75 dólares respectivamente. También aborda la combinación y transferencia de adaptadores LoRA, la integración con VS Code mediante Inference Endpoints y la ejecución local de un modelo de 1B parámetros.
Noticia originalExplorando optimizaciones simples para SDXL
El artículo técnico analiza técnicas para optimizar la inferencia del modelo de difusión latente Stable Diffusion XL (SDXL) de Stability AI, que con 3.5B de parámetros consume 28 GB de memoria y tarda 72,2 segundos por ejecución sin optimizar en una GPU A100. Se evalúan métodos como menor precisión (fp16), atención eficiente en memoria (SDPA), torch.compile, descarga de CPU, rebanado de VAE, caché de incrustaciones de texto y un autoencoder diminuto. La combinación de estas optimizaciones reduce el uso de memoria hasta 11,47 GB y el tiempo de inferencia hasta 10,2 segundos.
Noticia originalLos detalles de implementación de RLHF con PPO: reproducción del código original de OpenAI y diferencias del optimizador Adam entre PyTorch y TensorFlow
Investigadores de Hugging Face publicaron una reproducción del código original de RLHF de OpenAI (lm-human-preferences) que logra igualar las curvas de aprendizaje en tareas estilísticas como sentimiento y descriptividad. El artículo detalla los detalles de implementación del modelo de recompensa y del entrenamiento de la política con PPO, incluyendo normalización de recompensas, muestreo por rechazo, penalización KL adaptativa y blanqueamiento de ventajas. Se identifica una diferencia clave en el optimizador Adam entre PyTorch y TensorFlow que provoca actualizaciones de gradiente más agresivas en las primeras etapas del entrenamiento, afectando especialmente a modelos grandes como gpt2-xl.
Noticia originalPlantillas de chat: el fin del asesino silencioso del rendimiento
Hugging Face introdujo las plantillas de chat, un atributo de los tokenizadores que guarda el formato exacto con el que fue entrenado un modelo de chat mediante plantillas Jinja. El objetivo es evitar la degradación silenciosa del rendimiento que ocurre cuando se usa un formato distinto al del entrenamiento, un problema difícil de detectar y depurar. La función traslada la lógica de formato desde el código central de Transformers a los repositorios de cada modelo, y se recomienda el formato ChatML de OpenAI para nuevos modelos.
Noticia originalBERTopic se integra con Hugging Face Hub para gestionar modelos de topic modelling
La biblioteca Python BERTopic anunció una actualización que permite enviar y cargar modelos de topic modelling directamente hacia y desde Hugging Face Hub, facilitando su despliegue en producción. La integración también incorpora serialización con safetensors para una gestión segura de modelos y reduce el tamaño de los modelos entrenados con grandes volúmenes de datos. El artículo ejemplifica su uso explorando temas en conjuntos de datos RLHF como OpenAssistant Conversations y Databricks-dolly-15k.
Noticia originalHugging Face lanza un contenedor de inferencia para modelos de lenguaje grandes en Amazon SageMaker
Hugging Face presentó un contenedor de inferencia (DLC) para desplegar modelos de lenguaje grandes de código abierto en Amazon SageMaker, impulsado por Text Generation Inference (TGI). El artículo explica paso a paso cómo configurar el entorno, obtener la imagen, desplegar el modelo Open Assistant Pythia 12B en instancias con GPU y ejecutar inferencia. También muestra cómo construir un chatbot con Gradio respaldado por SageMaker y menciona arquitecturas compatibles como BLOOM, Llama, StarCoder y Falcon.
Noticia originalbitsandbytes, cuantización de 4 bits y QLoRA hacen más accesibles los LLM
Hugging Face presentó una integración con la librería bitsandbytes que permite ejecutar y entrenar modelos de lenguaje grandes en precisión de 4 bits, abarcando la mayoría de los modelos del ecosistema en cualquier modalidad. El método se basa en QLoRA, que reduce el uso de memoria sin perder rendimiento frente al ajuste fino de 16 bits, permitiendo afinar modelos de 65B parámetros en una sola GPU de 48GB. Los modelos Guanaco, entrenados con esta técnica, alcanzan el 99,3% del rendimiento de ChatGPT en el benchmark Vicuna.
Noticia originalAjuste por instrucciones de Stable Diffusion con InstructPix2Pix
El artículo explora el ajuste por instrucciones de Stable Diffusion para que siga instrucciones y procese imágenes de entrada, extendiendo la metodología de InstructPix2Pix a tareas específicas como caricaturización y procesamiento de imágenes de bajo nivel. Los autores prepararon conjuntos de datos con instrucciones inspirados en FLAN V2 y entrenaron modelos que logran buenos resultados en caricaturización y eliminación de lluvia, aunque con limitaciones en mejora de poca luz y desenfoque. El trabajo es preliminar y deja preguntas abiertas sobre escalado de datos y generalización a más tareas.
Noticia originalLa deduplicación a gran escala detrás de BigCode
El artículo técnico de Chenghao Mou explica el proceso de deduplicación casi exacta a gran escala aplicado a los conjuntos de datos de BigCode, usando MinHash y hashing sensible a la localidad (LSH). Detalla cómo la eliminación de duplicados mejora el rendimiento de los modelos de lenguaje y de código, reduce riesgos de privacidad y evita la contaminación de benchmarks. Describe la implementación escalable con Spark, que permitió deduplicar 1,4 TB de datos en menos de 4 horas con un costo de 15 dólares por hora.
Noticia originalPresentan RWKV, una arquitectura que combina las ventajas de las RNN y los transformers
Hugging Face presentó la integración de RWKV, una arquitectura que combina ventajas de las redes neuronales recurrentes (RNN) y de los transformers, en su librería transformers. El proyecto, liderado por Bo Peng y con GPUs donadas por Stability AI, ofrece modelos de lenguaje de entre 170 millones y 14.000 millones de parámetros, además de versiones de chat (Raven) ajustadas por instrucciones. La arquitectura busca entrenar más rápido que GPT y mantener eficiencia de memoria en inferencia con contextos largos.
Noticia originalEjecutar un chatbot similar a ChatGPT en una sola GPU con ROCm
El artículo explica cómo ejecutar el modelo de lenguaje Vicuna 13B, un chatbot de código abierto similar a ChatGPT, en una sola GPU AMD utilizando la plataforma ROCm. Detalla los requisitos del sistema, la instalación de ROCm y Docker, la descarga y cuantización del modelo con GPTQ a 4 bits, y la inferencia y exposición del modelo mediante una API web. Según el texto, el modelo cuantizado requiere solo 7,52 GB de memoria frente a los más de 28 GB en fp16, con una penalización mínima de latencia y precisión.
Noticia originalGeneración asistida: una nueva dirección hacia la generación de texto de baja latencia
Hugging Face presentó la generación asistida, un nuevo método de decodificación que reduce hasta 10 veces la latencia en la generación de texto con modelos de lenguaje grandes. La técnica usa un modelo asistente más pequeño que propone tokens candidatos, que el modelo principal valida en una sola pasada forward, aprovechando que el cuello de botella está en el ancho de banda de memoria y no en el cómputo. Funciona mejor en tareas basadas en la entrada como reconocimiento de voz o sumarización, y ya está disponible en la biblioteca Transformers.
Noticia originalCrear un asistente de programación con StarCoder
El artículo describe cómo el modelo de código abierto StarCoder, de 16B parámetros y entrenado con un billón de tokens de más de 80 lenguajes de programación, puede ajustarse para funcionar como asistente conversacional de programación, dando lugar a StarChat. Explica el uso de prompts de diálogo, el formato ChatML, el enmascaramiento de etiquetas de usuario y el ajuste fino con DeepSpeed ZeRO-3 sobre el dataset OpenAssistant. También aborda la evaluación de asistentes de código mediante benchmarks y juicio de modelos como GPT-4, y advierte sobre limitaciones y sesgos del modelo alfa.
Noticia originalUn análisis de los modelos de texto a video: desafíos y estado actual
El artículo repasa la evolución de los modelos de texto a video, desde las primeras arquitecturas GAN y VAE hasta las actuales basadas en difusión como VDM, MagicVideo y Text2Video-Zero. Señala desafíos clave: alto costo computacional, falta de datasets de calidad y dificultades para describir videos con texto. También presenta herramientas de Hugging Face, como Diffusers y demos de ModelScope, para descargar, ejecutar y ajustar estos modelos.
Noticia originalCómo entrenar un modelo de lenguaje con Transformers usando TensorFlow y TPUs
El artículo técnico de Hugging Face explica cómo entrenar un modelo de lenguaje enmascarado (RoBERTa base) desde cero usando TensorFlow y TPUs, incluyendo el entrenamiento del tokenizador, la tokenización del dataset WikiText y la creación de TFRecords en Google Cloud Storage. Destaca que la mayoría de los modelos de TensorFlow en Transformers son compatibles con XLA, lo que simplifica el entrenamiento en TPU. Señala que el acceso a TPUs ofrece una alternativa ante la escasez de GPUs de última generación para entrenar modelos de IA.
Noticia originalCómo ejecutar el modelo de generación de imágenes IF con diffusers en un Google Colab gratuito
El artículo explica cómo ejecutar el modelo de generación de imágenes IF de DeepFloyd, de más de 10.000 millones de parámetros, en una instancia gratuita de Google Colab con 13 GB de RAM y una GPU T4 de 15 GB. Mediante cuantización de 8 bits con bitsandbytes, carga modular de componentes y liberación manual de memoria con diffusers, se logra la generación de texto a imagen, variación de imagen e inpainting. Los autores advierten que estas optimizaciones priorizan la memoria sobre la velocidad y no se recomiendan en producción, donde conviene usar una GPU A100 de 40 GB.
Noticia originalControlNet en Diffusers: generación de imágenes con control espacial
El artículo presenta la integración de ControlNet en la biblioteca Diffusers de Hugging Face, publicada el 3 de marzo de 2023. ControlNet permite condicionar la generación de imágenes de Stable Diffusion con contextos espaciales como mapas de profundidad, segmentación, garabatos o poses. Se detallan el pipeline StableDiffusionControlNetPipeline, técnicas de optimización de memoria y velocidad, y ejemplos de combinación de múltiples condicionamientos.
Noticia originalSpeechT5: síntesis, reconocimiento y más con un modelo unificado de voz
Hugging Face anunció la disponibilidad de SpeechT5 en su biblioteca Transformers, un modelo de Microsoft Research Asia que unifica síntesis de voz, reconocimiento automático del habla y conversión de voz en una sola arquitectura encoder-decoder. El modelo se preentrena con datos combinados de texto y voz, y luego se ajusta por tarea usando pre-nets y post-nets específicas. La publicación incluye ejemplos de código y demos interactivas para TTS, conversión de voz y ASR.
Noticia original