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, 7:00 p. m. | 16 |
| 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. | 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. | 18 |
| 3 nov 2026, 7:00 p. m. | 2 |
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 | 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 | 222 |
| 2026-11-01 | 328 |
| 2026-11-02 | 434 |
| 2026-11-03 | 589 |
Los gráficos cuentan por fecha de publicación y respetan los filtros. El archivo incluye todo el histórico.
Noticias de inteligencia artificial
2.743 noticias · De más nuevas a más antiguas.
Hugging Face BlogOpen 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 originalAdyen y Hugging Face presentan DABstep, un benchmark para evaluar agentes de IA en análisis de datos
Adyen y Hugging Face lanzaron DABstep, un benchmark de más de 450 tareas reales de análisis de datos para evaluar agentes de IA en razonamiento multi-paso. Los mejores agentes basados en modelos de razonamiento alcanzan solo un 16% de precisión (o3-mini), evidenciando una brecha significativa. El benchmark incluye datos estructurados y no estructurados, tabla de clasificación en tiempo real y líneas base con costos por tarea.
Noticia originalπ0 y π0-FAST: modelos visión-lenguaje-acción para el control general de robots
Hugging Face LeRobot incorporó los modelos fundacionales de robótica π0 y π0-FAST, desarrollados por Physical Intelligence, para el control generalista de robots. π0 es un modelo visión-lenguaje-acción entrenado con datos de 7 plataformas y 68 tareas que genera trayectorias de acción a 50 Hz mediante flow matching. π0-FAST es una versión autorregresiva que usa la tokenización FAST basada en la Transformada Discreta del Coseno, con entrenamiento cinco veces más rápido y mejor generalización.
Noticia originalOpen-R1: actualización n.º 1 sobre la replicación del pipeline de DeepSeek-R1
El equipo de Hugging Face publica la primera actualización del proyecto Open-R1, lanzado una semana antes para replicar el pipeline de entrenamiento y los datos sintéticos de DeepSeek-R1. Reportan que lograron reproducir los resultados de DeepSeek en el benchmark MATH-500, integraron GRPO en TRL 0.14 y optimizaron la generación de datos sintéticos usando 32 GPU con inferencia en streaming. También reseñan las reacciones del mercado y de laboratorios como OpenAI y Anthropic, y los proyectos y datasets que la comunidad construyó en torno al modelo.
Noticia originalMini-R1: reproducen el "momento ajá" de DeepSeek R1 con un tutorial de aprendizaje por refuerzo
Philipp Schmid publicó un tutorial que reproduce el "momento ajá" de DeepSeek-R1 entrenando un modelo Qwen2.5-3B-Instruct con Group Relative Policy Optimization (GRPO) para resolver el Juego de la Cuenta Regresiva. El entrenamiento distribuido usó DeepSpeed y vLLM sobre 4 GPU NVIDIA H100, con 450 pasos en unas 6 horas. La tasa de éxito pasó de ~25% a los 100 pasos a 50% a los 450 pasos, y el modelo migró de un razonamiento "con palabras" a uno de tipo programático.
Noticia originalHerramientas de IA para el arte: repaso de los lanzamientos de 2024 y perspectivas para 2025
El boletín de herramientas de IA para el arte repasa los principales lanzamientos de 2024 en generación de imágenes, video y audio de código abierto, destacando el giro hacia arquitecturas DiT y flow matching, y modelos como Flux.1, Stable Diffusion 3.5 y HunyuanDiT. Señala avances en personalización sin entrenamiento (InstantID, IP adapter FaceID) y el rezago del video frente a la imagen, con Sora de OpenAI como punto de inflexión. Para 2025 anticipa saltos en video, audio y 3D de código abierto, con lanzamientos de enero como YuE, Hunyuan 3D-2 y Lumina-Image 2.0, y anuncia un resumen mensual de los autores.
Noticia originalCómo desplegar y ajustar los modelos DeepSeek en AWS
Hugging Face publicó una guía para desplegar y ajustar los modelos de razonamiento DeepSeek-R1 en servicios de AWS, incluyendo Inference Endpoints, Amazon Bedrock Marketplace, SageMaker AI y EC2 Neuron. El documento detalla configuraciones de hardware recomendadas para cada variante destilada y ofrece fragmentos de código en Python para el despliegue. También señala que el equipo trabaja en habilitar el despliegue en Inferentia y el ajuste fino de todos los modelos DeepSeek.
Noticia originalEstado de los modelos abiertos de generación de video en Diffusers
El equipo de Diffusers de Hugging Face publicó un análisis del estado de los modelos abiertos de generación de video, comparándolos con opciones cerradas como Sora de OpenAI, Veo 2 de Google y Gen 3 Alpha de Runway. El texto detalla las limitaciones de los modelos abiertos (altos requisitos de recursos, generalización limitada y latencia) y presenta optimizaciones de memoria, cuantización y descarga a CPU para ejecutar modelos como HunyuanVideo en hardware de consumo. También describe la herramienta finetrainers para ajuste fino y anticipa avances significativos en calidad y capacidades durante 2025.
Noticia original