machine learning
Todas las noticias con este tag.
Noticias por hora
Últimas 24 horas · hora argentina
Consultar los valores por hora
| Hora | Noticias |
|---|---|
| 2 nov 2026, 6:00 p. m. | 0 |
| 2 nov 2026, 7:00 p. m. | 0 |
| 2 nov 2026, 8:00 p. m. | 0 |
| 2 nov 2026, 9:00 p. m. | 0 |
| 2 nov 2026, 10:00 p. m. | 0 |
| 2 nov 2026, 11:00 p. m. | 0 |
| 3 nov 2026, 12:00 a. m. | 0 |
| 3 nov 2026, 1:00 a. m. | 0 |
| 3 nov 2026, 2:00 a. m. | 49 |
| 3 nov 2026, 3:00 a. m. | 0 |
| 3 nov 2026, 4:00 a. m. | 0 |
| 3 nov 2026, 5:00 a. m. | 1 |
| 3 nov 2026, 6:00 a. m. | 0 |
| 3 nov 2026, 7:00 a. m. | 0 |
| 3 nov 2026, 8:00 a. m. | 0 |
| 3 nov 2026, 9:00 a. m. | 0 |
| 3 nov 2026, 10:00 a. m. | 0 |
| 3 nov 2026, 11:00 a. m. | 0 |
| 3 nov 2026, 12:00 p. m. | 0 |
| 3 nov 2026, 1:00 p. m. | 0 |
| 3 nov 2026, 2:00 p. m. | 0 |
| 3 nov 2026, 3:00 p. m. | 0 |
| 3 nov 2026, 4:00 p. m. | 1 |
| 3 nov 2026, 5:00 p. m. | 0 |
| 3 nov 2026, 6:00 p. m. | 0 |
Noticias por día
Últimos 30 días, incluido hoy · hora argentina
Consultar los valores por día
| Día | Noticias |
|---|---|
| 2026-10-05 | 0 |
| 2026-10-06 | 0 |
| 2026-10-07 | 0 |
| 2026-10-08 | 0 |
| 2026-10-09 | 0 |
| 2026-10-10 | 0 |
| 2026-10-11 | 0 |
| 2026-10-12 | 0 |
| 2026-10-13 | 0 |
| 2026-10-14 | 0 |
| 2026-10-15 | 0 |
| 2026-10-16 | 0 |
| 2026-10-17 | 0 |
| 2026-10-18 | 0 |
| 2026-10-19 | 0 |
| 2026-10-20 | 0 |
| 2026-10-21 | 0 |
| 2026-10-22 | 0 |
| 2026-10-23 | 0 |
| 2026-10-24 | 0 |
| 2026-10-25 | 0 |
| 2026-10-26 | 0 |
| 2026-10-27 | 0 |
| 2026-10-28 | 0 |
| 2026-10-29 | 0 |
| 2026-10-30 | 0 |
| 2026-10-31 | 0 |
| 2026-11-01 | 0 |
| 2026-11-02 | 0 |
| 2026-11-03 | 51 |
Los gráficos cuentan por fecha de publicación y respetan los filtros. El archivo incluye todo el histórico.
Noticias de machine learning
56 noticias · De más nuevas a más antiguas.
arXiv Computer Science AI¿Son las citas falsas una forma de hackeo de recompensas? Un estudio preregistrado de señales de citación post-entrenamiento y citación
Un estudio preregistrado investigó si los modelos de lenguaje entrenados posteriormente fabrican citas como una forma de hackeo de recompensas. Los resultados indican que pedir citas aumenta significativamente la fabricación de citas en los modelos post-entrenamiento. Se concluye que los modelos fabrican citas a tasas mucho mayores cuando se les solicita fuentes, aunque el patrón específico registrado no se confirmó.
Noticia originalMeta-memorización y leyes de escalado de memorización en transformadores
Investigaciones sobre transformadores indican que modelos más grandes pueden memorizar más datos y hacerlo más rápido. Se demuestra un efecto de meta-memorización que permite a los modelos aprender a memorizar secuencias nuevas más rápidamente. Esto sugiere que el preentrenamiento confiere mecanismos reutilizables para un almacenamiento y recuperación de memorias eficientes.
Noticia originalCIS-Transolver: Un Operador Neuronal Incremental de Estado entre Capas para la Predicción del Flujo Aerodinámico Automotriz a Pequeña Escala
Se presenta CIS-Transolver, un operador neuronal incremental de estado entre capas diseñado para predecir flujos aerodinámicos automotrices complejos. El método integra información multiescala local en la modelización del flujo global mediante la extracción y combinación de momentos geométricos y memoria entre capas. Los resultados demuestran que este método reduce significativamente el error relativo y los errores espectrales de alta frecuencia en comparación con las mejores líneas base.
Noticia originalIt Takes Two: Auto-destilación complementaria para la integridad contextual en LLMs
Se propone SELFCI, un marco de auto-destilación complementaria para mejorar la Integridad Contextual (CI) en modelos de lenguaje grandes (LLMs). Este marco optimiza la supresión de información y la resolución de tareas para equilibrar la utilidad y la privacidad. Evaluaciones empíricas muestran que SELFCI supera a métodos competitivos sin requerir supervisión externa costosa.
Noticia originalCompresión guardada del estado del optimizador Adam con límites de gradiente compartidos
Se investiga la compresión guardada del estado del optimizador Adam para reducir el tamaño de los momentos, manteniendo la precisión de la actualización nativa FP32 dentro de una tolerancia específica. Se demuestra que al limitar la diferencia entre las actualizaciones, se logran reducciones significativas en la carga útil de los momentos, mejorando la eficiencia de la compresión.
Noticia originalZenBrain: Arquitectura de memoria de 7 capas inspirada en neurociencia para sistemas de IA autónomos
Se presenta ZenBrain, una arquitectura de memoria de siete capas basada en neurociencia para agentes de LLM. Esta arquitectura incluye componentes para la memoria y algoritmos fundamentales, evaluando su rendimiento en tareas de recuperación de contexto. Los resultados indican que ZenBrain alcanza un 91.3% de precisión con una fracción de sus tokens de entrada, superando a otros sistemas en ciertas métricas.
Noticia originalLaBraM a escala: Escalando datos y modelos para el preentrenamiento de EEG
Se demuestra que el preentrenamiento de EEG a gran escala con LaBraM puede generar representaciones robustas para diversas tareas. Se expandió la capacidad del modelo y los datos, logrando altos porcentajes de precisión en tareas evaluadas. Los resultados indican que escalar LaBraM es valioso, pero es crucial igualar la escala de preentrenamiento con la adaptación posterior.
Noticia originalConsenso de Razonamiento: Ensamblaje Estructural del Razonamiento de LLM mediante Agregación de DAGs Ponderadas
Se presenta el Reasoning Consensus (RC), una técnica que extrae un grafo de razonamiento de los procesos de cadena de pensamiento (CoT) de los Modelos de Lenguaje Grandes (LLM). Esta técnica fusiona pasos equivalentes de diferentes modelos y pondera cada paso según el soporte de las cadenas, revelando el soporte paso a paso del razonamiento. Los resultados indican que RC iguala la precisión de la votación por mayoría y el debate multiagente en diversos benchmarks.
Noticia originalVista de la Regla de Renormalización espectral del aprendizaje
Se estudia la convergencia de capas en redes neuronales profundas utilizando ideas de la Regla de Renormalización-Grupo Wilsoniana. Se postula que el exponente $\\alpha=2$ marca el límite entre aprendizaje estable y sobreajuste. Los resultados sugieren una visión de la Regla de Renormalización-Grupo espectral del aprendizaje, indicando que las redes neuronales pueden alcanzar una estructura espectral común.
Noticia originalOptimización de la Suma de Ventaja Blanqueada: Agregación Sensible a la Correlación para Aprendizaje por Refuerzo Multi-Recompensa
Se presenta WAS-PO, un método de aprendizaje por refuerzo que blanquea las ventajas normalizadas con $\Sigma^{-1/2}$ para aplicar pesos elegidos a los componentes decorrelacionados. Este método superó a GDPO en la recompensa de entrenamiento en pruebas con tres y cuatro recompensas. Además, WAS-PO sustituye la normalización por prompt de GDPO por normalización a nivel de lote.
Noticia originalLímites inferiores para el muestreo de difusión paralela
Se establecen los primeros límites inferiores polinomiales en la complejidad de ronda del muestreo de difusión con puntuaciones aproximadas. Se demuestra un límite inferior de ronda $\widetilde{\Omega}(d^{1/3})$ para mezclas gaussianas y un límite estricto de $\Omega(d)$ para el muestreo uniforme de cajas alineadas con ejes. Estos resultados aplican a algoritmos aleatorios con errores de puntuación de inversa polinomial.
Noticia original
Hugging Face BlogHugging Face presenta una Skill y un banco de pruebas para portar modelos de transformers a MLX con agentes de código
Hugging Face publicó una Skill y un banco de pruebas no agéntico para portar modelos de lenguaje de transformers a mlx-lm, de modo que queden disponibles casi al instante tras su incorporación a transformers. La herramienta asiste a colaboradores y revisores con andamiaje, verificación de configuraciones sensibles como RoPE y comparaciones numéricas por capa, y siempre declara que el PR fue asistido por agente. Los autores sostienen que el cuello de botella del código abierto es entender la base de código, no la velocidad de tipeo, y advierten sobre el aumento de PR generados por agentes que rompen contratos implícitos.
Noticia originalCodex de OpenAI ahora puede ejecutar experimentos de machine learning de punta a punta con Hugging Face Skills
Hugging Face publicó un tutorial que muestra cómo conectar el agente de programación Codex, de OpenAI, con el repositorio Hugging Face Skills para automatizar experimentos de machine learning de punta a punta. El agente puede validar datasets, elegir hardware, lanzar trabajos de fine-tuning, monitorear métricas con Trackio, evaluar checkpoints y convertir modelos a GGUF para despliegue local. El texto destaca que la extensión es de código abierto y soporta SFT, DPO y aprendizaje por refuerzo en modelos de 0.5B a 7B parámetros.
Noticia originalArc Virtual Cell Challenge: una introducción para ingenieros de machine learning
El Arc Institute lanzó el Virtual Cell Challenge, un concurso que pide entrenar un modelo capaz de predecir el efecto de silenciar un gen con CRISPR en tipos celulares no vistos. El artículo explica para ingenieros de machine learning los datos de entrenamiento (unos 300 mil perfiles de secuenciación de ARN de célula única), la línea base STATE con sus modelos de transición y de embedding, y las métricas de evaluación del desafío.
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 originalDirectores de Machine Learning analizan el impacto de la IA en comercio electrónico, ingeniería, educación y SaaS
Cuatro directores de Machine Learning —Javier Mansilla (Mercado Libre), Shaun Gittens (MasterPeace Solutions), Samuel Franklin (Pluralsight) y Evan Castle (Elastic)— comparten sus perspectivas sobre el impacto del ML en comercio electrónico, ingeniería, educación y SaaS. Abordan aplicaciones como prevención de fraude, personalización, detección de anomalías y búsqueda vectorial, y advierten sobre errores comunes como usar herramientas sobredimensionadas o descuidar el sesgo y los pipelines de despliegue. Coinciden en que la maduración de herramientas y prácticas acortará los ciclos de desarrollo de modelos.
Noticia original