optimización

Los gráficos cuentan por fecha de publicación y respetan los filtros. El archivo incluye todo el histórico.

Noticias de optimización

Buscar noticias dentro de este tag

Buscar

6 noticias · De más nuevas a más antiguas.

arXiv Computer Science AI🇺🇸 Estados Unidos3 nov 2026, 2:00 a. m.

Iteración de valor aproximada offline: Un enfoque de aprendizaje por refuerzo para el despliegue de constelaciones de satélites

Se presenta un enfoque basado en aprendizaje por refuerzo para optimizar el despliegue de constelaciones de satélites tipo Walker, considerando incertidumbres como fallos de lanzamiento y mal funcionamiento de satélites. El método utiliza iteración de valor aproximada offline para reducir los requisitos computacionales y de memoria al encontrar políticas de despliegue óptimas. Los resultados preliminares indican que los tiempos y costos de despliegue son inferiores a los de métodos basados en horizonte rodante.

inteligencia artificialaprendizaje por refuerzooptimizaciónsatélites

Noticia original

arXiv Computer Science AI🇺🇸 Estados Unidos3 nov 2026, 2:00 a. m.

RubricWorld: Optimización de rúbricas guiada por modelo mundial para calificadores de LLM

Se presenta RubricWorld, un marco diseñado para optimizar la calificación de Modelos de Lenguaje Grande (LLM) mediante el aprendizaje de evaluaciones previas de ediciones. Este modelo predice las tasas de corrección y degradación de las ediciones para guiar la búsqueda de candidatos. Se reporta que RubricWorld mejoró la precisión de gpt-5-mini en ASAP2.0 de 18.20% a 46.70%, superando el mejor punto de referencia en 22.60 puntos porcentuales.

Inteligencia ArtificialLLMOptimización

Noticia original

arXiv Computer Science AI🇺🇸 Estados Unidos3 nov 2026, 2:00 a. m.

Compresión 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.

Machine LearningInteligencia ArtificialOptimización

Noticia original

Hugging Face Blog🇺🇸 Estados Unidos9 jul 2026, 9:00 p. m.

Perfilado en PyTorch (Parte 3): La atención es todo lo que perfilás

Tercera entrega de la serie "Profiling in PyTorch", que enseña a leer trazas del perfilador para optimizar código. Se perfilan distintas implementaciones de atención: la ingenua escrita a mano, la variante con enmascaramiento in situ, y los backends de SDPA (math, efficient, flash y cuDNN). El backend math resulta 3.7 veces más lento por usar FP32 en núcleos CUDA y reconstruir la máscara en cada llamada, mientras que flash y efficient logran un único kernel fusionado en bf16 sobre Tensor Cores.

tecnologíainteligencia artificialPyTorchGPUoptimización

Noticia original

Hugging Face Blog🇺🇸 Estados Unidos10 jun 2026, 9:00 p. m.

Perfilado en PyTorch (Parte 2): de nn.Linear a un MLP fusionado

Segunda entrega de la serie "Profiling in PyTorch", que enseña a leer trazas del perfilador para optimizar modelos. El artículo parte de nn.Linear, muestra que el sesgo ya está plegado en el epílogo del kernel GEMM (addmm) y que torch.compile no tiene nada que fusionar en una sola capa. Luego apila tres capas en un MLP con activación GeGLU: en modo eager se lanzan cinco kernels y el intermedio pasa por HBM, mientras que compile fusiona GeLU y mul en un único kernel Triton; finalmente compara con kernels ajustados a mano de Liger, que logran la misma fusión sin costo de compilación.

tecnologíainteligencia artificialavances tecnológicosPyTorchGPUoptimización

Noticia original

Hugging Face Blog🇺🇸 Estados Unidos28 may 2026, 9:00 p. m.

Perfilado en PyTorch (Parte 1): guía para principiantes de torch.profiler

Entrada de blog de Hugging Face que inaugura una serie sobre perfilado en PyTorch, centrada en el uso de torch.profiler para leer trazas de CPU y GPU. Explica con ejemplos de multiplicación y suma de matrices cómo distinguir algoritmos limitados por sobrecarga de los limitados por cómputo, interpretar la tabla del perfilador y la cadena de despacho hasta los kernels de CUDA. También analiza el efecto de torch.compile, que fusiona operaciones a nivel del despachador pero no genera un kernel único y aumenta la sobrecarga de CPU por paso.

tecnologíainteligencia artificialavances tecnológicosPyTorchGPUoptimización

Noticia original