tecnología

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

Noticias de tecnología

Buscar noticias dentro de este tag

Buscar

5.359 noticias · De más nuevas a más antiguas.

Hugging Face Blog🇺🇸 Estados Unidos15 abr 2026, 9:00 p. m.

Hugging 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.

tecnologíainteligencia artificialcódigo abiertomachine learningHugging Face

Noticia original

Hugging Face Blog🇺🇸 Estados Unidos15 abr 2026, 9:07 a. m.

VAKRA, el nuevo benchmark de IBM que evalúa la fiabilidad de los agentes de IA en entornos empresariales

IBM presentó VAKRA, un benchmark ejecutable que evalúa cómo los agentes de IA razonan y actúan en entornos empresariales, con más de 8.000 API locales en 62 dominios y tareas de 3 a 7 pasos. El benchmark se divide en cuatro capacidades: encadenamiento de API, selección de herramientas, razonamiento de múltiples saltos y razonamiento multisource con adherencia a políticas. El análisis de errores muestra que los modelos fallan en selección de herramientas, argumentos y síntesis final, y que les cuesta incorporar restricciones externas, una brecha crítica para el despliegue real.

tecnologíainteligencia artificialinnovación científicaagentes de IAbenchmarkIBM

Noticia original

Hugging Face Blog🇺🇸 Estados Unidos8 abr 2026, 9:00 p. m.

Sentence Transformers lanza modelos multimodales de embedding y reranking

La biblioteca Sentence Transformers presentó su versión 5.4, que incorpora modelos multimodales de embedding y reranking capaces de procesar texto, imágenes, audio y video con una misma API. La actualización permite búsquedas entre modalidades, recuperación de documentos visuales y canalizaciones de RAG multimodales, e incluye modelos de Qwen, Nvidia, BAAI y Jina, entre otros. También se añadieron rerankers solo de texto y se mantiene el soporte para los modelos CLIP existentes.

tecnologíainteligencia artificialinnovación científicaavances tecnológicossoftware

Noticia original

ScienceDaily Artificial Intelligence🇺🇸 Estados Unidos7 abr 2026, 2:32 a. m.

Un nuevo chip resiste 700 °C y podría transformar la inteligencia artificial

Ingenieros de la Universidad del Sur de California desarrollaron un memristor que funciona a 700 °C, superando el límite térmico de la electrónica convencional. El dispositivo, publicado en Science, usa tungsteno, óxido de hafnio y grafeno, y retiene datos más de 50 horas a esa temperatura. Además de aplicaciones en exploración espacial y energía geotérmica, podría acelerar los cálculos de multiplicación de matrices que dominan la IA con menor consumo energético.

tecnologíainteligencia artificialinnovación científicaavances tecnológicosciencia y ambiente

Noticia original

Hugging Face Blog🇺🇸 Estados Unidos1 abr 2026, 9:00 p. m.

Google DeepMind lanza Gemma 4, su familia de modelos multimodales abiertos con soporte de audio y despliegue en dispositivo

Google DeepMind lanzó Gemma 4, su nueva familia de modelos multimodales abiertos bajo licencia Apache 2, disponibles en Hugging Face con soporte para transformers, llama.cpp, MLX, WebGPU y Rust. La familia incluye cinco tamaños (E2B, E4B, 12B Unified, 31B y 26B A4B) con ventanas de contexto de hasta 256K y capacidad de procesar imagen, texto y audio, pensados para despliegue en dispositivo. También se presentó DiffusionGemma, un modelo que genera texto por difusión con velocidades superiores a 1100 tokens por segundo, y borradores de predicción multi-token que aceleran la inferencia hasta tres veces.

tecnologíainteligencia artificialinnovación científicaGoogle DeepMindmodelos multimodalescódigo abierto

Noticia original

Hugging Face Blog🇺🇸 Estados Unidos1 abr 2026, 4:13 a. m.

Falcon Perception: un Transformer de fusión temprana para percepción visual de vocabulario abierto

El Technology Innovation Institute (TII) de Abu Dhabi presentó Falcon Perception, un Transformer de fusión temprana de 0,6B de parámetros para grounding y segmentación de vocabulario abierto a partir de prompts en lenguaje natural. El modelo alcanza 68,0 de Macro-F1 en el benchmark SA-Co frente a 62,3 de SAM 3, aunque queda por detrás en calibración de presencia (MCC 0,64 vs 0,82). También lanzaron PBench, un benchmark de diagnóstico por capacidades, y Falcon OCR, un modelo de 0,3B que obtiene 80,3 en olmOCR y 88,6 en OmniDocBench con el mayor rendimiento entre los OCR de código abierto.

tecnologíainteligencia artificialinnovación científicaavances tecnológicosinvestigación

Noticia original

Hugging Face Blog🇺🇸 Estados Unidos31 mar 2026, 5:23 a. m.

OpenMed entrenó modelos de lenguaje de ARNm en 25 especies por 165 dólares

OpenMed, un proyecto de IA agéntica de código abierto para salud y ciencias de la vida, construyó un pipeline completo de IA de proteínas que abarca predicción de estructura con ESMFold, diseño de secuencias con ProteinMPNN y optimización de codones de ARNm con modelos propios. Tras comparar arquitecturas transformer, CodonRoBERTa-large-v2 resultó el mejor modelo (perplejidad 4.10, correlación CAI 0.40), superando a ModernBERT. Luego escalaron el sistema a 25 especies, entrenaron cuatro modelos de producción en 55 horas de GPU por unos 165 dólares y publicaron todo bajo licencias abiertas Apache 2.0 y MIT.

tecnologíainteligencia artificialinnovación científicabiotecnologíaARNmcódigo abierto

Noticia original

Hugging Face Blog🇺🇸 Estados Unidos30 mar 2026, 9:00 p. m.

TRL v1.0: la biblioteca de post-entrenamiento que se adapta a un campo en constante cambio

Hugging Face lanzó TRL v1.0, la versión estable de su biblioteca de post-entrenamiento para modelos de lenguaje, que implementa más de 75 métodos y se descarga 3 millones de veces al mes. La versión separa un núcleo estable con versionado semántico de una capa experimental, y prioriza implementaciones explícitas sobre abstracciones rígidas ante un campo que cambia rápido. Los próximos pasos incluyen GRPO asíncrono, la graduación de métodos como KTO y mejoras de escalado y de señales de entrenamiento legibles para agentes.

tecnologíainteligencia artificialinnovación científicaavances tecnológicossoftware

Noticia original

Hugging Face Blog🇺🇸 Estados Unidos23 mar 2026, 11:01 p. m.

ServiceNow presenta EVA, un marco para evaluar agentes de voz conversacionales

ServiceNow presentó EVA, un marco de evaluación de extremo a extremo para agentes de voz conversacionales que puntúa conjuntamente la precisión (EVA-A) y la experiencia (EVA-X) de las conversaciones habladas. El marco usa una arquitectura bot a bot con simulador de usuario, agente de voz, ejecutor de herramientas, validadores y una suite de métricas, y se publica con un conjunto de datos de aerolínea de 50 escenarios y 15 herramientas. Al evaluar 20 sistemas, los autores hallaron una compensación consistente entre precisión y experiencia, y señalaron la transcripción de entidades nombradas como un modo de falla dominante.

tecnologíainteligencia artificialinnovación científicaavances tecnológicosagentes de vozevaluación de modelos

Noticia original

Hugging Face Blog🇺🇸 Estados Unidos20 mar 2026, 4:38 p. m.

Cómo entrenar un modelo de embeddings específico de dominio en menos de un día con una sola GPU

NVIDIA publicó una guía para ajustar un modelo de embeddings de propósito general (Llama-Nemotron-Embed-1B-v2) a un dominio específico en menos de un día y con una sola GPU, sin etiquetado manual. El método combina generación de datos sintéticos con un LLM, minería de negativos duros, consultas multi-salto y evaluación con BEIR, logrando mejoras de alrededor del 10% en Recall@10 y NDCG@10. Atlassian aplicó la receta a su dataset de Jira y elevó Recall@60 de 0.751 a 0.951, un 26,7% de mejora.

tecnologíainteligencia artificialinnovación científicaavances tecnológicoseconomía

Noticia original

Hugging Face Blog🇺🇸 Estados Unidos17 mar 2026, 1:37 p. m.

Estado del código abierto en Hugging Face: primavera de 2026

Hugging Face publicó su informe sobre el estado del código abierto en primavera de 2026, destacando que la plataforma alcanzó 13 millones de usuarios, más de 2 millones de modelos públicos y 500.000 conjuntos de datos. El ecosistema sigue concentrado: el 0,01% de los modelos más descargados acumula el 49,6% de las descargas, y China superó a Estados Unidos en descargas mensuales y totales, con el 41% del total. La robótica y la IA para la ciencia emergen como subcomunidades de rápido crecimiento, mientras crece la discusión sobre soberanía e inversión pública en infraestructura de cómputo.

tecnologíainteligencia artificialinnovación científicaciberseguridadcódigo abiertoHugging Face

Noticia original

ScienceDaily Artificial Intelligence🇺🇸 Estados Unidos13 mar 2026, 3:08 a. m.

Científicos crearon el test de IA más difícil de la historia y los resultados sorprenden

Casi 1.000 expertos de todo el mundo crearon "Humanity's Last Exam", una prueba de 2.500 preguntas de nivel experto diseñada para medir los límites reales de la inteligencia artificial. Las preguntas que los modelos actuales podían resolver fueron eliminadas, y los resultados muestran que incluso los sistemas más avanzados, como Gemini 3.1 Pro y Claude Opus 4.6, apenas alcanzan entre 40% y 50% de precisión. Los investigadores sostienen que la herramienta ayuda a entender las fortalezas y debilidades de la IA y a construir tecnologías más seguras.

tecnologíainteligencia artificialinnovación científicainvestigaciónbenchmarkseducación

Noticia original

WeLiveSecurity🇸🇰 Eslovaquia10 mar 2026, 6:58 a. m.

Sednit vuelve a la carga: el grupo ruso de ciberespionaje reactiva su arsenal avanzado contra Ucrania

Investigadores de ESET documentaron la reactivación del equipo de desarrollo avanzado del grupo ruso Sednit (APT28/Fancy Bear), activo desde abril de 2024 con un arsenal moderno de dos implantes: BeardShell y Covenant, cada uno usando un proveedor de nube distinto como canal de mando y control. La estrategia de doble implante permitió vigilancia prolongada de personal militar ucraniano, y los análisis muestran un linaje de código directo con herramientas del grupo de la década de 2010, como Xagent y Xtunnel. En 2026 Sednit también desplegó Covenant en campañas de spearphishing que explotaron la vulnerabilidad CVE-2026-21509.

ciberseguridadinteligencia artificialtecnologíaseguridad informáticaAPT28Ucrania

Noticia original

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

Cómo 16 librerías de código abierto resuelven el entrenamiento asíncrono de aprendizaje por refuerzo

Un artículo técnico de Hugging Face analiza 16 librerías de código abierto que implementan entrenamiento de aprendizaje por refuerzo asíncrono, separando la inferencia del entrenamiento en pools de GPU distintos para evitar la ociosidad de las GPU. El relevamiento compara las librerías en siete ejes, entre ellos orquestación, diseño de búfer, sincronización de pesos, gestión de la obsolescencia y soporte de LoRA y MoE. Los autores concluyen que Ray domina la orquestación, la difusión NCCL es el método estándar de sincronización y el soporte de MoE es el diferenciador emergente, y anticipan las decisiones de diseño de un nuevo entrenador asíncrono para TRL.

tecnologíainteligencia artificialavances tecnológicosinnovación científicacódigo abierto

Noticia original

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

Hugging Face lanza Storage Buckets, almacenamiento de objetos mutable para flujos de trabajo de IA

Hugging Face anunció el lanzamiento de Storage Buckets, un almacenamiento de objetos mutable similar a S3 para flujos de trabajo de machine learning, publicado el 10 de marzo de 2026. Los Buckets se apoyan en Xet, el backend de almacenamiento basado en chunks que deduplica contenido, lo que reduce ancho de banda y costos, y ofrecen precalentamiento para acercar datos a AWS y GCP. Se gestionan desde la CLI de hf, Python (huggingface_hub v1.5.0), JavaScript y HfFileSystem, y contaron con una beta privada junto a Jasper, Arcee, IBM y PixAI.

tecnologíainteligencia artificialinnovación científicaavances tecnológicosalmacenamiento

Noticia original

Hugging Face Blog🇺🇸 Estados Unidos8 mar 2026, 9:00 p. m.

LeRobot v0.5.0: escalando todas las dimensiones

LeRobot lanzó la versión v0.5.0, su mayor actualización hasta la fecha, con más de 200 PR fusionados y más de 50 nuevos contribuyentes desde la v0.4.0. La versión incorpora el soporte completo del humanoide Unitree G1, nuevas políticas de aprendizaje robótico como Pi0-FAST, Real-Time Chunking, Wall-X, X-VLA y SARM, y codificación de video en streaming que elimina las esperas entre episodios. También suma EnvHub para cargar entornos de simulación desde Hugging Face Hub, integración con NVIDIA IsaacLab-Arena y una modernización de la base de código con Python 3.12+ y Transformers v5.

tecnologíainteligencia artificialinnovación científicaavances tecnológicosrobóticacódigo abierto

Noticia original

Hugging Face Blog🇺🇸 Estados Unidos8 mar 2026, 9:00 p. m.

Ulysses Sequence Parallelism: entrenamiento con contextos de millones de tokens

Publicación técnica de Hugging Face que explica Ulysses Sequence Parallelism, una técnica del protocolo Arctic Long Sequence Training de Snowflake AI Research que distribuye el cálculo de atención entre varias GPUs mediante paralelismo de cabezas de atención. Detalla su integración en Accelerate, el Transformers Trainer y el SFTTrainer de TRL, con parámetros de configuración y comandos de lanzamiento. Los benchmarks con Qwen3-4B en GPUs H100 muestran una reducción de memoria de 3.3x y hasta 3.7x más throughput, permitiendo entrenar con secuencias de hasta 96K tokens.

tecnologíainteligencia artificialavances tecnológicosinnovación científicasoftware

Noticia original

Hugging Face Blog🇺🇸 Estados Unidos5 mar 2026, 11:16 a. m.

NXP detalla cómo llevar modelos de IA robótica a plataformas embebidas: grabación de datos, ajuste fino de VLA y optimizaciones en el dispositivo

NXP publicó una guía técnica sobre cómo desplegar modelos Visión–Lenguaje–Acción (VLA) en plataformas robóticas embebidas, con foco en el SoC i.MX 95. Detalla buenas prácticas para grabar conjuntos de datos confiables, ajustar políticas ACT y SmolVLA, y optimizar la inferencia mediante descomposición del grafo, cuantización selectiva e inferencia asíncrona. Con ACT optimizado logran 0,32 s de latencia y 0,89 de precisión global, frente a 2,86 s y 0,96 en FP32.

tecnologíainteligencia artificialinnovación científicarobóticahardware embebido

Noticia original

Hugging Face Blog🇺🇸 Estados Unidos4 mar 2026, 9:00 p. m.

Hugging Face presenta Modular Diffusers, bloques componibles para pipelines de difusión

Hugging Face presentó Modular Diffusers, un nuevo sistema para construir pipelines de difusión mediante la composición de bloques reutilizables en lugar de escribir pipelines completos desde cero. La propuesta complementa la clase DiffusionPipeline con una alternativa flexible que permite inspeccionar, intercambiar y publicar bloques personalizados en el Hub. También se mostró su integración con Mellon, una interfaz visual de nodos, y pipelines de la comunidad como Krea Realtime Video y Waypoint-1.

tecnologíainteligencia artificialinnovación científicaavances tecnológicossoftware

Noticia original

Hugging Face Blog🇺🇸 Estados Unidos3 mar 2026, 1:50 p. m.

PRX Parte 3: cómo entrenar un modelo de texto a imagen en 24 horas con 32 GPU H200

El equipo de Photoroom publicó la tercera parte de su serie PRX, en la que combina técnicas de entrenamiento de modelos de difusión para texto a imagen y logra un modelo funcional en 24 horas con 32 GPU H200 y un presupuesto de 1500 dólares. La receta integra predicción-x en espacio de píxeles sin VAE, pérdidas perceptuales LPIPS y DINOv2, enrutamiento de tokens con TREAD, alineación de representaciones con REPA y DINOv3, y el optimizador Muon. Los autores liberaron el código en GitHub y señalan que los fallos restantes se deben al subentrenamiento y a la limitada diversidad de datos, no a defectos estructurales de la receta.

tecnologíainteligencia artificialavances tecnológicosinnovación científicamodelos de difusión

Noticia original