41 materiales
El martes, el S&P 500 subió alrededor de un 0,2%, el Nasdaq un 0,5% y el Dow un 0,1%: las acciones de los fabricantes de chips, que habían bajado el día anterior, lideraron las ganancias. Nvidia subió un 2,3% antes de su informe trimestral, y los débiles datos sobre la confianza del consumidor y las ventas de viviendas no impidieron el sentimiento positivo del mercado.
Los atacantes publicaron en el perfil de Jenner enlaces a una memecoin, tras lo cual esta saltó a una valoración de mercado de aproximadamente 1,19 millones de dólares y luego perdió rápidamente parte de su valor. En Solana aparecieron de inmediato tokens imitadores que utilizaban nombres y diseños similares.
El nuevo framework ScienceFlow ayuda a los agentes de IA a no perder el objetivo en tareas de investigación de varias horas: el trabajo se divide en segmentos recuperables y los recursos se distribuyen según el progreso realmente confirmado. En MLE-bench, ha mostrado el mejor resultado entre los enfoques publicados.
Los investigadores proponen considerar el área de Text-to-SQL como un leaderboard consolidado, donde los resultados se distribuyen según el grado de autonomía del modelo al generar consultas SQL. Realizan mediciones en Spider y demuestran que los éxitos no siempre se trasladan a otros benchmarks, y que la autonomía aporta robustez, pero requiere recursos computacionales considerables.
Un nuevo benchmark propone 100 escenarios de preguntas y respuestas en inglés y árabe, construidos en torno a datos reales del operador: sitio web, base SQL y archivo web. Las pruebas en 12 modelos mostraron que incluso el mejor resuelve solo el 71% de las tareas, y en categorías visuales el resultado cae por debajo del 30%.
Los investigadores propusieron un enfoque que evalúa los modelos no por la cantidad de conocimiento ni de forma aislada de la realidad, sino a través de tareas que requieren simultáneamente razonamiento, control del contexto y trabajo con restricciones. El benchmark incluyó 820 tareas originales, y sus autores también estudiaron cómo afectan al resultado los ajustes de «reflexión» y otros parámetros de los modelos.
Los investigadores han identificado un grave sesgo interlingüístico en la seguridad de los grandes modelos de lenguaje: su alineación está configurada principalmente para el inglés, por lo que en otros idiomas los modelos eluden más fácilmente las restricciones y reproducen prejuicios dañinos. El nuevo benchmark INCLUDE, probado en diez modelos y seis idiomas indios, mostró que el nivel de sesgo varía notablemente según el idioma y el tipo de modelo.
Los autores propusieron un prototipo de sistema de apoyo a la toma de decisiones que analiza seis indicadores de los registros de vuelo y los convierte en un índice metamórfico del estado de las hélices. En un experimento retrospectivo con datos de DronePropA, el sistema separó correctamente un caso saludable de tres niveles de falla y sugirió cuándo se requiere inspección o mantenimiento.
El director de Stripe califica el acuerdo como un paso hacia la singularidad, pero el motivo real es mucho más terrenal: a través del enrutador de modelos, la empresa obtiene acceso a los presupuestos de IA de los desarrolladores y a un nuevo centro de flujos de efectivo.
