390 materiales
La agencia de desarrollo digital de la India ha lanzado un conjunto adicional de proveedores de IA y ML en el panel de socios existente para los programas Digital India. Los nuevos participantes trabajarán bajo las condiciones fijadas en la selección anterior, y las solicitudes se aceptarán hasta el 7 de septiembre.
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 método propuesto RARRL, mediante aprendizaje por refuerzo, enseña al robot a seleccionar adaptativamente los momentos para razonar, su formato y el presupuesto de cómputo. Los experimentos en ALFRED mostraron un aumento en la tasa de éxito y robustez con menor latencia en comparación con estrategias fijas.
El nuevo enfoque permite a los agentes LLM no solo cambiar la estructura de comunicación según la tarea, sino también reestructurarla durante el diálogo, acumulando experiencia. En nueve puntos de referencia, ST-EVO mostró un aumento de precisión del 5 al 25% en comparación con métodos anteriores.
Konstantin Marunchenko, quien construyó pipelines de IA corporativos en Echelon, está convencido: para que la IA salga de la pantalla, no se necesitan modelos estrechos, sino agentes flexibles capaces de planificar y controlar procesos reales. Insta a tratar la materia como código que se puede «editar», pero advierte: el precio del error aquí es mucho más alto.
Los investigadores propusieron un enfoque que combina restricciones basadas en la física y datos de conducción real: un modelo Transformer primero predice cómo los vehículos se influyen entre sí, y luego un planificador genera maniobras similares a las humanas. En las pruebas, el método redujo notablemente los errores de predicción de trayectorias y el número de colisiones en comparación con el aprendizaje por refuerzo.
En el nuevo trabajo se propone la arquitectura ADN-Agent, en la que un gran modelo de lenguaje asume el rol de despachador para un conjunto de modelos especializados utilizados en la gestión de redes de distribución. El sistema determina por sí mismo el significado de la consulta, la divide en etapas, selecciona las herramientas necesarias y las conecta a través de una interfaz común, y para simplificar las subtareas textuales se aplica un ajuste fino automatizado de LLM compactos.
En el trabajo científico se presenta Align-LoRA, un esquema simple de ajuste fino que se basa en la alineación de características comunes de tareas, en lugar de ramas aisladas del modelo. Este enfoque acelera la inferencia y permite combinar pesos, ofreciendo un resultado más sólido que las configuraciones multitarea complejas.
