IA
Inteligencia artificial: LLMs, agentes, difusión, visión, PLN y lo último de los principales laboratorios.
197 published articles
Inteligencia Artificial
Ifbench: el nuevo benchmark que evalúa el seguimiento de instrucciones en IA
IFBench mide la capacidad de los modelos de lenguaje para seguir instrucciones precisas en lenguaje natural, una habilidad clave pero a menudo ignorada. Los primeros resultados muestran a los modelos Grok de xAI liderando, mientras que los modelos Claude quedan rezagados a pesar de sus altos puntajes generales de inteligencia.
2026-07-07
Código abierto e IA local
Cómo los LLM locales como Gemma y Qwen están domando el triaje de repositorios de código abierto a escala
Un análisis profundo de un mantenedor sobre cómo reemplazar el costoso triaje en la nube con modelos locales de peso abierto en una NVIDIA GB10 revela que modelos como Gemma 4 y Qwen 3.6 pueden alcanzar puntajes F1 superiores a 0.80 en clasificación de issues del mundo real. El sistema utiliza un arnés de agente, un shell restringido de solo lectura y salidas estructuradas para ofrecer notificaciones casi instantáneas con un gasto de API de cero.
2026-07-07
Agentes de IA
Los agentes de IA no pueden completar una migración de Java sin que el servidor de compilación los detenga
IBM Research presenta ScarfBench, un benchmark abierto para evaluar agentes de IA en la migración de frameworks empresariales Java. Las primeras pruebas revelan que los agentes fronterizos son sistemáticamente demasiado confiados sobre sus propios resultados, que las capas de configuración dominan el esfuerzo y que problemas del entorno como las cachés de Docker desvían regularmente las migraciones incluso cuando las transformaciones de código tienen éxito.
2026-07-06
Inteligencia Artificial
La avalancha de productos de MiniMax: nuevos modelos para código, música y video en una amplia actualización
La startup china de IA MiniMax lanza MiniMax M3, Hailuo 2.3, MiniMax Code y nuevos modelos de voz/música, ampliando su cartera de productos en un panorama competitivo.
2026-07-06
Infraestructura de IA abierta
NSF OMAI entra en funcionamiento: el clúster de IA completamente abierto de Ai2 apuesta contra la investigación cerrada
Ai2 acaba de activar un nuevo clúster de IA en el marco del proyecto NSF OMAI, que hace que los modelos, herramientas y procesos sean completamente abiertos. Cada hora de GPU cuenta más cuando impulsa la investigación en los ámbitos lingüístico, multimodal y científico.
2026-07-06
Evaluación de modelos
olmo-eval de Ai2 brinda a los desarrolladores de LLM un microscopio para cada punto de control
olmo-eval de Ai2 aporta diferencias por pregunta y evaluaciones modulares al desarrollo activo de LLM, ayudando a los investigadores a distinguir el progreso real del ruido estadístico.
2026-07-06
Lanzamiento de modelo
Claude Mythos 5 ya ha encontrado 10,000 fallos críticos, y Anthropic teme lo que puede hacer
Claude Mythos 5 de Anthropic, un potente nuevo modelo para ciberseguridad y biología, ya ha encontrado más de 10,000 vulnerabilidades críticas de software a través de Project Glasswing. El acceso está limitado a socios verificados, con un precio de $10 por millón de tokens de entrada.
2026-07-06
Investigación en IA
El verdadero cuello de botella en los agentes de IA de escritorio no es el modelo. Es la biblioteca de habilidades.
Un benchmark de capa de ejecución emparejado de 440 tareas de escritorio muestra que los agentes GUI alcanzan una tasa de aprobación del 59.1% frente al 48.2% de los agentes CLI. La aumentación de habilidades eleva el éxito de CLI al 69.3%, lo que indica que el principal cuello de botella es la cobertura de habilidades, no la capacidad bruta.
2026-07-06
Inteligencia Artificial
Kog's Laneformer 2B alcanza 3,000 tokens/s al hacer de la latencia el objetivo principal
La startup parisina Kog lanza Laneformer 2B, un Transformer con prioridad en latencia que alcanza 3,000 tokens/s en AMD MI300X. El modelo utiliza Paralelismo Tensor Retrasado (DTP) para ocultar la sobrecarga de comunicación y fue entrenado desde cero con 6 billones de tokens. Los pesos de código abierto están en Hugging Face.
2026-07-06
Investigación en IA
Tu agente de IA aprobó la prueba por accidente. Ahora hay una rúbrica para eso.
SkillCoach es un marco de rúbricas autoevolutivas que evalúa y mejora el uso de habilidades agentivas analizando los procesos de selección, seguimiento, composición y reflexión de habilidades, proporcionando una mejor supervisión que las métricas basadas solo en resultados.
2026-07-06
Inteligencia Artificial
MiniMax M3 rompe el techo de peso abierto con una aceleración CUDA 9.4x y cero ayuda humana
MiniMax M3 ofrece una aceleración 9.4x del kernel CUDA, supera a Opus 4.7 en BrowseComp y replicó de forma autónoma un artículo de ICLR. Todo en un paquete de peso abierto.
2026-07-06
Investigación en Aprendizaje por Refuerzo
OPID brinda a los agentes de lenguaje una señal de recompensa lo suficientemente densa como para prescindir de la memoria externa
OPID extrae supervisión jerárquica de habilidades de trayectorias completadas dentro de la política, proporcionando guía densa a nivel de token para el entrenamiento de agentes de lenguaje sin memoria externa. Experimentos en ALFWorld, WebShop y Search-based QA muestran un rendimiento mejorado y eficiencia de muestreo frente al RL basado solo en resultados y los métodos existentes de destilación de habilidades.
2026-07-06