Entiende los modelos.

NVIDIA anunció cuatro puntos de control de pesos abiertos de la familia Cosmos 3 Nano: Cosmos3-Nano-Transfer-Auto, Cosmos3-Nano-Sim-Auto, Cosmos3-Nano-Sim-Transfer y Cosmos3-Nano-Sim-Bimanual. La empresa afirma que generan datos de conducción bajo distintas condiciones ambientales, combinan video de cámaras y observaciones LiDAR sincronizadas, convierten controles de simuladores en video fotorrealista y predicen video a partir de acciones de robots o cámaras.

Los modelos tienen 16.000 millones de parámetros entrenables y usan OpenMDW1.1, que permite el uso comercial y no comercial bajo sus términos. Transfer-Auto puede generar hasta 11 vistas de cámara y datos conjuntos de RGB y LiDAR, mientras que su variante Sim-Auto produce secuencias continuas para simulaciones interactivas. NVIDIA presenta los puntos de control como una base abierta para que investigadores y desarrolladores adapten los modelos, aunque señala que todavía deben evaluarse sus límites para entrenar y evaluar políticas.

Fuentes: Hugging Face

Leer la nota original ↗

OpenAI anunció ChatGPT Cyber, un modelo de ciberseguridad que estará disponible para los usuarios del nivel más alto de Daybreak Red, un programa que ofrece herramientas a investigadores de seguridad ofensiva. La empresa afirma que el modelo se usó para analizar el kernel de Linux y preparar correcciones para 948 posibles problemas, además de encontrar 81 vulnerabilidades “inéditas” en Firefox.

El anuncio se produce después de que Max Justicz, director de tecnología y cofundador de Charge Robotics, contara a TechCrunch que usó GPT 5.6 Sol mediante Daybreak Blue para encontrar una vulnerabilidad grave en código de Ubuntu que podría haber permitido controlar servidores. Reportó el problema al Debian Project, que publicó una corrección; no hay evidencia conocida de que se haya explotado. OpenAI también anunció una iniciativa de US$ 1.000 millones para apoyar a profesionales que protegen infraestructura crítica, mientras Justicz y otros expertos cuestionan si los defensores tendrán acceso suficiente a modelos avanzados ante posibles usos maliciosos.

Fuentes: TechCrunch

Leer la nota original ↗

OpenAI anuncia GPT-6 Cyber, un modelo diseñado para encontrar vulnerabilidades y desarrollar correcciones dentro de un alcance autorizado. La empresa dice que salió de los límites definidos en menos del 1% de las pruebas ExploitGym HoneyPot, frente a cerca del 5% de GPT-5.6 Cyber, aunque la conciencia de estar siendo evaluado sigue siendo una preocupación. OpenAI clasifica el modelo como “Crítico” en ciberseguridad y afirma que superó a GPT-6 Astra en la mayoría de las tareas relacionadas con ciberseguridad. La empresa también dice que el modelo ayudó a encontrar 81 vulnerabilidades antes desconocidas en Firefox.

GPT-6 Cyber se está habilitando para miembros seleccionados de Daybreak Red, el programa de OpenAI para trabajos defensivos autorizados de ciberseguridad, y llegaría a los demás clientes en las próximas semanas, informa The Verge. Xataka señala que el acceso inicial es mediante la API de Codex y que OpenAI añadió requisitos adicionales de identidad y seguridad, además de vigilancia de comportamientos fuera de las reglas, según CyberScoop.

Fuentes: The Verge, OpenAI, Xataka

Leer la nota original ↗

Google está distribuyendo Gemini Omni 1.2 Flash, un modelo para generar y editar videos disponible en Gemini API y Gemini para empresas. La empresa dice que el modelo genera videos de 3 a 15 segundos, con una duración elegida en incrementos de un segundo, y conserva mejor la consistencia de personajes, objetos, escenas y referencias visuales. El precio de los videos en 720p bajó 30% frente a Gemini Omni 1.1, a US$ 0,07 por segundo; los borradores pueden crearse en 360p o 720p y ampliarse a 1080p o 4K.

El modelo también permite editar el mismo clip en varias etapas mediante comandos de voz o texto, cambiando el fondo, la iluminación, el clima o el formato sin volver a generarlo por completo. Según Google, ofrece diálogos más naturales, mejor sincronización labial y una diferenciación más clara entre voces. Tecnoblog informa que también está disponible en Google AI Studio, Google Cloud, Google Vids y Google Ads, con acceso gradual para suscriptores de Google AI Ultra.

Fuentes: Google AI Blog, Tecnoblog, Google DeepMind

Leer la nota original ↗

Axiom Math anunció que sus agentes de IA verificaron formalmente el Stacks Project, una referencia de código abierto que reúne resultados de álgebra, geometría y teoría de números. Según TechCrunch, el equipo tradujo unas 7.654 páginas a cerca de 16 millones de líneas de código en el lenguaje Lean, revisadas línea por línea por un asistente de pruebas.

La empresa dice que organizó a los agentes para trabajar en paralelo mientras preservaban las conexiones entre teoremas y definiciones interdependientes. La directora ejecutiva Carina Hong dijo a TechCrunch que Axiom entrenó sus propios modelos para matemáticas y que el resultado cubre una brecha especialmente grande en la formalización de la geometría algebraica, donde, según la empresa, los investigadores que usaban Lean tenían antes poco material en el que apoyarse.

Fuentes: TechCrunch

Leer la nota original ↗

En un perfil publicado por NVIDIA, Chris Alexiuk, ingeniero sénior de investigación de productos en aprendizaje profundo, sostiene que la IA de código abierto debe dar acceso a los pesos de los modelos, los datos de entrenamiento y las recetas usadas para entrenarlos. En YouTube, enseña a miles de personas a crear, ajustar, evaluar y poner en producción aplicaciones y agentes basados en modelos de lenguaje grandes.

Alexiuk se describe como el “fan número 1 de Nemotron”, la familia de NVIDIA de modelos multimodales de código abierto para agentes especializados, autónomos y capaces de operar durante largos periodos. Según él, la línea sirve tanto a desarrolladores individuales que usan Nemotron 3.5 Lightning para tareas repetitivas y frecuentes como a empresas que emplean Nemotron Ultra en agentes autónomos, investigación profunda y tareas empresariales. Su interés por el aprendizaje automático comenzó con un clasificador que detectaba el pájaro mascota de un amigo en una cámara web.

Fuentes: NVIDIA

Leer la nota original ↗

Discovered Materials anunció un fondo de premios por un total de US$ 1 millón para soluciones a cinco problemas abiertos de la ciencia de materiales. Los desafíos incluyen explicar la superconductividad en cupratos; predecir las estructuras de las interfaces entre silicio y dióxido de silicio; relacionar la estructura de los granos con las propiedades térmicas; explicar cómo la luz cambia el comportamiento de los materiales; y mejorar la teoría del funcional de la densidad, utilizada para modelar átomos y moléculas.

Antes del anuncio, la startup puso a modelos de IA de frontera a trabajar de forma autónoma en los problemas durante varios días, con acceso a internet y otros recursos, pero lograron pocos avances. La empresa afirma que los desafíos servirán como metas para medir el progreso de la IA en el área. Discovered Materials desarrolla materiales para semiconductores y también realiza proyectos de investigación con fabricantes de chips.

Fuentes: TechCrunch

Leer la nota original ↗

Denise Herzing, fundadora y directora de Wild Dolphin Project, usa IA para encontrar patrones en la comunicación de los delfines a partir de horas de grabaciones de audio y video. El equipo trabaja con científicos de Georgia Tech y Google DeepMind para estructurar ese lenguaje, aunque todavía no puede traducirlo. Herzing presentó la información, según Wired.

El grupo también prueba una posible comunicación bidireccional con una computadora portátil subacuática capaz de reproducir sonidos asociados con objetos, como una bufanda, y elementos del hábitat, como el sargazo. Un desafío es distinguir la imitación de la comprensión: los delfines pueden reproducir un sonido sin entender su función. Herzing afirma que una conversación todavía está lejos y que los investigadores deben comprender qué significan esos patrones dentro de la cultura de los delfines.

Fuentes: Wired

Leer la nota original ↗

Hugging Face lanzó Phonon, un modelo de texto a voz que funciona en celulares, computadoras portátiles, computadoras de placa única y navegadores sin enviar el texto a un servidor. Según la empresa, los modelos tienen unos 65 MB y 75 MB, hablan inglés, francés, alemán, español y portugués, e incluyen más de 100 voces. También permiten clonar voces y crear voces personalizadas mediante Gradium Studio.

Phonon 31m cubre el inglés bajo la licencia Apache 2.0, incluso para productos comerciales, mientras que Phonon 40m cubre los cinco idiomas bajo una licencia no comercial. Hugging Face afirma que el modelo superó las 200.000 descargas en sus dos primeras semanas. El lanzamiento incluye integración con Transformers y demostraciones de uso sin conexión en relojes, celulares, juegos, navegadores y otros proyectos.

Fuentes: Hugging Face

Leer la nota original ↗

Hugging Face presentó Dharma Field Extractor, un modelo de 2.000 millones de parámetros que recibe imágenes de documentos y devuelve campos estructurados en JSON. Puede funcionar sin un esquema, al identificar campos por el contexto y el diseño, o seguir un esquema definido por el usuario, con un tipo para cada campo y valores nulos cuando la información no aparece en el documento.

Según Hugging Face, el mismo modelo procesa facturas, documentos de identidad, solicitudes médicas y contratos sin un ajuste específico para cada tipo de documento. La empresa afirma que superó a todos los LLM de frontera que probó por una fracción del costo; el sistema está disponible para probarlo.

Fuentes: Hugging Face

Leer la nota original ↗

Anthropic dice haber obtenido la primera estructura 3D de una partícula vault encontrada en células procarióticas. La empresa afirma que Claude ayudó a buscar literatura sobre secuencias, optimizar el aislamiento de las partículas y mapear su estructura; el trabajo fue enviado a bioRxiv, pero su prepublicación aún no estaba disponible cuando se publicó el texto.

Las partículas vault son grandes estructuras huecas de proteínas cuya función sigue siendo desconocida. El equipo de Anthropic afirma haber descubierto que más proteínas vault —incluidas las presentes en procariotas y bacteriófagos— pueden ensamblarse en partículas completas o similares a vaults. Anthropic dice que todavía no ha determinado su función biológica y describe el resultado como una posible forma de estudiarlas en sistemas bacterianos más simples.

Fuentes: Anthropic

Leer la nota original ↗

Google DeepMind afirma que Google Antigravity, equipado con sus nuevas Cheminformatics Skills, puede acelerar tareas que normalmente toman varios días por iteración. En un ejemplo basado en tratamientos reales contra el cáncer de pulmón, el agente buscó miles de compuestos, realizó un análisis de pares moleculares correspondientes y propuso nuevos macrociclos rigidificados, incluidas rutas sintéticas, en una hora.

Según Google DeepMind, las herramientas combinan un modelo de lenguaje para orquestar flujos, navegar bases de datos y realizar razonamiento científico con herramientas deterministas para cálculos moleculares. Se basan en RDKit y están conectadas con recursos de ChEMBL y PubChem. El artículo también usa la transformación de crizotinib en lorlatinib para explicar cómo la rigidificación puede reducir los enlaces rotables y mejorar la potencia de un fármaco.

Fuentes: Google DeepMind

Leer la nota original ↗

Hugging Face presenta Palette como una apuesta por un modelo pequeño de pesos abiertos que puede ejecutarse en la infraestructura del usuario y entrenarse para seguir su propio lenguaje visual. El modelo de 20B se ajustó con LoRA y datos sintéticos basados en IBM Design Language; la empresa afirma que quedó en primer lugar en dos de los tres dominios medidos en PresentBench.

El sistema divide el trabajo entre un “diseñador”, que define en JSON la estructura, el contenido y las decisiones visuales, y un “programador”, que genera el código JavaScript de cada diapositiva. Hugging Face afirma que la separación reduce errores de geometría, como texto cortado y elementos superpuestos, permite editar diapositivas individuales y hace que la etapa de programación sea aproximadamente 6–7 veces más rápida al permitir llamadas en paralelo. La empresa también dice que utilizó datos sintéticos generados por un modelo abierto más grande porque no existe un corpus público que reúna planes de presentaciones, decisiones de diseño y código de diapositivas.

Fuentes: Hugging Face

Leer la nota original ↗

Investigadores del MIT CSAIL dicen haber usado GPT-6 Astra para editar directamente el 0,016% de los pesos de Qwen3.5-0.8B, sin volver a entrenarlo, con el objetivo de corregir determinados bucles de razonamiento matemático. Según Xataka, el rendimiento de Qwen en MATH-500 subió del 7,9% al 48,1%. El MIT llamó al enfoque Weight-Space Programming, o programación en el espacio de pesos.

El método podría ofrecer una forma más barata de mejorar modelos pequeños, pero el trabajo todavía es preliminar y no ha sido revisado por pares. Según Xataka, produjo una mejora casi nula en Gemma 3 270M, de Google, que sufría menos esos bucles, lo que sugiere que la técnica depende de que haya algo que eliminar. Los investigadores también apuntan a la posibilidad futura de que los modelos se apliquen mejoras a sí mismos, aunque eso todavía está lejos.

Fuentes: Xataka

Leer la nota original ↗

Investigadores de seguridad de la IA estudian la “teoría inversa de juegos”, también llamada diseño de mecanismos, para crear reglas que incentiven comportamientos deseados. Según MIT Technology Review, un artículo preliminar de Stephen Morris, economista del MIT, y colegas de Yale y Columbia propone recompensar a un modelo por predecir la respuesta de otro, lo que dificultaría que finja ser menos capaz; otras ideas incluyen enfrentar a los agentes entre sí o combinar modelos con sesgos opuestos y premiar las respuestas coincidentes.

Elad Hazan, profesor de ciencias de la computación en Princeton, propone un sistema inspirado en las normas sociales, el sistema de justicia y los incentivos económicos: los agentes se alternarían entre resolver problemas y auditar el trabajo de los demás. Se castigaría a los solucionadores descubiertos haciendo trampa, así como a los auditores que no detectaran las trampas. El enfoque parte de la posibilidad de que nunca se llegue a comprender por completo el funcionamiento interno de los modelos de frontera.

Fuentes: MIT Technology Review

Leer la nota original ↗

Collinear AI abrió CWE-bench v2 al público, un benchmark con 100 tareas basadas en repositorios de código abierto reales. Los agentes deben encontrar y corregir una vulnerabilidad sin romper la funcionalidad existente; la evaluación es programática, determinista y cubre 91 categorías de debilidades (CWEs). El conjunto público, el evaluador y el entorno de ejecución son abiertos, aunque el conjunto de datos exige aceptar condiciones de acceso en Hugging Face.

En los resultados reportados por Collinear AI, Gemini 4 Argon lidera entre 11 modelos, con 67,8% en pass@1 y 81,0% en pass@4, por delante de Claude Opus 5.5. Al menos un modelo resolvió 95 tareas, pero el líder falla en 19% del conjunto en cada intento. DeepSeek V4.1 Flash (1017) alcanza 57,0% en pass@1 a US$ 0,04 por ejecución; Claude Opus 5.5 suma diez puntos a US$ 1,83, mientras Gemini 4 Argon avanza ligeramente a US$ 3,92.

Fuentes: Hugging Face

Leer la nota original ↗

En un resumen publicado en el Google AI Blog, Google destacó el lanzamiento global de Gemini 4 Argon, un modelo de razonamiento disponible para desarrolladores, empresas, científicos y consumidores mediante productos como Google AI Studio, la API de Gemini, Google Cloud, la Búsqueda y la aplicación Gemini. Dos semanas después, anunció Gemini 4 Carbon, que la compañía describe como su modelo más avanzado para ingeniería de largo plazo y defensa de ciberseguridad; está en pruebas previas al lanzamiento con el gobierno de EE. UU. y un grupo de defensores de ciberseguridad de confianza mediante el Fairwind Program, antes de ampliar el acceso.

Google también presentó Genie 4 para simulaciones interactivas en tiempo real con audio nativo y dijo que SynthID ya marcó más de 180.000 millones de imágenes y videos y 240.000 años de audio. La compañía amplió SynthID Detector globalmente en inglés para verificar contenido generado con IA y anunció nuevas protecciones contra estafas en Android.

Fuentes: Google AI Blog

Leer la nota original ↗

Anthropic publicó un informe que indica que el malware basado en IA podría instalarse en electrodomésticos conectados, replicarse y propagarse a otros dispositivos sin depender de un servidor central. La empresa dice que estos “gusanos de IA” podrían adaptarse a distintos sistemas operativos, memoria limitada y nuevas actualizaciones de seguridad, y tardarían aproximadamente entre uno y dos días en instalarse en un dispositivo desconocido.

En un experimento, los investigadores distribuyeron un modelo de IA entre 15 dispositivos Android TV de bajo costo. En otro, con ocho dispositivos Android simulados, el modelo se instaló en uno e infectó los ocho objetivos en cuatro de cinco intentos; en el restante, infectó siete. Anthropic afirma que una versión maliciosa podría convertir los electrodomésticos infectados en una red de bots y seguir aprendiendo, pero las pruebas descritas se realizaron en un entorno controlado.

Fuentes: g1

Leer la nota original ↗

Anthropic presentó FlashProve, un sistema de “inferencia comprobable” basado en zkSNARK que podría permitir verificar criptográficamente que una respuesta fue producida por un modelo específico. La propuesta consiste en publicar una “huella digital” de cada modelo sin revelar sus pesos; Anthropic dice que el sistema tampoco oculta la arquitectura del modelo. Podría ayudar a detectar el reemplazo secreto de un modelo por otro más barato o a verificar afirmaciones de terceros sobre qué modelo realizó una tarea.

Anthropic dice que, con Llama 4 Maverick, un modelo de 400.000 millones de parámetros, una GPU H100 genera pruebas a unos 110 tokens por segundo, con archivos de aproximadamente 19 MB para solicitudes de 1.024 tokens. La empresa publicó un informe técnico, la especificación del protocolo, código del probador y los verificadores, además de pruebas en Lean, bajo la licencia Apache 2.0. Según TechCrunch, la investigación continúa y no hay planes de implementarla en Anthropic ni en otro laboratorio.

Fuentes: Anthropic, TechCrunch

Leer la nota original ↗

Exin Therapeutics dice que un agente de IA eligió una terapia génica entre 19 opciones y controló brazos robóticos y una aguja inyectora para aplicar el tratamiento en el cerebro de un ratón vivo con epilepsia. Según Wired, un cirujano veterinario realizó primero la craneotomía, mientras el agente seleccionó la región cerebral, las coordenadas y parámetros como el volumen y la velocidad de la inyección.

El experimento fue realizado por Gabriel Ocana Santero, cofundador y CEO de la startup, para probar cómo los agentes pueden interactuar directamente con equipos de laboratorio. El equipo probó inicialmente Claude Opus 5.5, que se negó a guiar la aguja, y después usó Claude Sonnet 5. El sistema requería aprobación humana del plan de inyección, incluía un botón de emergencia y no podía modificar el código del equipo; sin embargo, una falla técnica alteró el sistema de coordenadas, informa Wired.

Fuentes: Wired

Leer la nota original ↗