Laboratorios punteros

Rob Fergus

Director de Meta FAIR

Por qué lo seguimos: Dirección de FAIR

Fichajes

No hay fichajes publicados.

Artículos

Artículo2026-10-20 · Zenodo (CERN European Organization for Nuclear Research)

Divulgación de datos estructurales utilizados en el artículo de diseño de enzimas basado en inteligencia artificial

Supplementary Data 2. Designed and predicted structures of all designs

Demis Hassabis · Pushmeet Kohli · Rob Fergus y 35 más

Qué: El equipo de investigación ha publicado todos los archivos de datos estructurales tratados en el artículo sobre el diseño de enzimas impulsado por inteligencia artificial para nuevas reacciones químicas.
Resultado clave: El archivo comprimido contiene estructuras generadas por el modelo de inteligencia artificial, estructuras rediseñadas y datos estructurales predichos adicionales.
Por qué importa: Los datos publicados permiten a los investigadores relacionados verificar los resultados del diseño de enzimas basado en inteligencia artificial y llevar a cabo investigaciones adicionales.Resumen IA

IA para la ciencia

Resumen completo Leer artículo ↗ PDF ↗

Artículo2026-10-06 · arXiv (Cornell University)

Un nuevo método para evaluar las capacidades de auto-mejora de los agentes de IA a través de la experiencia

Agent Plasticity: Measuring Self-Improvement Through Experience

Rob Fergus y 10 más

Qué: Se introdujo el concepto de plasticidad de agentes y se estudiaron métodos de evaluación para medir la eficiencia de auto-mejora de los agentes de IA que evolucionan por sí mismos a través de la experiencia.
Resultado clave: A pesar de tener oportunidades de aprendizaje similares, los modelos más avanzados mostraron grandes diferencias en sus trayectorias de mejora, y el agente con el mejor rendimiento final no necesariamente mejoró de la manera más eficiente.
Por qué importa: Demuestra que al evaluar el potencial de la inteligencia artificial, es importante medir no solo las capacidades en un punto fijo, sino también cuán eficazmente mejoran a través de la experiencia.Resumen IA

Agentes y programación

Resumen completo Leer artículo ↗ PDF ↗

Artículo2026-10-04 · arXiv (Cornell University)

Se propone un método en el que múltiples agentes de IA acumulan trabajo en un repositorio Git para resolver problemas

GitSwarm: Decentralized Compounding Inference

Rob Fergus y 13 más

Qué: Se propuso y evaluó GitSwarm, un sistema de 'inferencia compuesta' donde múltiples agentes de IA idénticos trabajan de forma independiente en un repositorio Git compartido, guardando, referenciando y combinando continuamente resultados intermedios.
Resultado clave: Se informó que resolvió los 30 problemas de demostración matemática en una sola ejecución, superando la línea base más fuerte bajo una condición de presupuesto fijo (65.1 puntos) con un promedio de 79.4 puntos en la tarea de programación ProgramBench, y mejorando las arquitecturas de inicio a través de experimentos repetidos en tres tareas de estructura de redes neuronales.
Por qué importa: Demuestra que la IA puede acumular logros intermedios sin descartar resultados en cada intento, reutilizándolos para el trabajo siguiente, lo que sugiere una dirección para la resolución de problemas a largo plazo y el diseño de IA para la investigación científica. Sin embargo, dado que son resultados al nivel del resumen, el impacto industrial real es difícil de juzgar solo con este material.Resumen IA

Agentes y programación IA para la ciencia

Resumen completo Leer artículo ↗ PDF ↗

Artículo2026-09-29 · arXiv (Cornell University)

Se propone una tecnica de metarrazonamiento para que los agentes de IA determinen 'como proceder' antes de realizar tareas

Thinking Before Thinking: Scaling Agentic Inference Through Meta-Reasoning

Rob Fergus y 11 más

Qué: Se propuso un enfoque de 'metarrazonamiento de agentes' que trata sistematicamente las decisiones de control de ejecucion, como cuanto reutilizar de los resultados de tareas anteriores, si empezar de nuevo y cuando detenerse, para agentes de IA que realizan tareas largas.
Resultado clave: En el punto de referencia de reconstruccion de programas ProgramBench, la version basada en GPT-5.5 registro un 71.5%, superior al 58.0% de Codex, y la version basada en Opus 4.8 registro un 67.2%, superior al 65.5% de Claude Code.
Por qué importa: Segun el resumen, esto sugiere que a medida que los agentes realizan tareas mas largas, asignar recursos computacionales al control de ejecucion estructurado puede volverse mas importante. Sin embargo, dado que los resultados del resumen se obtuvieron bajo puntos de referencia y condiciones experimentales especificas, es dificil concluir que se traduzcan directamente en el rendimiento de un producto real.Resumen IA

Eficiencia de inferencia Agentes y programación

Resumen completo Leer artículo ↗ PDF ↗

Esta página recopila artículos publicados, anuncios oficiales e informaciones de prensa solo con fines informativos. Los resúmenes los redacta una IA a partir del resumen del artículo y los revisa el editor; pueden diferir del original, así que consulte el artículo para lo importante. Nada de esto es una recomendación de compra o venta ni asesoramiento de inversión. Los cambios de puesto citan anuncios oficiales o prensa relevante; parte de las trayectorias proviene de Wikidata (CC0). Los resúmenes de esta página se tradujeron con IA a partir de la versión coreana revisada por el editor.