Fichajes
No hay fichajes publicados.
Artículos
Artículo2026-10-07 · arXiv (Cornell University)
Long-WAM: Scaling the Context of World-Action Models
- Qué
- Los investigadores han desarrollado Long-WAM, un modelo que utiliza eficientemente la información visual pasada de los robots bajo restricciones de tiempo real.
- Resultado clave
- Al preentrenar el modelo fundacional que procesa información visual utilizando un método autorregresivo (AR), se maximiza la utilización de la memoria pasada y se mejoran las tasas de éxito en las tareas de los robots.
- Por qué importa
- Demostró que es posible la operación en tiempo real en varios entornos de hardware, lo que puede contribuir a futuras tareas complejas de control de robots a largo plazo.Resumen IA
Artículo2026-10-06 · arXiv (Cornell University)
Humanize: Judgement Engineering for Agentic Coding
- Qué
- Se presento Humanize, un flujo de trabajo colaborativo de multiples inteligencias artificiales que aplica decisiones claras y mecanicas entre las etapas de planificacion, implementacion y revision.
- Resultado clave
- Inteligencias artificiales de produccion y de revision de diferentes proveedores trabajaron en turnos alternos, logrando un alto rendimiento en la resolucion de problemas competitivos y evaluacion de desempeno.
- Por qué importa
- Demuestra que las revisiones independientes ayudan a detectar errores en los procesos de programacion asistidos por inteligencia artificial.Resumen IA
Artículo2026-09-29 · arXiv (Cornell University)
SoL-Refiner: Speed-of-Light One-Step Refinement for High-Resolution Video
- Qué
- Se propuso SoL-Refiner, un modelo refinador que convierte videos de baja resolución en videos de alta resolución mediante un único paso de eliminación de ruido.
- Resultado clave
- A resolución 2K, obtuvo puntuaciones promedio más altas en VBench y UniPercept que los refinadores externos comparados, y a una resolución de 3840x2176, mejoró ambas métricas en comparación con el refinador LTX-2.3 de tres pasos. Se informó que, con la configuración de latencia de 2K, la latencia de refinamiento se volvió 8.91 veces más rápida en comparación con el mismo modelo base.
- Por qué importa
- La generación de video de alta resolución aumenta considerablemente la carga computacional y los costos, por lo que este enfoque de mejorar la calidad en un solo paso en lugar de múltiples pasos demuestra ser una dirección viable para reducir dicha carga. Sin embargo, dado que los resultados presentados en el resumen se midieron bajo condiciones establecidas por los autores, no se pueden catalogar como un efecto definitivo para todos los servicios reales.Resumen IA
Artículo2026-09-29 · arXiv (Cornell University)
LeapQuant: Efficient Linear Attention with Accurate Recurrent State Quantization
- Qué
- Propone LeapQuant, un método sin entrenamiento que comprime con baja precisión los 'estados recurrentes' que los modelos de lenguaje grande leen y escriben repetidamente al procesar contextos largos.
- Resultado clave
- Según el resumen, la compresión a 8 bits mantiene una precisión similar al modelo de referencia FP32, logrando una aceleración promedio de 2.05 a 3.70 veces a nivel de kernel de GPU y de 1.47 veces en la inferencia general.
- Por qué importa
- Esta investigación puede contribuir a mejorar la eficiencia operativa de los servicios de IA que manejan contextos largos al reducir la carga de memoria y computacional durante la inferencia. Sin embargo, dado que el resumen solo presenta resultados de modelos y GPUs específicos, es difícil asegurar que los mismos efectos se apliquen a todos los servicios comerciales reales.Resumen IA
Artículo2026-09-28 · arXiv (Cornell University)
Sol-H3: Recursive Self-Improvement for MiniMax-H3 Inference Acceleration on Sol-Engine across Cloud and Edge
- Qué
- Se creó una tubería de ejecución completa para ejecutar el modelo de IA de generación de video MiniMax-H3 de 33 mil millones de parámetros de manera más rápida y con menos memoria tanto en servidores en la nube como en dispositivos pequeños.
- Resultado clave
- Según el resumen, se logró una aceleración de extremo a extremo de hasta 30 veces y una reducción de memoria de aproximadamente un 20%, generando un video con audio de 5 segundos y resolución 1344x768 a una velocidad 3.5 veces más rápida que el tiempo real en 8 nodos de servidor GB200.
- Por qué importa
- Esto es significativo ya que demuestra una dirección para reducir la latencia de generación y los límites de memoria, que son los mayores obstáculos al aplicar la IA de generación de video a servicios reales, aunque el efecto de comercialización y la escala de reducción de costos son difíciles de juzgar solo por el resumen.Resumen IA
Artículo2026-09-28 · arXiv (Cornell University)
d-OPD: Future-Aware On-Policy Distillation for Block Diffusion Language Models
- Qué
- Se propone d-OPD, un método de entrenamiento por destilación que convierte los modelos de lenguaje autorregresivos convencionales (que generan un token a la vez) en modelos de lenguaje de difusión por bloques que generan múltiples tokens en paralelo.
- Resultado clave
- En experimentos con modelos Qwen3 (0.6B a 8B), se informó que d-OPD mejoró la puntuación promedio en seis puntos de referencia hasta en 4.0 puntos en comparación con el método existente OPDLM, y redujo el tiempo de entrenamiento de 1.35 a 1.58 veces.
- Por qué importa
- El resumen indica que el método de generar múltiples tokens simultáneamente en bloques tiene el potencial de aumentar la velocidad de generación de texto, y este estudio demuestra que se puede mejorar la eficiencia del proceso de entrenamiento para crear dichos modelos.Resumen IA
