Fecha base 2026-11-03
Última ejecución 2026-11-03 21:00:25
S&P 500
7,569
NDX 100
28,180
VIX
20.82
US 10Y
4.95%
DXY
101.86
WTI
$96.60
Gold
$3,932
USD/KRW
1,344
SOX
10,599
Trump Approve
35.4%
S&P 500
7,569
NDX 100
28,180
VIX
20.82
US 10Y
4.95%
DXY
101.86
WTI
$96.60
Gold
$3,932
USD/KRW
1,344
SOX
10,599
Trump Approve
35.4%
AI LEADERS · MOVES & PAPERS

Líderes de IA: fichajes y artículos — últimos cambios de puesto e investigación

LAST UPDATE 2026-11-03 08:00 KST PEOPLE 77 · PAPERS 76 · MOVES 0
A dónde se mueven las figuras clave de los laboratorios de IA, las big tech y la universidad, y qué publican, son señales tempranas de hacia dónde van la tecnología y la ventaja competitiva. Los fichajes y artículos se recopilan a diario de forma automática, los revisa el editor y se resumen en lenguaje claro con enlaces a los originales.

Destacados

Fichajes · Hardware de IA

Trayectoria reciente (según Wikidata; puede incluir datos no verificados)

Artículos · Hardware de IA

Artículo2026-10-07 · arXiv (Cornell University)

Desarrollo de tecnología de procesamiento de memoria visual larga para el control de robots en tiempo real

Long-WAM: Scaling the Context of World-Action Models
Song Han y 15 más
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)

La tecnica Humanize para mejorar la fiabilidad de la programacion con inteligencia artificial

Humanize: Judgement Engineering for Agentic Coding
Song Han y 8 más
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 eleva videos de baja resolución a calidad 4K en un solo procesamiento

SoL-Refiner: Speed-of-Light One-Step Refinement for High-Resolution Video
Song Han y 11 más
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: Aceleración de la inferencia de IA mediante la compresión de estados de atención lineal a 8 bits

LeapQuant: Efficient Linear Attention with Accurate Recurrent State Quantization
Song Han y 12 más
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)

Propuesta de una técnica para reducir la velocidad y el uso de memoria en la IA de generación de video

Sol-H3: Recursive Self-Improvement for MiniMax-H3 Inference Acceleration on Sol-Engine across Cloud and Edge
Song Han y 8 más
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)

Investigación que mejora el entrenamiento de modelos de lenguaje de difusión por bloques incorporando contexto futuro

d-OPD: Future-Aware On-Policy Distillation for Block Diffusion Language Models
Song Han y 2 más
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
Artículo2026-08-12

Desarrollan 'Dion3', una nueva tecnología de optimización que aumenta la velocidad de entrenamiento de IA hasta 6 veces

Dion3: Full-Stack Orthogonal Updates
Tri Dao y 7 más
Qué
Se desarrolló 'Dion3', que mejora todo el sistema para resolver los problemas de altos costos de computación y comunicación de la herramienta de entrenamiento de IA existente, Muon.
Resultado clave
Dion3 redujo el tiempo de los pasos de optimización hasta 6 veces manteniendo un rendimiento igual o mejor que el de Muon.
Por qué importa
Puede contribuir a reducir los costos de computación relacionados al aumentar la eficiencia del proceso de entrenamiento de modelos de IA.Resumen IA

Personas

¿Por qué seguir los fichajes y artículos de los líderes de la IA?

En la IA, las personas son la tecnología. La empresa a la que se une un investigador clave, o el laboratorio que funda, suele traducirse meses después en productos, rondas de inversión y adquisiciones. Esta página sigue los cambios de puesto en laboratorios punteros, nuevos laboratorios, academia, chips de IA y figuras de Corea y China.

Los artículos muestran en qué se centra una persona ahora mismo. Clasificamos los artículos en 10 áreas vinculadas a la inversión, como HBM y memoria, GPU y aceleradores, eficiencia de inferencia, agentes y robótica, y ofrecemos un resumen de tres líneas —qué, resultado clave y por qué importa— basado en el resumen del artículo, con enlaces al original y al PDF. Es información para encontrar ideas, no una recomendación de compra o venta.

Preguntas Frecuentes

P. ¿A quién siguen?

Investigadores y directivos clave de laboratorios punteros (OpenAI, Google DeepMind, Anthropic, Meta, etc.), nuevos laboratorios, academia, empresas de chips de IA y de Corea y China. A los directivos que apenas publican solo se les siguen los cambios de puesto.

P. ¿De dónde salen los datos y cada cuánto se actualizan?

Los artículos provienen de Semantic Scholar y arXiv, y las trayectorias de Wikidata (CC0) además de anuncios oficiales y prensa; se recopilan automáticamente cada día. Solo se publican los elementos revisados y aprobados por el editor.

P. ¿Quién redacta los resúmenes?

Una IA (Google Gemini) redacta un borrador a partir del resumen del artículo y el editor lo revisa antes de publicarlo. Los demás idiomas son traducciones por IA del resumen coreano revisado. Confirme siempre cifras y contexto en el original.

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.

🐩 Apoya las Golosinas de Kobong
코봉이
Si esta página te fue útil, también puedes apoyar el fondo de golosinas de Kobong 🦴
💬 Comentarios
Apodos anónimos basados en IP · El abuso puede resultar en restricciones
Cargando...