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 · Nuevos laboratorios

Trayectoria reciente (según Wikidata; puede incluir datos no verificados)
  • Yann LeCun — Advanced Machine Intelligence (Fundador) fundó 2025-12-15
  • Mira Murati — Thinking Machines Lab se incorporó 2025-02
  • John Schulman — Anthropic se incorporó 2024-08 · terminó 2025-02
  • John Schulman — Thinking Machines Lab se incorporó 2025-02
  • Barret Zoph — Thinking Machines Lab se incorporó 2025-02
  • Lilian Weng — Thinking Machines Lab se incorporó 2025
  • Lilian Weng — Open AI se incorporó 2018 · terminó 2024-11
  • Mira Murati — Open AI se incorporó 2022-05 · terminó 2024-09
  • Barret Zoph — Open AI se incorporó 2022-09 · terminó 2024-09
  • John Schulman — Open AI se incorporó 2015 · terminó 2024-08
  • Ilya Sutskever — Safe Superintelligence Inc. (Fundador) fundó 2024-06-19
  • Ilya Sutskever — Open AI se incorporó 2016-01 · terminó 2024-05-14
  • Andrej Karpathy — Open AI se incorporó 2023-02 · terminó 2024-02
  • Arthur Mensch — Mistral AI (Fundador) fundó 2023-04-28
  • Fei-fei Li — Radical Ventures se incorporó 2023

Artículos · Nuevos laboratorios

Artículo2026-10-30

Desarrollo de un modelo jerárquico que supera las limitaciones en el control complejo de robots

Hierarchical World Models with Implicit Dynamics
Yann LeCun y 6 más
Qué
Los investigadores desarrollaron ID-WM, un modelo de mundo jerárquico capaz de realizar tareas complejas y de largo horizonte al separar la accesibilidad de estados y el control local.
Resultado clave
Registró una mejora de rendimiento del 38.5 por ciento en comparación con el método de vanguardia anterior, y una mejora del 135 por ciento en comparación con los modelos de mundo de un solo nivel.
Por qué importa
Esta investigación demuestra la posibilidad de que los robots planifiquen a largo plazo reduciendo errores, incluso en entornos complejos y novedosos.Resumen IA
Artículo2026-10-29 · arXiv (Cornell University)

Tecnología para entrenar conjuntamente datos de robots utilizando diversos controladores

Cross-Controller Transfer via In-Context Behavior Adaptation
Chelsea Finn y 2 más
Qué
Se desarrolló una tecnología para utilizar datos de robots que emplean diferentes métodos de control para el aprendizaje sin conflictos.
Resultado clave
La tasa de éxito promedio mejoró en 33 puntos porcentuales en comparación con los métodos convencionales.
Por qué importa
Demuestra el potencial para utilizar de manera más efectiva los datos de robots recopilados en diversos entornos.Resumen IA
Artículo2026-10-29 · arXiv (Cornell University)

Demostrando que los modelos de inteligencia artificial aprenden el mismo mundo incluso a través de diferentes modalidades de información

Proving and Improving the Platonic Representation Hypothesis with JEPAs
Yann LeCun y 1 más
Qué
Los investigadores demostraron como un teorema matemático la hipótesis de que los modelos de inteligencia artificial entrenados con diferentes modalidades de entrada convergen hacia la misma representación del mundo y propusieron un método para mejorarla.
Resultado clave
Se confirmó que los modelos que utilizan una buena perspectiva pueden alinear las representaciones de manera mucho más eficiente y con muchos menos datos que el método de predicción del siguiente token.
Por qué importa
Este estudio puede contribuir a mejorar la forma en que la inteligencia artificial comprende los datos de manera eficiente y conecta diferentes modalidades de información.Resumen IA
Artículo2026-10-28

Desarrollo de modelos de IA de alta eficiencia capaces de realizar tareas complejas

Nemotron 3.5 Super and Lightning: Open, Efficient Mixture-of-Experts Hybrid Mamba-Transformer Models for Agentic AI
Ashish Vaswani y 499 más
Qué
Los investigadores han desarrollado Nemotron 3.5 Super y Lightning, modelos de IA abiertos idóneos para el razonamiento, la comprensión de contextos largos y la ejecución autónoma de tareas.
Resultado clave
El modelo Super alcanzó el 51.78% en evaluaciones de ingeniería de software utilizando menos parámetros activos, superando a modelos anteriores, y demostró un alto rendimiento de procesamiento mediante diversas optimizaciones.
Por qué importa
Esta investigación demuestra la posibilidad de aumentar simultáneamente la eficiencia y el rendimiento de los modelos a gran escala para que puedan utilizarse de manera práctica en diversos entornos.Resumen IA
Artículo2026-10-11 · arXiv (Cornell University)

Reducción de errores de predicción en modelos de mundo de IA mediante la aplicación de leyes físicas

LeHami: Symplectic Latent Dynamics for World Models
Yann LeCun y 2 más
Qué
Los investigadores desarrollaron LeHami, un nuevo método de entrenamiento para modelos de mundo que combina las propiedades geométricas de los sistemas físicos con la inteligencia artificial.
Resultado clave
A diferencia de los enfoques convencionales, este método evita que la información se comprima y desaparezca durante la predicción a largo plazo y mejora significativamente el rendimiento de la predicción de velocidad.
Por qué importa
Esta investigación puede contribuir a que la inteligencia artificial comprenda y simule los espacios físicos con mayor precisión.Resumen IA
Artículo2026-10-07 · arXiv (Cornell University)

Desarrollo de un modelo del mundo que integra diversos comportamientos de robots en uno solo

Cross-Embodiment Robot Foundation World Models with Latent Actions
Fei-fei Li y 11 más
Qué
Se desarrolló un modelo del mundo para robots que utiliza un espacio de acción latente integrado, el cual puede ser compartido por varios tipos de robots.
Resultado clave
Al aplicarse a nuevos robots, mostró una mejora de hasta un 46.7% en tareas de manipulación precisa y un 11.7% en la evaluación de rendimiento LIBERO en comparación con los métodos convencionales.
Por qué importa
Permite un aprendizaje eficiente entre diversos robots, contribuyendo a resolver grandes desafíos en la robótica.Resumen IA
Artículo2026-10-07 · arXiv (Cornell University)

Tecnología de IA que transforma videos de robots virtuales en reales

RoboRender: Robot-Oriented Video Generation for Visual Sim-to-Real Transfer
Fei-fei Li y 8 más
Qué
Se desarrolló una tecnología que mejora las capacidades de control de los robots al convertir datos de robots de entornos virtuales en videos que parecen del mundo real.
Resultado clave
Los robots entrenados con esta tecnología lograron una tasa de éxito promedio del 71 por ciento en entornos reales, mostrando un rendimiento superior en comparación con los métodos existentes.
Por qué importa
Esto puede ayudar a aliviar el problema visual donde los datos creados en entornos virtuales eran difíciles de aplicar directamente a robots reales.Resumen IA
Artículo2026-10-07

Desarrollan un método para predecir de antemano el rendimiento de los agentes de codificación en modelos de IA base

Before They Can Solve: Predicting Post-Training Coding-Agent Performance from Base Models
Ashish Vaswani y 21 más
Qué
Se desarrollaron tres pantallas de evaluación utilizando las rutas de éxito de agentes de codificación post-entrenados para evaluar el potencial de los modelos de IA base.
Resultado clave
Los tres métodos de evaluación desarrollados predijeron estrechamente las clasificaciones del grupo de modelos abiertos con respecto al rendimiento real.
Por qué importa
Presenta la posibilidad de utilizar futuros puntos de referencia de agentes de codificación para la evaluación de modelos base.Resumen IA
Artículo2026-10-06 · arXiv (Cornell University)

Desarrollo de una nueva arquitectura de red neuronal artificial que separa la memoria a corto y largo plazo

Continuous Memory Machines
Llion Jones y 5 más
Qué
Los investigadores han desarrollado una nueva arquitectura de red neuronal artificial llamada Continuous Memory Machines (CMM) que separa los estados de memoria a corto y largo plazo en forma de matriz.
Resultado clave
Mostró un rendimiento superior y capacidades de generalización en comparación con los modelos existentes en tareas algorítmicas y de razonamiento.
Por qué importa
Puede contribuir a mejorar la capacidad de memoria y razonamiento de la inteligencia artificial en diversas tareas.Resumen IA
Artículo2026-10-06 · arXiv (Cornell University)

Aclaración de la relación entre el control ambiental y la centralidad estructural en los agentes de IA

The Geometry of Empowerment
Sergey Levine y 3 más
Qué
Los investigadores revelaron la relación entre el empoderamiento, que se refiere a la capacidad de un agente de IA para controlar su entorno circundante, y la centralidad estructural, que permite un amplio acceso a los resultados futuros.
Resultado clave
Propusieron una nueva estructura geométrica capaz de interpretar y analizar esto conectando la maximización del empoderamiento con los métodos de aprendizaje de habilidades.
Por qué importa
Proporciona implicaciones teóricas necesarias para construir métodos escalables de maximización del empoderamiento.Resumen IA
Artículo2026-10-06 · arXiv (Cornell University)

Lanzamiento de un marco abierto que combina el control de robots y la predicción futura

OpenWAM: An Open Framework for Composable World-Action Models
Fei-fei Li y 9 más
Qué
Se desarrolló OpenWAM, un marco de código abierto para comparar e investigar modelos de mundo-acción que abordan conjuntamente el control de robots y la predicción de video futuro.
Resultado clave
El método propuesto incrementó significativamente la tasa de éxito en tareas de manipulación robótica y mejoró el rendimiento de los modelos de dinámica mediante el aprendizaje con datos contrafactuales.
Por qué importa
Proporciona una base común para comparar diversos métodos de control de robots y predicción de video, aumentando así la eficiencia de la investigación tecnológica relacionada.Resumen IA
Artículo2026-10-06

OTel lanza conjuntos de datos y modelos de IA dedicados al sector de las telecomunicaciones

OTel: Open Telco AI Datasets, Benchmarks, and Models
Ashish Vaswani y 17 más
Qué
Los investigadores han publicado 'Open Telco (OTel)', un conjunto de recursos que incluye conjuntos de datos, criterios de evaluación y modelos entrenados con ellos, necesarios para el entrenamiento de IA dedicado al sector de las telecomunicaciones.
Resultado clave
Los modelos basados en OTel publicados alcanzaron rendimientos del 93.1%, 0.947 y 87.8% en la recuperación de datos de telecomunicaciones, la reordenación de documentos y la evaluación de la precisión del modelo de lenguaje, respectivamente.
Por qué importa
Esta publicación proporciona un punto de partida reproducible que promueve la investigación y las aplicaciones de la inteligencia artificial en el campo de las telecomunicaciones.Resumen IA
Artículo2026-10-05 · arXiv (Cornell University)

Desarrollo de un nuevo estándar para estudiar el fenómeno de la tecnología de clonación de comportamiento en la inteligencia artificial

Behavioral Cloning Mystery
Sergey Levine y 1 más
Qué
Se propuso OCBench, una herramienta de evaluación de manipulación robótica con características similares a las demostraciones humanas.
Resultado clave
Se demostró que esta herramienta permite investigar científicamente diversos fenómenos relacionados con la clonación de comportamiento y verificar hipótesis en entornos basados en unidades de procesamiento gráfico (GPU).
Por qué importa
Proporciona una base para analizar en un entorno controlado aquellos fenómenos en la tecnología de aprendizaje de robots cuyas causas no estaban claras hasta ahora.Resumen IA
Artículo2026-10-05 · arXiv (Cornell University)

Un método de recopilación de datos guiado por el rendimiento para mejorar la eficiencia del aprendizaje de robots

Mulligan: Performance-Guided Data Collection for Efficient On-Robot Learning
Chelsea Finn y 6 más
Qué
Los investigadores propusieron Mulligan, una técnica que mejora la eficiencia en el aprendizaje de manipulación de robots mediante la recopilación de datos centrados en estados fallidos y no probados.
Resultado clave
La técnica Mulligan mejoró la tasa de éxito de la tarea final del robot del 10 por ciento al 34 por ciento en comparación con los métodos convencionales.
Por qué importa
Demuestra un avance tecnológico que ayuda a los entrenadores humanos a utilizar el tiempo y el esfuerzo de manera más eficiente al enseñar a los robots.Resumen IA
Artículo2026-10-05 · arXiv (Cornell University)

Desarrollo de H-JEPA, un modelo de IA que aprende estructuras jerárquicas para la planificación visual compleja

H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning
Yann LeCun y 4 más
Qué
Se desarrolló H-JEPA (H-JEPA), un modelo de mundo jerárquico que aprende dividiendo los niveles de abstracción según los horizontes temporales.
Resultado clave
En experimentos con entornos de simulación y videos de robots reales, se logró una mayor tasa de éxito en la planificación y una mayor eficiencia computacional en comparación con los modelos de un solo nivel existentes.
Por qué importa
Puede contribuir a aumentar la eficiencia en el control de robots y tareas visuales que requieren una planificación compleja a largo plazo.Resumen IA
Artículo2026-10-04 · arXiv (Cornell University)

Se presenta 'SheetSage2', una IA para transcribir música en partituras

SheetSage2: Coherent Lead-Sheet Transcription with Synthetic Supervision
Yann LeCun y 6 más
Qué
Se presentó SheetSage2, un modelo integrado de transcripción musical que convierte automáticamente grabaciones de audio en partituras legibles para humanos (lead-sheets).
Resultado clave
El modelo único SheetSage2-AR superó a los sistemas existentes enumerados en 12 de los 15 pares de métricas y puntos de referencia evaluados, mostró mejoras significativas con respecto a su versión anterior SheetSage1, y superó incluso a los modelos dedicados a tareas específicas en algunas pruebas.
Por qué importa
Esta investigación mejora la precisión de la tecnología de transcripción musical, y se han publicado los pesos del modelo y el código de inferencia para su uso en investigaciones o aplicaciones posteriores. Sin embargo, es difícil juzgar la viabilidad comercial o el tamaño del mercado basándose únicamente en el resumen.Resumen IA
Artículo2026-10-01 · arXiv (Cornell University)

Un punto de referencia de 'búsqueda de artículos inspiradores' creado por 184 investigadores

ScholarCatalyst: A Benchmark for Retrieving Papers That Inspire New Research
Chelsea Finn y 13 más
Qué
Creamos ScholarCatalyst, un conjunto de datos donde los primeros autores de 207 artículos recientes de informática indicaron qué artículos anteriores ayudaron realmente a su investigación, y presentamos una tarea de recuperación para encontrarlos.
Resultado clave
La búsqueda basada en agentes (IA que realiza tareas de forma iterativa por sí misma) no mostró un rendimiento superior al de los métodos de búsqueda básicos (una recuperación de 0.42 frente a 0.48 basada en los primeros 20 resultados). Los agentes basados en Claude Fable 5.1 solo alcanzaron 0.51.
Por qué importa
Esto indica que la IA actual aún carece de la intuición experta necesaria para identificar ideas previas necesarias a partir de la vasta literatura de investigación, lo que señala la necesidad de nuevos métodos de entrenamiento. Si bien esto puede verse como un paso adelante para la asistencia de la IA en la investigación científica, la comercialización real o los efectos industriales no se pueden confirmar a partir del resumen.Resumen IA
Artículo2026-09-29 · arXiv (Cornell University)

T2Mem: Una tecnica para entrenar a los robots a recordar escenas pasadas y realizar tareas

T$^2$Mem: Learning Test-Time Memory for Robotics
Fei-fei Li y 6 más
Qué
Para tareas de manipulacion de robot que requieren recordar informacion de observaciones pasadas, proponemos un marco (T2Mem) que anade capacidades de memoria mediante entrenamiento en tiempo de prueba a politicas de robot previamente entrenadas que carecian de funciones de memoria.
Resultado clave
La tasa de exito promedio en 16 tareas de RoboMME aumento del 17.93% para la politica base sin memoria al 56.83%, superando los metodos de memoria recurrente informados en el punto de referencia.
Por qué importa
Esto es significativo al mostrar que la capacidad de los robots para utilizar informacion pasada que no es visible actualmente en la pantalla se puede fomentar utilizando solo datos de demostracion sin dispositivos de memoria externos, aunque el resumen solo cubre resultados en etapa de investigacion, por lo que no se puede confirmar la comercializacion o los efectos en el mercado.Resumen IA
Artículo2026-09-28 · arXiv (Cornell University)

DexAgent genera automáticamente datos de entrenamiento para movimientos de manos de robots a partir de videos de demostración humana

DexAgent: An Agentic Human2Sim2Robot Framework for Dexterous Manipulation with Self-Evolving Tool Library
Fei-fei Li y 4 más
Qué
Proponemos un marco basado en agentes que toma un solo video en primera persona de un humano y una descripción de tarea para generar trayectorias de movimiento de robot físicamente factibles, creando datos para el aprendizaje de robots.
Resultado clave
Las políticas entrenadas con los datos generados por DexAgent en 11 tareas del mundo real mostraron una tasa de éxito 3.5 veces mayor en comparación con los métodos de referencia.
Por qué importa
Demuestra el potencial de automatizar el proceso de convertir videos de demostración humana en datos de aprendizaje para robots, aunque es difícil juzgar el nivel de aplicación industrial o el momento de comercialización solo a partir del resumen.Resumen IA
Artículo2026-09-28 · arXiv (Cornell University)

Investigación sobre JEPA acelera 100 veces los modelos del mundo para conducción autónoma

AD-E2E-JEPA: A Joint-Embedding Predictive Architecture For End-to-End Autonomous Driving
Yann LeCun y 3 más
Qué
Evaluó modelos del mundo basados en predicción (familia JEPA) utilizados en conducción autónoma y propuso una arquitectura mejorada, AD-E2E-JEPA, que reduce significativamente la carga computacional.
Resultado clave
La arquitectura propuesta redujo en 1/16 el número de parches utilizados para la planificación y en 1/4 la dimensión de embedding, aumentando la velocidad de inferencia unas 100 veces mientras mantenía el rendimiento de planificación.
Por qué importa
Esta investigación muestra una dirección para reducir el coste computacional de la IA de conducción autónoma, aunque el efecto de aplicación en vehículos reales y el potencial de comercialización son difíciles de juzgar solo con el resumen.Resumen IA
Artículo2026-09-12

Cohere presenta un modelo de traducción basado en grandes lenguajes rentable

North Small Translate: Advanced Cost-Effective Translation (Cohere CAT+)
Aidan Gomez y 22 más
Qué
Los investigadores han presentado 'North Small Translate', un modelo de traducción automática basado en grandes modelos de lenguaje rentable que ofrece un rendimiento sobresaliente en 50 idiomas.
Resultado clave
Este modelo logró el rendimiento de traducción automática de vanguardia en 50 idiomas entre los grupos de modelos con menos de 1 billón de parámetros.
Por qué importa
Demuestra el potencial para realizar eficazmente diversas tareas de traducción de idiomas y post-edición sin cálculos costosos durante el proceso de inferencia.Resumen IA
Artículo2026-08-24

Tecnología para aprender a actuar mientras el robot piensa

Learning to Act While Waiting: RL Finetuning of Generalist Robot Policies Under Inference Latency
Sergey Levine y 19 más
Qué
Los investigadores han desarrollado ARLI, un marco de aprendizaje por refuerzo consciente de la latencia que resuelve los problemas causados por el tiempo de pensamiento (latencia de inferencia) de los modelos de robots.
Resultado clave
Este nuevo método permite que los robots continúen aprendiendo con éxito incluso en entornos con latencia, mostrando un rendimiento igual o superior al de un entorno ideal sin latencia.
Por qué importa
Abre la posibilidad de que la IA robótica compleja y masiva mejore de forma autónoma su rendimiento en el mundo real sin congelamientos ni interrupciones.Resumen IA
Artículo2026-08-17

Lanzamiento de herramientas de código abierto y plataforma de comparación de rendimiento para el aprendizaje relacional

Advancing Open and Reproducible Relational Learning: RelArena-$\alpha$, TabPFN-Rel and RPI
Yann LeCun y 46 más
Qué
Los investigadores han lanzado como código abierto una plataforma de comparación integrada y dos softwares relacionados para promover la investigación en el campo del aprendizaje relacional.
Resultado clave
Entre las herramientas recién lanzadas, TabPFN-Rel, un modelo para bases de datos relacionales, registró la clasificación más alta en la plataforma de comparación.
Por qué importa
Este lanzamiento puede servir como base para establecer estándares de comparación confiables en el aprendizaje relacional y ayudar en su aplicación en entornos de investigación e industriales.Resumen IA
Artículo2026-08-03

Revelando por qué la agrupación de acciones (action chunking) mejora el rendimiento en el control robótico

Why Does Action Chunking Improve Behavioral Cloning Performance in Robotic Control?
Sergey Levine y 5 más
Qué
Mediante experimentos, se analizaron las causas de la mejora del rendimiento de la técnica de 'agrupación de acciones', en la cual el control robótico predice y ejecuta múltiples acciones a la vez.
Resultado clave
Se demostró que las hipótesis anteriores son incorrectas, se reveló que el factor de éxito clave de la agrupación de acciones es el efecto de 'ensamblaje implícito' que aprende diversas relaciones temporales, y se propuso una nueva política que aprovecha esto.
Por qué importa
Al descubrir los factores clave que mejoran el rendimiento de la tecnología de control robótico, se proporciona una base teórica para el desarrollo de futuros modelos eficientes de aprendizaje de robots.Resumen IA
Artículo2026-06-11 · arXiv.org

Desarrollo de una nueva tecnología para guiar con mayor precisión el comportamiento de los robots

Improving Robotic Generalist Policies via Flow Reversal Steering
Sergey Levine y 4 más
Qué
Para mejorar el rendimiento de las políticas generalistas de robots entrenadas con diversos conjuntos de datos de robots, se evaluó en entornos de control un método llamado Flow Reversal Steering (FRS), que transforma acciones subóptimas en otras mejores.
Resultado clave
El uso de FRS puede traducir instrucciones aproximadas de humanos o modelos de visión-lenguaje en un buen comportamiento robótico, mostrando una mejora absoluta en la tasa de éxito de las tareas de hasta el 95% con menos de 1 minuto de entrenamiento.
Por qué importa
Demuestra el potencial para ayudar a los robots a rendir mejor en nuevas tareas mediante el uso de instrucciones humanas o técnicas existentes.Resumen IA
Artículo2026-05-27 · arXiv.org

Desarrollo de una herramienta de diagnóstico para rastrear la transición entre memorización y generalización en el entrenamiento de inteligencia artificial

A Training-Time Diagnostic for Generalization via the Log-Alignment Ratio
Qué
Se investigó un método de diagnóstico que utiliza la Relación de Alineación Logarítmica (LAR), la cual mide parámetros y activaciones, para rastrear si la inteligencia artificial memoriza datos de forma simple o si realmente está aprendiendo.
Resultado clave
LAR capturó eficazmente los cambios en la capacidad de generalización de la inteligencia artificial y los signos de sobreajuste incluso sin datos de validación adicionales.
Por qué importa
Dado que puede diagnosticar el rendimiento de la IA durante el proceso de entrenamiento sin datos de validación separados, puede contribuir al desarrollo futuro de tecnologías eficientes de gestión de entrenamiento de modelos.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...