Fecha base 2026-11-03
Última ejecución 2026-11-03 23:30:04
S&P 500
7,569
NDX 100
28,180
VIX
20.83
US 10Y
4.95%
DXY
101.89
WTI
$96.70
Gold
$3,938
USD/KRW
1,343
SOX
10,600
Trump Approve
35.4%
S&P 500
7,569
NDX 100
28,180
VIX
20.83
US 10Y
4.95%
DXY
101.89
WTI
$96.70
Gold
$3,938
USD/KRW
1,343
SOX
10,600
Trump Approve
35.4%
AI LEADERS · MOVES & PAPERS

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

LAST UPDATE 2026-11-04 08:05 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 · Eficiencia de inferencia

Aún no hay fichajes con estos filtros.

Artículos · Nuevos laboratorios · Eficiencia de inferencia

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
Artículo2026-10-06

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
Artículo2026-09-29 · 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)

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

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...