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 · Agentes y programación

Aún no hay fichajes con estos filtros.

Artículos · Agentes y programación

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)

Mejora del rendimiento de la IA de admisión psiquiátrica mediante entrenamiento en entornos simulados

Training language models in simulation for psychiatric intake
Mark Chen y 55 más
Qué
Los investigadores demostraron que los modelos de lenguaje entrenados mediante aprendizaje por refuerzo en un entorno simulado mejoran significativamente las capacidades de admisión inicial psiquiátrica basada en texto estructurado.
Resultado clave
En evaluaciones en las que participaron psiquiatras, la inteligencia artificial entrenada superó al modelo base en múltiples métricas, incluyendo la puntuación clínica, la comunicación centrada en el paciente y la idoneidad del diagnóstico diferencial.
Por qué importa
Esto demuestra que los entornos simulados pueden servir como un banco de pruebas útil para entrenar inteligencia artificial conversacional en psiquiatría y verificar su seguridad.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
Artículo2026-10-08 · Science

Demostrando automáticamente problemas matemáticos sin resolver con IA

Advancing mathematics research with AI-driven formal proof search
Pushmeet Kohli y 20 más
Qué
Desarrollamos un agente de inteligencia artificial que busca pruebas matemáticas a gran escala utilizando un lenguaje en el que un compilador verifica los pasos de la prueba.
Resultado clave
Este agente de inteligencia artificial logró resolver de forma autónoma varios problemas matemáticos y conjeturas sin resolver.
Por qué importa
Demostró el potencial de la inteligencia artificial para impulsar descubrimientos matemáticos autónomos.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)

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
Artículo2026-10-06 · 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)

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
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
Artículo2026-10-04 · 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
Artículo2026-10-01 · arXiv (Cornell University)

VISTA: Investigación sobre la mejora del rendimiento de agentes de IA multimodales mediante memoria visual

VISTA: A Visual Harness for Reasoning in an Interactive World
Kaiming He y 4 más
Qué
Los investigadores propusieron 'VISTA', un arnés visual diseñado para ayudar a los modelos de IA multimodal que manejan imágenes y texto a resolver mejor tareas en entornos visuales interactivos.
Resultado clave
Informaron que al aplicar VISTA en ARC-AGI-3, la puntuación de eficiencia de acción humana relativa aumentó de 40.68 a 100.00, completando los 25 juegos públicos con un 57.4% menos de acciones que el humano participante inicial.
Por qué importa
Esto demuestra que agregar funciones de memoria visual y recuperación a los modelos existentes fue efectivo en tareas de juegos visuales específicos. Sin embargo, dado que el resumen presenta solo unos pocos resultados de evaluación comparativa, es prematuro concluir que se pueda aplicar ampliamente en entornos industriales reales.Resumen IA
Artículo2026-10-01 · arXiv (Cornell University)

Un framework RPG donde los robots mejoran sus propias habilidades mediante práctica en simulación

Reconstruct, Practice, Go Real: Guided Self-Improvement for Embodied Agents
Pieter Abbeel y 9 más
Qué
Se propuso un framework RPG que mejora autónomamente los sistemas de tareas robóticas sin intervención humana adicional.
Resultado clave
En nuevas pruebas de condiciones iniciales en 22 tareas de manipulación, la tasa de éxito aumentó del 28,6% después de la primera práctica al 95,0% después de 15 rondas, y las 30 pruebas con robots reales fueron exitosas.
Por qué importa
Este estudio demuestra el potencial de mejorar el software de control de robots con menos esfuerzo humano, aunque el nivel de aplicación industrial real o comercialización es difícil de juzgar solo a partir del 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)

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
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
Artículo2026-06-10 · arXiv.org

Desarrollo de un método de evaluación para identificar con precisión errores en agentes de IA

Layer-Isolated Evaluation: Gating the Deterministic Scaffold of a Production LLM Agent with a No-LLM, Regression-Locked Test Harness
Alexandr Wang y 2 más
Qué
Los investigadores desarrollaron un sistema de evaluación que divide la estructura de los agentes de IA en múltiples capas para inspeccionar de forma independiente y rápida los errores en cada capa.
Resultado clave
Se confirmó que, incluso cuando la tasa de éxito general apenas cambia, la puntuación de una capa específica con problemas cae drásticamente, lo que permite identificar con precisión la causa raíz.
Por qué importa
Esto puede contribuir a mejorar la estabilidad de los sistemas de IA y a encontrar rápidamente la causa cuando ocurren problemas.Resumen IA
Artículo2026-06-09 · arXiv.org

Análisis de las limitaciones en la evaluación de agentes conversacionales por jueces LLM

Catching One in Five: LLM-as-Judge Blind Spots in Production Multi-Turn Transaction Agents
Alexandr Wang y 2 más
Qué
Utilizando agentes conversacionales de pedidos de comida en producción, medimos qué tan efectivamente los jueces basados en modelos de lenguaje grande detectan defectos reales en comparación con una inspección humana exhaustiva.
Resultado clave
Los jueces LLM no lograron detectar ni siquiera una cuarta parte de los problemas sistemáticos identificados por humanos, y en ciertos lotes registraron cero detecciones.
Por qué importa
Esto sugiere que los métodos de evaluación automatizados sirven meramente como una línea base mínima y no pueden reemplazar completamente la revisión humana.Resumen IA
Artículo2026-05-06 · arXiv.org

Desarrollo de una plataforma para evaluar los riesgos de seguridad de los agentes de IA

DecodingTrust-Agent Platform (DTap): A Controllable and Interactive Red-Teaming Platform for AI Agents
Percy Liang y 16 más
Qué
Se desarrolló una plataforma y herramientas de ataque automatizadas para evaluar los riesgos de seguridad de los agentes de IA en varios entornos del mundo real.
Resultado clave
Esto reveló patrones sistemáticos de vulnerabilidad en varios agentes de IA y proporcionó información sobre la seguridad.
Por qué importa
Puede utilizarse como datos de base útiles para desarrollar la próxima generación de agentes de IA seguros.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...