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 · Eficiencia de inferencia

Aún no hay fichajes con estos filtros.

Artículos · 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
Artículo2026-10-07 · 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

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)

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
Artículo2026-09-29 · 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
Artículo2026-09-29 · 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)

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
Artículo2026-09-28 · 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
Artículo2026-07-02 · arXiv.org

Google presenta la IA de código abierto 'Gemma 4' con mayor rendimiento y eficiencia

Gemma 4 Technical Report
Qué
Google ha desarrollado 'Gemma 4', un modelo de lenguaje multimodal de código abierto de próxima generación con mayor eficiencia computacional y capacidades de razonamiento.
Resultado clave
El rendimiento ha mejorado significativamente en varias métricas de evaluación, incluyendo Ciencia, Tecnología, Ingeniería y Matemáticas (STEM) y multimodalidad.
Por qué importa
Esto indica que se ha ampliado el abanico de opciones de modelos de IA de código abierto capaces de resolver problemas complejos con menos recursos.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...