Anthropic abrió el 14 de agosto de 2024 la caché de prompts para Claude. La función prometía ahorrar hasta un 90% en la entrada repetida, pero aprovecharla exige separar el contexto estable, medir aciertos y no confundir caché con memoria.
Ilya Sutskever, cofundador y ex científico jefe de OpenAI, lanza Safe Superintelligence junto a Daniel Gross y Daniel Levy. La empresa promete dedicar toda su actividad a crear una superinteligencia segura, sin productos comerciales intermedios.
DeepSeek publicó el 17 de junio de 2024 Coder V2, una familia de modelos de código con 236.000 millones de parámetros totales y 21.000 millones activos. Su comparación con GPT-4 Turbo exige leer tarea, métrica, arquitectura y licencia por separado.
Anthropic publicó el 21 de mayo de 2024 un autoencoder disperso con 34 millones de rasgos para una capa intermedia de Claude 3 Sonnet. Activar el rasgo asociado al puente Golden Gate alteró las respuestas, una prueba causal limitada, no una radiografía completa.
Mark Zuckerberg ha situado la inteligencia artificial general como objetivo de Meta. La empresa prevé contar a finales de 2024 con unas 350.000 GPU H100 y una capacidad total equivalente a 600.000 de estos chips.
La noticia de Q* partía de fuentes anónimas y no incluía pruebas públicas. Este método separa documento, atribución, métrica e interpretación para informar de una filtración sin convertirla en AGI.
La ronda de Anthropic financió Claude y su investigación, pero la seguridad exige amenazas, pruebas, controles y riesgo residual verificables.
El aprendizaje multitarea no mejora por acumular objetivos. Esta guía enseña a medir qué comparten las tareas, cuándo aparece transferencia negativa y qué comparación demuestra una ganancia real.
Fraude, alertas de blanqueo y crédito exigen etiquetas, errores y controles distintos. Aprenda a reconstruir la decisión.
Conducción y rutas usan ML en decisiones distintas: aprende a separar estimadores, planificadores, controles y restricciones de flota.
El futuro de la IA no se lee en una lista de predicciones. Se estudia siguiendo qué limitación resuelve una técnica, qué evidencia la respalda, qué coste desplaza y si sobrevive fuera del benchmark.
Una GAN enfrenta a un generador con un discriminador, pero una imagen convincente no demuestra variedad, ausencia de copia ni fidelidad al mundo. Esta guía explica cómo funciona el juego y cómo evaluar sus resultados.
Este sitio web utiliza cookies para mejorar la experiencia de navegación. Política de cookies.
Sin resultados. Prueba con otras palabras.
