AI FRONTIER
Signals worth understanding before they become obvious.
FairStress: una evaluación más profunda de la equidad en la toma de decisiones de los LLM
Ai2 presenta FairStress, un benchmark de 300 escenarios de decisión entre dos candidatos en 29 dominios que evalúa si los modelos cambian de decisión de forma asimétrica ante prefijos adversarios; combinar variaciones de identidad y prefijo lo amplía a más de 13 millones de casos de prueba.
- FairStress contiene 300 escenarios realistas de decisión entre dos candidatos en 29 dominios, incluidos contratación, salud, préstamos, educación, vivienda y justicia penal.
- Combinar la identidad demográfica y las variaciones de prefijo adversario amplía los 300 escenarios a más de 13 millones de casos de prueba.
- FairStress-Core es un subconjunto de 50 000 elementos seleccionado mediante teoría de respuesta al ítem para hacer la evaluación más rápida y menos costosa computacionalmente.
- El artículo reporta una brecha promedio al abandonar respuestas correctas en 15 modelos de 6,9 puntos porcentuales con identidad implícita y 9,3 puntos con etiquetas explícitas.
Los desarrolladores deberían ampliar la evaluación de equidad más allá de la elección final hacia la estabilidad de la decisión, ya que la puntuación de opciones fijas puede pasar por alto la sobrecorrección en decisiones generadas.
ALTK-Evolve: la memoria aprendida lidera la tabla de τ²-bench en tareas de atención al cliente sin un modelo de frontera
ALTK-Evolve de IBM Research extrae pautas de comportamiento de los propios intentos de tarea del agente y las añade al prompt del sistema, mejorando agentes de atención al cliente sin actualizar los pesos del modelo. Un agente ReAct con GPT-4.1 alcanza 67,5 % de Pass^4 en τ²-bench retail, por encima de todas las entrad...
- Retail: el Pass^4 base era 57,5 %; la configuración lossless (292 pautas) lo elevó a 67,5 % (+10,0 puntos), y la precisión media subió de 78,1 % a 82,5 % (+4,4).
- Airline: el Pass^4 base era 35,0 %; la configuración sup3 (14 pautas) lo elevó a 45,0 % (+10,0), y la precisión media lossless subió de 57,5 % a 65,0 % (+7,5).
- Tabla retail: Pass^4 = 67,5 %, por delante de RAFT-30B-A3B (61,4 %), un modelo ajustado con datos retail sintéticos de τ²-bench, por 6,1 puntos.
- Tabla airline: el agente con gpt-5.5 alcanza 82,0 % de Pass^4, superando todas las entradas de frontera (66–72 %); la configuración sup3 con gpt-4.1 alcanza 44 %, en el puesto 8.
La memoria aprendida a nivel de prompt puede elevar un agente con modelo estándar al nivel de frontera sin ajuste de pesos, con el coste recayendo sobre todo en tokens de entrada cacheables.
Ant Ling libera como código abierto la serie de voz Ming-3.0: cinco modelos que cubren síntesis, reconocimiento y comprensión
Ant Ling ha liberado como código abierto la serie de voz Ming-3.0, compuesta por cinco modelos que cubren síntesis de voz, reconocimiento de voz y comprensión de voz.
- La publicación proviene de Ant Ling.
- La serie de voz Ming-3.0 consta de cinco modelos.
- La cobertura abarca síntesis, reconocimiento y comprensión de voz.
Para los desarrolladores, obtener en una sola publicación cinco modelos de voz abiertos que cubren síntesis, reconocimiento y comprensión reduce el costo de combinar modelos de distintas fuentes en una canalización de voz.
Claves API filtradas en los LLM: cómo los agentes de IA exponen secretos
Un resumen de artículo aborda las claves API filtradas en los LLM, enmarcado en cuestiones de capacidad, evaluación o alineación de grandes modelos de lenguaje y dirigido a lectores que siguen métodos y resultados experimentales.
- La fuente es el blog de GitGuardian, con el título «Leaked API Keys in LLMs: How AI Agents Expose Secrets».
- El resumen indica que el trabajo aborda cuestiones de capacidad, evaluación o alineación de grandes modelos de lenguaje.
- El resumen indica que el trabajo es adecuado para lectores interesados en métodos y resultados experimentales.
Quienes construyen agentes LLM deben tratar las claves API como secretos que pueden quedar expuestos y diseñar sus defensas partiendo de esa premisa.
NVIDIA Cosmos3-H-Dreams: dar vida a la cirugía clínica mediante simulación generativa
NVIDIA publica Cosmos3-H-Dreams, un simulador quirúrgico generativo en tiempo real basado en Cosmos3-H-Embodied-Nano de 16 mil millones de parámetros y entrenado con vídeo de colecistectomía clínica y cinemática robótica, que se ejecuta de forma interactiva en una sola GPU NVIDIA RTX PRO 6000.
- Se basa en Cosmos3-H-Embodied-Nano, un modelo de 16 mil millones de parámetros preentrenado en Open-H-Embodiment.
- El entrenamiento usa vídeo de 832 x 480 con acciones alineadas a 10 Hz y 28 dimensiones de acción.
- El modelo profesor se adapta primero con 24 fotogramas futuros y luego se extiende a 72 fotogramas, 2,4 y 7,2 segundos a 10 Hz.
- Se publican checkpoints de eliminación de ruido de cuatro y dos pasos; el modelo de dos pasos se entrena por separado, no es el modelo de cuatro pasos ejecutado con menos pasos de muestreo.
Los desarrolladores pueden adaptar este modelo de mundo quirúrgico en tiempo real a sus propios vídeos y datos de controlador con la receta proporcionada de ajuste fino del profesor y destilación Self-Forcing.
AnyLanguageModel 1.0: un año de modelos locales en plataformas Apple
AnyLanguageModel 1.0 se publica como reemplazo directo del framework Foundation Models de Apple, de modo que el mismo código de sesión puede usar el modelo del sistema, modelos de pesos abiertos mediante llama.cpp, MLX y Core ML, y varios proveedores alojados.
- Cambiar import FoundationModels por import AnyLanguageModel permite que el mismo código de sesión funcione con el modelo del sistema, llama.cpp, MLX, Core ML y proveedores alojados.
- La llamada a herramientas y la generación guiada ya funcionan con todos los proveedores, incluidos tipos @Generable anidados y sus arrays.
- Los proveedores alojados incluyen las API Chat Completions y Responses de OpenAI, Open Responses, la API Messages de Anthropic, la API Gemini de Google, Ollama, Private Cloud Compute y Hugging Face Inference Providers.
- Los modelos citados en el artículo incluyen Gemma 4 E2B (GGUF, unos 3,4 GB en Q4_0), LFM2.5 2.6B (GGUF, unos 1,7 GB en Q4_K_M), Qwen3.8 27B (MLX, unos 16 GB en 4 bits) y GLM-5.3 (unos 1,5 TB en BF16).
Para los desarrolladores en plataformas Apple, cambiar una línea de import hace que la inferencia local y la alojada compartan el mismo código de sesión, reduciendo el trabajo de integración por proveedor.
OpenMOSS-Team publica MOSS-Image-SFT, un modelo texto-imagen de 5,1B bajo Apache-2.0
MOSS-Image-SFT es un modelo texto-imagen ajustado con supervisión de la familia MOSS-Image de OpenMOSS, derivado de MOSS-Image-Base con la misma arquitectura y canalización de inferencia, y admite prompts en lenguaje natural, secuencias de etiquetas y diseños JSON para controlar la colocación de texto y la disposición ...
- El modelo tiene 5B parámetros, y sus pesos y el código de inferencia incluido se publican bajo la Licencia Apache, versión 2.0.
- La ficha del modelo indica que el SFT produce una agrupación de texto más clara y una disposición de pizarra más organizada que MOSS-Image-Base.
- Su ejecución requiere Python 3.10 o posterior, una GPU NVIDIA con soporte CUDA y una compilación de PyTorch 2.9 o posterior.
- Los ajustes de muestreo predeterminados son Flow-matching Euler, 50 pasos, CFG 3, Shift 5, con omisión de la capa de índice 22 en la rama negativa.
Para los desarrolladores, un modelo texto-imagen de 5B bajo Apache-2.0 con control por diseño JSON puede integrarse directamente en canalizaciones creativas que exigen colocación precisa de texto y objetos.