AI FRONTIER
Signals worth understanding before they become obvious.
ccore/Qwen3.5-4B-3D-Coder: una vista previa abierta de 4B centrada en escenas 3D de Three.js
ccore publica una vista previa temprana de un ajuste fino independiente basado en Qwen/Qwen3.5-4B, orientado a la programación general y a la generación de escenas 3D interactivas con Three.js, con pesos FP16, cuantizaciones GGUF, el conjunto de datos de entrenamiento y un informe técnico ya disponibles.
- El modelo tiene 4,5B de parámetros; el repositorio indica 5B params con tipo de tensor F16.
- Se publica bajo licencia Apache 2.0 y es un ajuste fino independiente basado en Qwen/Qwen3.5-4B, no un lanzamiento oficial de Qwen.
- El conjunto de datos de entrenamiento CCORE Three.js 3D Scenes es público con 4.146 ejemplos de escenas (3.933 entrenamiento / 213 validación) bajo licencia MIT.
- Las versiones GGUF Q4_K_M y Q8_0 aceptan entradas de imagen con el proyector visual BF16 opcional de aproximadamente 644 MiB, probado localmente con llama.cpp b11889.
Un modelo de programación de clase 4B con conjunto de datos abierto y pesos GGUF permite a los desarrolladores prototipar localmente escenas 3D de Three.js y generación guiada por imagen con un contexto configurado de 64K.
Pronóstico por ensamble con modelos de series temporales IBM Granite
IBM Research publicó Granite Timeseries Ensemble, que combina cuatro modelos Granite preentrenados en una interfaz de pronóstico extensible que devuelve pronósticos de mediana y cuantiles sin reentrenamiento ni pesos de ensamble ajustados.
- Los cuantiles predeterminados van de 0,1 a 0,9, donde los cuantiles 0,1 y 0,9 definen un intervalo de pronóstico central con cobertura nominal del 80 %.
Para los desarrolladores de IA, el ensamble ofrece un punto de partida predeterminado que evita elegir una sola arquitectura de antemano, pero el margen de MASE es pequeño, por lo que el beneficio principal es la robustez y debe sopesarse f...
Google presenta agentes de IA que diseñan ADN y aprenden del laboratorio
Según un reportaje de Pasquale Pillitteri, Google presentó agentes de IA que diseñan ADN y aprenden de la retroalimentación del laboratorio.
- La fuente es un reportaje de Pasquale Pillitteri.
- El reportaje indica que Google presentó agentes de IA que diseñan ADN y aprenden del laboratorio.
Para los constructores de IA, esto señala una dirección de investigación que combina agentes con retroalimentación de laboratorio en bucle cerrado para el diseño de ADN.