Today’s frontier report
Research Pool → Multi-Scout → Editor → Edition
3qk7 · AI LOCAL LABS TECHNICAL SCOUTING

AI FRONTIER

Signals worth understanding before they become obvious.

2026-11-13
01
testdeveloperopen source unlock

LLMON: un lenguaje de marcado nativo para LLM, ahora en Granite 4.1 3B y 8B

IBM publicó dos modelos de vista previa experimentales, granite-4.1-3b-LLMON-preview y granite-4.1-8b-LLMON-preview, derivados de los modelos base Granite 4.1 y entrenados para leer y generar texto marcado con LLMON, que separa las instrucciones de los datos para contrarrestar la inyección indirecta de prompts.

  • En el benchmark OPI, los modelos LLMON evitaron un 47 % más de ataques que el mejor modelo de frontera probado y un 95 % más que el mejor modelo de código abierto.
  • LLMON define seis delimitadores instalados en el tokenizador como tokens únicos reservados.
  • El entrenamiento usó cinco etapas GRPO secuenciales seguidas de una etapa DPO final sobre mil pares de preferencias on-policy.
  • Los modelos son una vista previa experimental, lista para exploración y evaluación pero no para producción.

Los desarrolladores de agentes RAG o de llamada a herramientas pueden adoptar las vistas previas LLMON para obtener un rendimiento general comparable a Granite 4.1 Instruct con mayor resistencia a la inyección de prompts.

Hugging Face Blog
02
testcreativeincremental

Guía de fine-tuning para los modelos de generación 3D TRELLIS.2: adaptadores LoRA y contenedores

Hugging Face publica scripts y contenedores de fine-tuning para TRELLIS.2 que entrenan adaptadores LoRA solo en el sparse-structure flow DiT y el shape flow DiT, con el objetivo de mejorar la geometría de las suelas en 188 objetos de calzado de GSO.

  • El experimento usa 188 objetos de calzado de GSO, que contiene 1.030 objetos en total.
  • Se entrenan aproximadamente 9,3 millones de parámetros de adaptador en ambos DiT objetivo: rango 8 en las capas de atención y MLP del sparse-structure flow DiT, y rango 16 en las capas de atención del shape flow DiT.
  • El contenedor de preprocesamiento renderiza 16 vistas por objeto con Blender, y la ejecución completa para 188 objetos tardó aproximadamente 1 hora en un trabajo a100-large (80 GB).
  • El contenedor de entrenamiento ofrece las configuraciones ss y shape; los ejemplos establecen max_steps=3000 e i_save=500, y los checkpoints de los adaptadores pueden subirse al Hub.

Para conjuntos de datos 3D pequeños, congelar el texture flow DiT y añadir LoRA solo a los DiT relacionados con la forma permite corregir defectos geométricos con cómputo limitado.

Hugging Face Blog
03
watchresearchcapability unlock

Google Research presenta perfilado de riesgo CKM y coaching personalizado con wearables

Google Research presenta un marco de aprendizaje automático en fase de investigación que traduce señales pasivas de wearables en una edad de salud modificable, usa un modelo del mundo condicionado por acciones para simular trayectorias de hábitos personalizadas de 12 semanas y se amplía a biomarcadores sanguíneos rutin...

  • Los médicos calificaron el 99,2 % de los planes contrafactuales dentro de límites seguros de intensidad de ejercicio y el 97,6 % como precisos en afirmaciones fisiológicas.
  • El modelo multimodal de edad de salud CKM se evaluó en 819 participantes de WEAR-ME, combinando señales de wearables con el cociente colesterol/HDL, eGFR y HOMA-IR.
  • Los autores indican que las evaluaciones se realizaron offline con cohortes de investigación retrospectivas y que los modelos son prototipos de investigación, no herramientas de diagnóstico clínico.

Para los desarrolladores de IA, esto muestra un patrón en bucle cerrado donde un modelo del mundo genera trayectorias contrafactuales y un modelo de lenguaje las convierte en coaching accionable, validado mediante revisión experta ciega y m...

Google Research
04
watchagentscapability unlock

Google Antigravity añade «agentes remotos» que ejecutan agentes de IA en la nube

Google Antigravity añade una función de «agentes remotos» en la que los agentes de IA se ejecutan en la nube y siguen trabajando fuera del horario laboral.

  • La función se llama «agentes remotos» y los agentes de IA se ejecutan en la nube.
  • Según Publickey, los agentes de IA siguen trabajando fuera del horario laboral.

Para los builders, los agentes alojados en la nube amplían la ejecución más allá de una sola sesión, por lo que el traspaso y la supervisión deben diseñarse para ejecuciones sin supervisión.

Publickey
05
watchresearchbenchmark jump

Estudio: la IA reduce la búsqueda de vulnerabilidades de nueve meses a 90 horas

Según un estudio reportado por All About SECURITY, la IA redujo el tiempo de búsqueda de vulnerabilidades de nueve meses a 90 horas.

  • El informe indica que el tiempo de búsqueda de vulnerabilidades pasó de nueve meses a 90 horas.
  • Fuente: All About SECURITY.

Para los constructores de IA, esta reducción reportada indica que la búsqueda de vulnerabilidades asistida por IA puede comprimir sustancialmente los plazos de investigación en seguridad.

All About SECURITY