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.

2026-11-20
01
testmodelscost collapse

DaisyRose-27B: ampliar la frontera de la eficiencia del post-entrenamiento

RadixArk publica DaisyRose-27B, su primer modelo, construido sobre Qwen3.8-27B y entrenado con aprendizaje por refuerzo usando Miles en tareas de agente de horizonte largo, con sesiones de hasta 1M de tokens, a partir de solo 1.200 tareas seleccionadas en 18 días en 144 GPU H200.

  • El pass@1 en Terminal-Bench 4.1 mejora del 5,6 % al 12,0 %.
  • Los checkpoints están disponibles bajo Apache 2.0 en BF16, FP8 y NVFP4.
  • El modelo conserva la arquitectura, el tokenizador, la plantilla de chat, la comprensión de imágenes y la ventana de contexto de 256K tokens de Qwen3.8-27B.
  • El entrenamiento se ejecutó durante semanas en 144 H200, con 63.000 GPU-horas en total.

Para quienes construyen agentes, DaisyRose-27B muestra que unas 1.200 tareas seleccionadas y 18 días de entrenamiento pueden duplicar una puntuación de benchmark de terminal mientras se publican checkpoints bajo Apache 2.0.

Hugging Face Blog
02
watchdeveloperincremental

Cómo la Performance Factory de OpenAI mantiene rápido a ChatGPT

OpenAI construyó la Performance Factory, un sistema de flujos de trabajo impulsados por Codex que encuentra y corrige problemas de rendimiento para ayudar a mantener rápido a ChatGPT.

  • La Performance Factory es un sistema de flujos de trabajo impulsados por Codex.
  • Encuentra y corrige problemas de rendimiento.
  • OpenAI indica que el objetivo es ayudar a mantener rápido a ChatGPT.

Para los equipos que construyen productos de IA, esto muestra cómo los flujos de trabajo de generación de código pueden automatizar el diagnóstico y la corrección del rendimiento en lugar de depender solo del ajuste manual.

OpenAI News
03
testresearchincremental

Una teoría diferencial de los compromisos calidad-recursos para la selección de modelos de IA: la frontera multirrecurso y su precio minimax

El artículo desarrolla una teoría diferencial que representa las fronteras calidad-recursos como una curva plana independiente del precio, relacionando el número efectivo de canales de recursos activos, N_eff = s²/κ, con la profundidad de error logarítmico restante, ΔS = ln(ε/ε∞). Cuando cada uno de los N recursos apor...

  • El artículo reporta haber evaluado la teoría en 117 fronteras publicadas.
  • La teoría deriva precios de recursos minimax λ*_i = α_i/(N+1) con un arrepentimiento exacto en el peor caso de ln(N+1) nats.
  • Cuando cada uno de los N recursos aporta un canal activo, la teoría da la regla operativa sin parámetros N_eff = 1 en unidades entregadas.
  • La teoría está implementada en el paquete de código abierto nn-rank, que deriva precios a partir de la calidad y el costo medidos, clasifica candidatos y reporta opciones respaldadas y arrepentimiento minimax.

Los constructores de IA pueden usar nn-rank para derivar precios de recursos a partir de la calidad y el costo medidos y clasificar candidatos sin tasas de cambio elegidas a mano, obteniendo además una garantía cuantificada de arrepentimien...

arXiv stat.ML
04
testresearchcapability unlock

Bits, Not Boxes: selección de capas sin etiquetas para localización visual en VLM

El artículo presenta WhereBits, que convierte bits where-to-look medidos en preguntas sin etiquetar en un prior de capas y los combina con puntuaciones contrastivas por cabeza para seleccionar capas que localizan el objeto consultado, sin anotaciones de cajas ni reglas fijas.

  • El artículo reporta que WhereBits alcanza una precisión de señalamiento en COCO de 0,72, frente a 0,22 de mean attention.
  • En ocho VLM, WhereBits iguala la precisión de señalamiento de capas ajustadas con cajas en COCO y RefCOCO y clasifica mejor los tokens objetivo.
  • La ventaja se mantiene en una familia de modelos reservada y a resoluciones más altas.
  • En zoom-in sin entrenamiento, sus recortes elevan la precisión de V* en 6,0 puntos bajo evaluación de elección forzada.

Para quienes construyen pipelines de localización con VLM, la selección de capas puede recalibrarse para un nuevo modelo o resolución usando solo preguntas sin etiquetar, eliminando la necesidad de anotaciones de cajas.

arXiv cs.CV
05
testmodelsopen source unlock

Tencent publica Hy4-flash: un modelo MoE multimodal de 220B parámetros y 12B activos

Hy4-flash de Tencent usa una arquitectura Mixture-of-Experts con 220B parámetros totales y 12B activos por token, acepta de forma nativa entradas de texto e imagen, admite una ventana de contexto de hasta 1M tokens y se publica bajo la Tencent Hy License.

  • 220B parámetros totales (incluidos 64B parámetros Engram) con 12B parámetros activos por token; el backbone de lenguaje de 42 capas tiene una capa densa y 41 capas MoE.
  • Longitud de contexto de 1M (1.048.576 tokens); el codificador de visión está adaptado de SigLIP2-So400m-Patch16-Res512 y se conecta al backbone mediante un proyector MLP.
  • Un drafter integrado de 5 capas, DFly2 (0,85B parámetros), reutiliza la caché KV y los índices sparse del modelo objetivo para decodificación especulativa de contexto largo.
  • Los pesos abiertos se publican bajo la Tencent Hy License como Hy4 flash, Hy4 flash-FP8 y el modelo preentrenado Hy4 flash-base.

Para los desarrolladores, Hy4-flash combina 12B parámetros activos con contexto de 1M tokens y entrada de imagen nativa, y la reducción reportada de la caché KV junto con más de 150 tokens/s de decodificación podría aliviar la memoria y el ...

Hugging Face Trending
06
watchothercapability unlock

Los modelos de OpenAI avanzan en el diseño de chips: optimizan circuitos del silicio Jalapeño y mejoran diseños de núcleos RISC-V

OpenAI afirma que sus modelos optimizaron circuitos usados en el silicio Jalapeño y mejoraron diseños de núcleos RISC-V, lo que muestra avances en el diseño de chips asistido por IA con GPT-6 Astra.

  • Los modelos de OpenAI optimizaron circuitos usados en el silicio Jalapeño.
  • Los modelos de OpenAI mejoraron diseños de núcleos RISC-V.
  • OpenAI presenta esto como un avance en el diseño de chips asistido por IA con GPT-6 Astra.

Para los equipos de diseño de chips, esto indica que los modelos de OpenAI se aplican a trabajo real de circuitos de silicio y diseño de núcleos RISC-V, no solo a demostraciones conceptuales.

OpenAI News
07
watchresearchincremental

Artículo: la controlabilidad del razonamiento en cadena puede reducir su monitorizabilidad

El artículo pone a prueba el riesgo de la monitorización del razonamiento en cadena mediante entrenamiento de control de persona: ajuste supervisado sobre trazas de razonamiento matemático reescritas con las voces de diversas personas. Esto induce una capacidad más amplia de control del CoT, aunque el entrenamiento no ...

  • El entrenamiento es un ajuste supervisado sobre trazas de razonamiento matemático reescritas con las voces de diversas personas, sin ejemplos de evasión de monitores en los datos.
  • En evaluaciones de intervención, el ocultamiento explícito a menudo lleva la monitorizabilidad cerca de cero.

Los equipos que construyen monitores de agentes deberían tratar el ajuste de persona como un factor que puede debilitar la monitorizabilidad del CoT y probar indicaciones de transparencia dirigidas como mitigación.

arXiv cs.AI
08
testdeveloperincremental

Por qué tu trabajo de fine-tuning tarda más de lo que dicen los FLOPs

Dharma-AI comparó estimaciones analíticas basadas en FLOPs con predictores aprendidos en 272 trabajos SFT de producción (unos 7.382 GPU-horas en NVIDIA H200): la línea base de FLOPs solo alcanzó R² 0,31, mientras que un regresor CatBoost que usa únicamente información disponible antes del dispatch alcanzó R² 0,98.

  • 272 ejecuciones SFT que suman unas 7.382 GPU-horas, ejecutadas en 1, 2 o 4 GPU H200 en 1 a 4 nodos, con duraciones de 1,6 a 172,4 horas.
  • La línea base de FLOPs (MFU 30 %) obtuvo R² 0,31 y MAE 12,41 h; con MFU 45 % el R² fue 0,18 y con MFU 60 % fue 0,01.
  • CatBoost alcanzó R² 0,98, MAE 1,71 h y error mediano 0,51 h en validación cruzada de 5 particiones, usando solo características de configuración previas al dispatch.
  • El modelo analítico Calculon produjo estimaciones que corresponden a una mediana de solo el 11 % del tiempo real observado.

Para los planificadores de clústeres GPU compartidos, un predictor de gradient boosting basado en la configuración puede aportar estimaciones de duración utilizables antes del dispatch, algo que el cálculo basado solo en FLOPs no logra.

Hugging Face Blog