Artículos Relacionados con Eficiencia

El Centro de Noticias de HTX ofrece los artículos más recientes y un análisis profundo sobre "Eficiencia", cubriendo tendencias del mercado, actualizaciones de proyectos, desarrollos tecnológicos y políticas regulatorias en la industria de cripto.

Apple reinventa la compresión de imágenes con IA: la misma calidad, pero con archivos que ocupan solo un tercio

Apple ha reinventado la compresión de imágenes con IA. Su nuevo codec PICO genera archivos de entre un tercio y la mitad del tamaño en comparación con estándares como JPEG AI, AV1 o VVC, manteniendo una calidad visual percibida equivalente para el ojo humano. Para lograrlo, Apple superó varios desafíos clave de los compresores de tipo "perceptual", que priorizan la experiencia visual sobre métricas matemáticas como PSNR. PICO introduce un innovador modelo de contexto "one-shot" para acelerar la codificación de entropía, una función de pérdida (TextFidelityLoss) que preserva la fidelidad del texto evitando artefactos, y otra (TilingArtifactLoss) que elimina las diferencias de color en los bordes al procesar la imagen por bloques. Los resultados se validaron mediante una prueba humana a gran escala con más de 74.000 comparaciones. Además, PICO es práctico: en un iPhone 17 Pro Max, codifica una foto de 12 MP en 230 ms. El trabajo, liderado por Oren Rippel, marca un hito al resolver sistemáticamente los problemas de velocidad y calidad que impedían la adopción de la compresión perceptual aprendida en dispositivos del mundo real.

marsbit05/30 02:50

Apple reinventa la compresión de imágenes con IA: la misma calidad, pero con archivos que ocupan solo un tercio

marsbit05/30 02:50

El exalumno post-00 de Tsinghua, Wang Guan, presenta otra innovación: revolucionando los modelos de preentrenamiento Transformer con 1/900 tokens y 1/432 de potencia computacional

El equipo de Wang Guan, egresado de la Universidad Tsinghua, ha presentado HRM-Text, un nuevo modelo de preentrenamiento que desafía el paradigma tradicional de los grandes modelos de lenguaje. Sustituyendo el Transformer estándar por un Modelo Recurrente Jerárquico (HRM) y utilizando un objetivo de entrenamiento directo en pares instrucción-respuesta, HRM-Text logra un rendimiento comparable a modelos de código abierto de 2B a 7B de parámetros, pero con una fracción mínima de los recursos. Concretamente, el modelo de 1B de parámetros se entrenó con solo 40B de tokens únicos, utilizando aproximadamente 100-900 veces menos tokens y 96-432 veces menos cómputo estimado que los modelos baseline estándar, a un costo cercano a los 1500 USD. Aún así, alcanzó puntuaciones destacadas en benchmarks clave: MMLU (60.7%), ARC-C (81.9%), DROP (82.2%), GSM8K (84.5%) y MATH (56.2%). La arquitectura HRM emplea módulos de actualización lenta (H) y rápida (L), permitiendo múltiples pasos recurrentes por token para aumentar la profundidad computacional sin agregar parámetros. Técnicas como MagicNorm y Warmup Deep Credit Assignment aseguraron la estabilidad del entrenamiento recurrente. Los experimentos muestran que HRM supera en eficiencia y estabilidad a Transformers de tamaño similar bajo un presupuesto computacional fijo. Las ablaciones confirman la contribución clave del objetivo de finalización de tareas y el enmascaramiento PrefixLM. El análisis sugiere que la estructura recurrente confiere una "profundidad efectiva" mayor. Las limitaciones incluyen una cobertura de conocimiento aún limitada por el corpus, la necesidad de mecanismos de tiempo de cómputo adaptativo, y desafíos de ingeniería para implementar PrefixLM en entornos de diálogo. El trabajo futuro explorará desacoplar el núcleo de razonamiento del almacenamiento de conocimientos y validar la escalabilidad a tamaños de modelo mayores.

marsbit05/26 03:19

El exalumno post-00 de Tsinghua, Wang Guan, presenta otra innovación: revolucionando los modelos de preentrenamiento Transformer con 1/900 tokens y 1/432 de potencia computacional

marsbit05/26 03:19

El camino de DeepSeek hacia los 10 billones de dólares: Utilizar el código abierto para impulsar un ecosistema de hardware de billones

DeepSeek está siguiendo una estrategia audaz que trasciende la competencia inmediata por modelos de IA. En lugar de centrarse en monetizar aplicaciones o suscripciones, su objetivo es remodelar fundamentalmente la infraestructura de hardware para IA. A través de innovaciones arquitectónicas como MLA, DSA, CSA, Engram y técnicas de compresión de KV Cache, DeepSeek reduce drásticamente la dependencia de componentes costosos y de difícil acceso como la HBM (High Bandwidth Memory). Esto permite utilizar memoria más abundante y asequible, como NAND/SSD para almacenar cachés y LPDDR para cargar pesos y módulos Engram, intercambiando eficientemente capacidad de memoria por potencia de cálculo. Estos avances no solo hacen que los modelos de DeepSeek sean excepcionalmente eficientes en costos (su DeepSeek V4 requiere solo ~5.5GB de HBM para 1 millón de tokens de contexto, frente a los 60-89GB de competidores), sino que también crean un enorme mercado potencial para fabricantes de hardware alternativos, especialmente en China (como YMTC para NAND y CXMT para LPDDR). Iniciativas como TileLang buscan además debilitar la ventaja del ecosistema CUDA. La visión a largo plazo de DeepSeek es catalizar un ecosistema de hardware de IA valorado en billones, donde su propio valor podría alcanzar el billón de dólares, no mediante la venta directa de modelos, sino facilitando una infraestructura de IA más accesible y eficiente para todos.

marsbit05/25 13:19

El camino de DeepSeek hacia los 10 billones de dólares: Utilizar el código abierto para impulsar un ecosistema de hardware de billones

marsbit05/25 13:19

Ahorrando 300 Millones de Tokens por Semana: La Guía de Caché de Claude Code de un Ingeniero de Anthropic

**Cómo ahorrar mil millones de tokens con el caché de Claude Code: Guía de un ingeniero de Anthropic** Muchos usuarios notan que los tokens en Claude Code se consumen rápido. La clave para reducir costes no está en escribir menos código, sino en reutilizar el contexto ya procesado mediante el **caché de prompts**. **Cómo funciona el caché y ahorra dinero** - Cada token cachead**o cuesta solo un 10%** de un token de entrada normal. - El sistema cachea en tres capas: 1. **Capa del sistema:** Instrucciones base y definiciones de herramientas. 2. **Capa del proyecto:** `CLAUDE.md`, reglas y memoria del proyecto. 3. **Capa de conversación:** Historial de mensajes. - Claude reutiliza el caché si el prefijo del nuevo mensaje coincide con uno ya almacenado, evitando reprocesar todo el contexto. **TTL (Tiempo de vida del caché)** - **Claude Code (suscripción):** **1 hora** por defecto. - **API de Claude:** 5 minutos por defecto (ampliable a 1 hora con costo mayor). - **Sub-agentes:** Siempre 5 minutos. **Buenas prácticas para mantener el caché (cubre el 95% de los casos)** 1. **No dejar la sesión inactiva más de 1 hora:** Si pasa, es mejor iniciar una nueva conversación con un resumen del progreso anterior. 2. **Al cambiar de tarea, reinicia limpiamente:** Usa un "session handoff" (un breve resumen) antes de `/clear`, en lugar de `/compact`. 3. **Para documentos grandes, usa Projects:** En Claude.ai, sube archivos grandes a un Proyecto en lugar de pegarlos directamente en el chat. **Acciones que rompen el caché (sin advertencia evidente)** - **Cambiar de modelo** (incluido activar el modo "Opus plan"). - Editar `CLAUDE.md` **no** rompe el caché de la sesión actual; se aplicará en la siguiente. **Conclusión** No es necesario dominar todos los detalles técnicos. Centrándose en lo esencial—aprovechar que el caché es 10 veces más barato, respetar el TTL de 1 hora y evitar interrupciones como cambiar de modelo—se puede alargar significativamente la duración de las sesiones y optimizar el uso de la cuota de tokens.

marsbit05/24 00:40

Ahorrando 300 Millones de Tokens por Semana: La Guía de Caché de Claude Code de un Ingeniero de Anthropic

marsbit05/24 00:40

CEO de Cloudflare: ¿Cómo decidí qué empleados reemplazar con IA?

El CEO de Cloudflare, Matthew Prince, explica la decisión de despedir a más del 20% de la plantilla a pesar del fuerte crecimiento y rentabilidad de la empresa. Según Prince, el cambio se debe a la transformación que la inteligencia artificial (IA) está provocando en los modelos de negocio. Citando al gurú de gestión Peter Drucker, Prince clasifica los roles empresariales en tres tipos: constructores (builders), vendedores (sellers) y medidores (measurers). La IA, argumenta, no amenaza a los constructores (ingenieros, cuya productividad puede multiplicarse) ni a los vendedores (que basan su éxito en relaciones humanas), sino principalmente a los "medidores". Estos roles, que abarcan auditoría, finanzas, legal, gestión media y operaciones, pueden ser realizados con mayor objetividad, detalle y eficiencia por sistemas de IA. En Cloudflare, los despidos se concentraron en estas áreas, permitiendo consolidar equipos, automatizar procesos y reducir capas de gestión. El objetivo, sin embargo, no es simplemente reducir costes. La compañía tiene un récord de puestos vacantes abiertos y planea seguir creciendo, reinvirtiendo los recursos ahora liberados en contratar más "constructores" y "vendedores". Prince ve a la IA como una herramienta que redefine las empresas, permitiendo medir el rendimiento con precisión sin precedentes y liberando a las personas para que se concentren en donde realmente crean valor: construyendo y vendiendo.

marsbit05/22 02:28

CEO de Cloudflare: ¿Cómo decidí qué empleados reemplazar con IA?

marsbit05/22 02:28

La fuente de alimentación de los servidores de IA está cambiando: ADI apuesta 1.500 millones de dólares

ADI ha anunciado la adquisición de Empower Semiconductor por 15.000 millones de dólares, una operación clave para reforzar su posición en el mercado de energía para servidores de IA. La compra tiene como objetivo principal las tecnologías de Empower en reguladores de voltaje integrados (IVR), capacitores de silicio (ECAP) y entrega de energía vertical (VPD). Estas innovaciones son cruciales para abordar los crecientes requisitos de energía y densidad en centros de datos, donde las demandas de procesadores como los GPU están alcanzando niveles de kilovatios. La integración de IVR permite reemplazar componentes discretos, mejorando la eficiencia y reduciendo el tamaño, mientras que los capacitores de silicio ofrecen un rendimiento superior en alta frecuencia. Por su parte, la tecnología VPD optimiza la entrega de energía al acortar las rutas eléctricas, lo que minimiza pérdidas y mejora la respuesta transitoria. Esta adquisición complementa la estrategia de ADI en el ecosistema de energía para IA, uniéndose a esfuerzos similares de empresas como Infineon, MPS, Vicor y TDK. El artículo destaca que la evolución hacia arquitecturas de mayor integración y eficiencia energética es fundamental para el futuro de los servidores de IA, con tecnologías como IVR y VPD desempeñando un papel central en este cambio.

marsbit05/22 00:43

La fuente de alimentación de los servidores de IA está cambiando: ADI apuesta 1.500 millones de dólares

marsbit05/22 00:43

¡Gran avance en la colaboración de IA! Stanford y NVIDIA unen fuerzas para eliminar las ineficiencias en la comunicación de la IA, la velocidad de razonamiento aumenta un 240%

Imagina que tres asistentes de IA resuelven un problema matemático juntos. Tradicionalmente, comunican cada paso por escrito, lo que es lento e ineficiente, un problema conocido como "impuesto del lenguaje". Un equipo de UIUC, Stanford, NVIDIA y MIT propone RecursiveMAS, un sistema donde los agentes de IA comparten "pensamientos" directamente en el espacio latente (vectores), sin generar texto intermedio. Utiliza un módulo ligero llamado RecursiveLink para transferir estas representaciones internas. Los resultados en pruebas con modelos como Qwen y Llama-3 muestran: - Precisión mejorada en un 8.3% de media. - Velocidad de inferencia hasta 2.4 veces mayor. - Uso de tokens reducido en un 75%. Las ventajas aumentan con más ciclos de colaboración. El enfoque desafía la necesidad de comunicación por texto entre agentes, ofreciendo una nueva vía para escalar sistemas multiagente mediante recursión profunda en lugar de solo añadir más agentes. Aunque prometedor, necesita validación independiente y abordar retos como la interoperabilidad entre modelos distintos y la reducida transparencia del proceso.

marsbit05/21 00:16

¡Gran avance en la colaboración de IA! Stanford y NVIDIA unen fuerzas para eliminar las ineficiencias en la comunicación de la IA, la velocidad de razonamiento aumenta un 240%

marsbit05/21 00:16

Dominando GitHub: Guía esencial para usuarios de Claude Code

CLAUDE.md, un archivo de texto plano que debes colocar en la raíz de tu proyecto, actúa como un manual de instrucciones para Claude Code. Al leerlo automáticamente al inicio de cada sesión, evita que tengas que repetir constantemente el contexto, la pila tecnológica o las decisiones ya tomadas. El artículo, basado en reglas inicialmente propuestas por Andrej Karpathy, detalla cómo este archivo soluciona tres problemas clave y ahorra costes: 1. **Configuración por defecto:** Evita perder tiempo (y dinero) reexplicando en cada sesión detalles del proyecto, tu rol o tu estilo de comunicación preferido. 2. **Restricciones de comportamiento:** Previene modificaciones no autorizadas, estableciendo reglas claras como no tocar código irrelevante, pedir confirmación para cambios destructivos y siempre resumir lo modificado. 3. **Memoria y pila técnica:** Mediante archivos auxiliares como `MEMORY.md` y `ERRORS.md`, permite que Claude "recuerde" decisiones pasadas y errores, y bloquea la recomendación de herramientas incompatibles con tu pila tecnológica definida. Implementar estas reglas, empezando solo por las 4 esenciales de Karpathy (preguntar ante la duda, hacer primero la solución más simple, no tocar código irrelevante y señalar incertidumbres), puede aumentar la precisión de codificación del 65% al 94%. Es una inversión mínima de tiempo para eliminar horas de trabajo repetitivo y costoso cada semana.

marsbit05/18 09:43

Dominando GitHub: Guía esencial para usuarios de Claude Code

marsbit05/18 09:43

Revelación: ¿Las 'súper tiendas' que facturan más de 10.000 al día? Descubre cómo el Nuevo robot está redefiniendo el negocio de café y té.

Descubrimiento: ¿Puede una "súper tienda" facturar más de 10.000 yuanes diarios? Así es como Xinyi Robot está reinventando el negocio de café y té. La primera tienda integrada de café y té operada por robots, Xinyi Coffee, ha abierto en Beijing. Su modelo de "una persona, un robot, una tienda" busca la máxima eficiencia humana, requiriendo solo un empleado y un sistema robótico integrado (Robot in Store) que automatiza pedidos, preparación y análisis de datos. Esto reduce drásticamente los costes laborales y de alquiler, ya que operan en locales de solo 10-20 m². Algunas tiendas lograron una facturación cercana a 20.000 yuanes el primer día. Su estrategia combina café, té y repostería para cubrir la demanda de desayunos y meriendas, maximizando los ingresos a lo largo del día. El sistema robótico puede gestionar cientos de productos y utiliza big data e IA para identificar tendencias y lanzar nuevos productos en solo dos semanas. Además, libera al personal para centrarse en la operación de comunidades privadas y fidelización de clientes. Para sus primeros socios, Xinyi ofrece una política de franquicia con baja inversión inicial y un rápido retorno de la inversión, eliminando muchas tarifas tradicionales y aprovechando su modelo de alta eficiencia y automatización.

marsbit05/16 02:48

Revelación: ¿Las 'súper tiendas' que facturan más de 10.000 al día? Descubre cómo el Nuevo robot está redefiniendo el negocio de café y té.

marsbit05/16 02:48

El mercado de recompra de 13 billones de dólares está siendo silenciosamente transformado por la cadena de bloques

El mercado de recompra (repo), esencial para el flujo global de capital con un volumen de casi 13 billones de dólares, está experimentando una transformación significativa gracias a la tecnología blockchain. Instituciones como JPMorgan Chase, HSBC y Broadridge están liderando la adopción de repos tokenizados, procesando ya cientos de miles de millones de dólares diarios en transacciones. Esta innovación resuelve ineficiencias clave del mercado tradicional: permite operaciones 24/7, automatiza la ejecución y liquidación, y reduce la fricción y los costos operativos. Los beneficios son tangibles, incluyendo importantes ahorros de capital y una mejor gestión de la liquidez. Aunque persisten desafíos como la fragmentación entre diferentes plataformas blockchain y la adaptación a un modelo sin margen para negociaciones, el consenso en Wall Street es claro. La tokenización de repos no es un experimento, sino una aplicación práctica y en crecimiento de blockchain, sentando las bases para un futuro de mercados financieros que operen continuamente.

marsbit05/13 09:52

El mercado de recompra de 13 billones de dólares está siendo silenciosamente transformado por la cadena de bloques

marsbit05/13 09:52

活动图片

Categorías popularesright-arrow

Etiquetas Popularesright-arrow