Artículos Relacionados con LLM

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

Claude Opus 4.8 acaba de lanzarse y ya dice ser DeepSeek, Qwen

Acompañando las expectativas de su OPI, Anthropic ha acelerado el ritmo de lanzamiento de modelos. Recientemente, anunció dos noticias importantes: la actualización de su modelo insignia a Claude Opus 4.8 y la finalización de una ronda de financiación Serie H de 650.000 millones de dólares, con una valoración posterior a la inversión de 9,65 billones, acercándose al umbral del billón. Claude Opus 4.8 presenta mejoras en codificación, tareas de agente, razonamiento y trabajo con conocimiento, manteniendo los mismos precios. Los usuarios notaron que, en algunas pruebas sin restricciones estrictas del sistema, el modelo ocasionalmente se identificaba erróneamente como DeepSeek o Qwen, lo que sugiere un posible comportamiento de destilación. Junto con el modelo, se lanzaron nuevas funciones como el control de esfuerzo (effort control) y los flujos de trabajo dinámicos (dynamic workflows). Esta última función, en vista previa de investigación, permite a Claude Code manejar tareas complejas a gran escala mediante la orquestación de múltiples subagentes que trabajan en paralelo, mostrando potencial para migraciones masivas de código. La ronda de financiación de 650.000 millones incluye compromisos de hyperscalers y socios de infraestructura estratégica como Micron y Samsung. Anthropic también ha firmado acuerdos clave para ampliar su capacidad de cálculo con Amazon, Google, Broadcom y SpaceX. En conjunto, estos movimientos reflejan la evolución de Anthropic desde una empresa centrada en modelos hacia un proveedor de un sistema integral de IA empresarial, combinando capacidades de modelo avanzado, flujos de trabajo complejos y una infraestructura de computación escalable.

marsbit05/29 00:00

Claude Opus 4.8 acaba de lanzarse y ya dice ser DeepSeek, Qwen

marsbit05/29 00:00

TechFlow Informe: El oro al contado cae por debajo de los 4.400 dólares, el mercado de criptomonedas se desploma

El título principal señala una fuerte caída en el oro y el mercado cripto. El contenido, estructurado en secciones, resume noticias clave de tecnología y finanzas de las últimas horas: **IA & Tecnología:** Se debate si herramientas como ChatGPT y Claude han alcanzado un verdadero ajuste producto-mercado. Se reporta una vulnerabilidad crítica en frameworks como VLLM y una fuerte censura en el modelo Gemini de Google. Por otro lado, se destaca el avance en capacidad de programación del modelo chino Qwen tras una cuantización mejorada y el lanzamiento de un modelo de localización visual más rápido por NVIDIA. **Cripto / Web3:** La noticia principal es la acusación a un empleado de Google por usar datos internos de búsqueda para ganar más de $1 millón en el mercado de predicción Polymarket, donde también se detectaron cuentas con tasas de victoria sospechosamente altas. Además, una empresa vinculada a Trump está al borde de la quiebra tras perder $1.5 mil millones. **Empresas & Mercados:** En chips, las acciones coreanas y de Micron suben impulsadas por la demanda de memoria para IA. Meta anuncia suscripciones de pago. Microsoft revela datos que sugieren que el uso de IA puede ser más caro que contratar personas, mientras DuckDuckGo gana usuarios tras el impulso de Google a su búsqueda con IA. **Macroeconomía:** El oro cae por debajo de $4400/oz, y el petróleo sube tras un ataque de EE.UU. contra drones iraníes. **Línea subyacente:** Se redefine el límite de la información privilegiada en la era de la IA y los datos, mientras el relato del红利 tecnológico se enfrenta a cuestionamientos sobre costos y preferencias reales de los usuarios.

marsbit05/28 11:05

TechFlow Informe: El oro al contado cae por debajo de los 4.400 dólares, el mercado de criptomonedas se desploma

marsbit05/28 11:05

Los modelos masivos superan todos los exámenes, pero se alejan cada vez más del AGI: ¿qué desnuda este artículo?

"Gran Modelos Linguísticos (LLMs) han superado numerosos exámenes de referencia, pero ¿significa esto que nos acercamos a la Inteligencia Artificial General (AGI)? Un artículo reciente argumenta que en realidad nos estamos alejando, ya que carecemos de una definición clara y medible de la AGI. Frente a un vacío conceptual donde visionarios como Musk o Huang ofrecen predicciones dispares, investigadores como Bennett proponen un nuevo estándar: la AGI debe evaluarse como un 'científico artificial'. Este criterio exige tres capacidades fundamentales más allá de la mera imitación: 1) **Experimentación activa**: capacidad de interactuar autónomamente con entornos nuevos para obtener información, no solo procesar datos pasivamente. 2) **Comprensión causal**: pasar de identificar correlaciones en los datos a entender relaciones de causa-efecto, esencial para una verdadera adaptación. 3) **Balance entre exploración y explotación**: gestionar recursos limitados para buscar nuevos conocimientos mientras aplica los existentes. El artículo critica que el camino actual dominante, el 'Scale-maxing' (maximización de escala mediante datos, parámetros y potencia de cálculo), solo produce respuestas aproximadas memorizadas en los pesos del modelo, fallando en tareas fuera de su distribución de entrenamiento (por ejemplo, errores básicos en comparación de números). La verdadera AGI, según Bennett, requerirá una convergencia de múltiples enfoques metodológicos, no solo la ampliación de modelos. En definitiva, el futuro de la AGI no debe medirse por su habilidad para aprobar exámenes humanos, sino por su capacidad para descubrir nuevo conocimiento de forma autónoma, adaptativa y bajo restricciones prácticas, como lo haría un científico."

marsbit05/28 00:27

Los modelos masivos superan todos los exámenes, pero se alejan cada vez más del AGI: ¿qué desnuda este artículo?

marsbit05/28 00:27

De la infraestructura eléctrica a la economía de Token: el 'pastel de siete capas' de la cadena industrial de la IA

En los últimos dos años, la narrativa principal de la industria de la IA se centró en la "guerra de los modelos grandes" entre las grandes tecnológicas, midiendo avances en parámetros, costes de entrenamiento y clústeres de GPU. Sin embargo, hacia 2026, la lógica impulsora está cambiando. Según JP Morgan, la futura expansión de la infraestructura de IA ya no estará impulsada principalmente por el entrenamiento, sino por la enorme demanda de inferencia, generada por miles de millones de Agentes de IA en funcionamiento. Cada interacción consume tokens, lo que marca la transición de la industria de la "era del modelo" a la "era industrial del Token". La industria se está estructurando como un pastel de siete capas que gira en torno al Token: 1) Energía (la base), 2) Centros de Datos para IA (AIDC, las fábricas de Tokens), 3) GPU (el equipo de producción), 4) Modelos de Lenguaje Grandes (LLM, el motor de producción), 5) Distribución de Tokens (la "red eléctrica"), 6) Optimización y Orquestación Inteligente de Tokens (el "cerebro"), y 7) Agentes de IA (los consumidores finales). Actualmente, este ecosistema está fragmentado. Algunos tienen GPU avanzadas pero carecen de energía estable; otros tienen grandes AIDC pero carecen de sistemas de orquestación eficientes; los desarrolladores de agentes enfrentan altos costes y latencia; y los nodos periféricos operan de forma aislada. La verdadera adopción masiva de la IA solo llegará cuando estas siete capas estén plenamente integradas y funcionen de forma coordinada, formando una red de infraestructura inteligente global capaz de producir, distribuir, orquestar y consumir Tokens de manera eficiente y a escala.

marsbit05/26 05:49

De la infraestructura eléctrica a la economía de Token: el 'pastel de siete capas' de la cadena industrial de la IA

marsbit05/26 05:49

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

TechFlow 情报局: Huawei lanza la "Ley Tau" y el sector de semiconductores sube; Meta despidos del 10%

IA resuelve 9 problemas matemáticos complejos por solo cientos de dólares cada uno, mostrando su valor práctico en investigación pura. En IA, DeepSeek lanza un agente de programación, mientras un estudio revela que los modelos grandes pierden restricciones en tareas complejas. Qwen 3.6 logra alta velocidad en GPU antiguas, desatando debates sobre NVIDIA vs. alternativas. En cripto, Ethereum Foundation se reduce para vender menos ETH, y rumores falsos sobre CZ provocan una explosión de memecoins. Los préstamos respaldados por RWA ganan terreno. En chips, Huawei presenta la "Ley Tau", apuntando a rendimiento de 1.4 nm para 2031, lo que impulsa las acciones del sector. La memoria ya supone 2/3 del costo de los chips de IA, y ejecutivos chinos venden acciones en máximos. Meta despidió al 10% de su plantilla. El CEO de Google fue abucheado en Stanford, y la empresa publicó un exploit de Chromium antes de parchearlo masivamente. Xiaomi sanciona a técnicos por instalaciones falsas. En bolsa, AMD es vista como retador de NVIDIA. El 99% de los CEOs planea despidos impulsados por IA. Palantir gana un contrato para monitorear empleados federales, y BlackBerry resurge en ciberseguridad. El petróleo WTI cae un 6% tras avances en negociaciones con Irán. La plata sube, y las reservas globales de crudo caen a niveles críticos. En tendencias, se descubre un ataque que usa audio inaudible para hackear asistentes de voz. CBS deja de borrar grabaciones piratas antiguas de Stephen Colbert. La narrativa central conecta la carrera de IA y chips con despidos, geopolítica y quién define el futuro tecnológico.

marsbit05/25 10:53

TechFlow 情报局: Huawei lanza la "Ley Tau" y el sector de semiconductores sube; Meta despidos del 10%

marsbit05/25 10:53

Patrones de Diseño Agente: Un libro que me hizo replantearme 'qué es realmente un Agente'

El libro _Agentic Design Patterns_, escrito por Antonio Gullí, presenta una clasificación de cuatro niveles para los agentes de IA: * **Nivel 0**: LLM básico, sin herramientas ni capacidad de acción. No es considerado un agente real. * **Nivel 1**: Usa herramientas de forma autónoma, decidiendo cuándo y cómo utilizarlas para obtener información externa. * **Nivel 2**: Introduce la planificación y la "Context Engineering", que consiste en filtrar y preparar cuidadosamente la información del contexto para mejorar la precisión. Incluye la capacidad de autorreflexión (Reflection) mediante un patrón de dos agentes: un "Productor" y un "Crítico". * **Nivel 3**: Sistemas multiagente que colaboran, con diferentes topologías de comunicación según la complejidad de la tarea. El artículo destaca tres conceptos clave del libro: 1. **Context Engineering**: Va más allá del "Prompt Engineering", gestionando las capas de información (instrucciones del sistema, datos externos, estado implícito y retroalimentación) que el agente tiene a su disposición para tomar decisiones. 2. **Reflection**: Un patrón práctico donde un agente "Productor" genera un resultado y un agente "Crítico" distinto lo revisa, creando un ciclo de mejora iterativa. 3. **Memoria en tres capas**: Sesión (conversación actual), Estado (datos temporales de la tarea) y Memoria persistente (experiencia a largo plazo). La conclusión es que, en lugar de construir sistemas multiagente complejos, a menudo es más eficaz primero llevar un solo agente al Nivel 2, dotándolo de herramientas, reflexión y una gestión adecuada del contexto y la memoria. El libro proporciona un mapa de patrones de diseño que sistematizan soluciones a problemas comunes en el desarrollo de agentes.

链捕手05/25 04:50

Patrones de Diseño Agente: Un libro que me hizo replantearme 'qué es realmente un Agente'

链捕手05/25 04:50

DeepSeek anuncia una rebaja permanente, pero Liang Wenfeng no quiere ser el 'Bodhisattva cibernético'

DeepSeek ha anunciado la "permanencia" de un descuento del 75% en la API de su modelo V4-Pro, con precios base que caen drásticamente a 0.435 dólares por millón de tokens de entrada y 0.87 por millón de salida. Este movimiento contrasta fuertemente con la tendencia general de aumento de precios en la industria de la IA, donde gigantes como Anthropic, OpenAI y Google han subido tarifas entre un 20% y un 37% en los últimos meses. Aunque algunos califican a Liang Wenfeng, su fundador, como un "bodhisattva cibernético", el artículo argumenta que su estrategia de código abierto y precios ultrabajos es una elección de modelo de negocio consciente. La competitividad de DeepSeek no se basa solo en la generosidad, sino en ventajas estructurales: el uso de hardware nacional como el Ascend, el acceso a talento de IA relativamente más asequible y, sobre todo, una ventaja crucial en costos energéticos. China cuenta con precios de electricidad industrial significativamente más bajos y una infraestructura de energía verde en regiones occidentales, donde la compañía planea construir centros de datos. Mientras los presupuestos de tokens de grandes empresas como Microsoft o Uber se agotan rápidamente, la propuesta de DeepSeek gana relevancia. Para muchas aplicaciones empresariales prácticas (servicio al cliente, resúmenes, código), no se requiere el modelo más potente del mundo, sino uno "suficientemente bueno, estable y extremadamente barato". Al ofrecer costos que son una fracción mínima de los de sus competidores, DeepSeek permite a las empresas experimentar y escalar sus flujos de trabajo de IA de manera masiva. Por lo tanto, en un contexto de IA cada vez más cara, el modelo de bajo costo de DeepSeek no es un acto de caridad, sino una fuente de valor y una forma de ejercer una influencia competitiva en el mercado global.

marsbit05/24 12:22

DeepSeek anuncia una rebaja permanente, pero Liang Wenfeng no quiere ser el 'Bodhisattva cibernético'

marsbit05/24 12:22

活动图片