Artículos Relacionados con Optimización

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

¿Cuántos tokens consume realmente Claude Code? Un experimento comparativo revela: las tres principales plataformas varían hasta 30 veces

Un experimento comparativo realizado por Composio evaluó tres frameworks de agentes (Claude Code, Hermes y Kimi Code) ejecutando las mismas 28 tareas con el modelo Kimi K3. Los resultados mostraron una tasa de éxito similar: 22, 21 y 20 tareas exitosas respectivamente. La gran diferencia estuvo en el consumo de tokens: Claude Code usó una mediana de 340,000 tokens, aproximadamente 6 veces más que Kimi Code (61,000 tokens) y 5 veces más que Hermes (67,000 tokens). En algunos casos, la diferencia llegó a ser de hasta 30 veces. En costos, utilizando el precio de Kimi K3 de 3 USD por millón de tokens de entrada, el coste promedio por tarea fue de 0.22 USD para Kimi Code, 0.28 USD para Hermes y 2 USD para Claude Code. En velocidad, Hermes fue el más rápido (179 segundos de mediana), seguido por Kimi Code (297 segundos) y Claude Code (348 segundos). Expertos como Sebastian Raschka señalan que el alto consumo de Claude Code se debe principalmente a tokens de entrada, ya que su framework reintroduce constantemente contexto histórico en cada interacción del agente. Una investigación de Writer respalda la creciente importancia del harness (framework de orquestación), demostrando que optimizarlo puede reducir costos en un 41% y la latencia en un 44%, manteniendo la calidad. La conclusión clave es que, para reducir costos de agentes de IA, optimizar el harness es más impactante que cambiar el modelo, marcando un cambio hacia la era donde "el harness es el producto".

marsbitAyer 12:28

¿Cuántos tokens consume realmente Claude Code? Un experimento comparativo revela: las tres principales plataformas varían hasta 30 veces

marsbitAyer 12:28

¡Aave eliminará gradualmente 75 activos de reserva infrautilizados de su lista! Aquí están los detalles.

Aave, el principal protocolo de préstamos en el sector de las finanzas descentralizadas (DeFi), ha anunciado una reestructuración integral para mejorar la eficiencia de su plataforma. Como parte de esta medida, eliminará gradualmente 75 activos de reserva con bajo uso de sus listas. El proceso afectará a 50 activos de reserva en su propia red nativa y a otros 25 en las cadenas Sonic, Scroll, zkSync, Metis, Soneium y Aptos. La dirección de Aave justifica esta decisión como un paso para optimizar el uso de recursos y centrarse en los activos con mayor demanda por parte de los usuarios. Esta reestructuración impactará activos por valor de aproximadamente 98,1 millones de dólares y posiciones crediticias por 15,6 millones de dólares. Aave garantiza que el desfase del soporte se hará de forma paulatina, con planes de transición para minimizar las molestias a los clientes. Los expertos señalan que es una práctica común en la industria eliminar activos con poca liquidez o uso, ya que puede reducir costes operativos y mejorar la seguridad y eficiencia. Aave, uno de los mayores protocolos DeFi por valor total bloqueado (TVL), busca así consolidar una base de activos más sostenible y eficiente para su ecosistema.

cryptonews.ruHace 2 días 09:22

¡Aave eliminará gradualmente 75 activos de reserva infrautilizados de su lista! Aquí están los detalles.

cryptonews.ruHace 2 días 09:22

El foso de CUDA de 20 años se derrumbó en un fin de semana, Claude ejecutó solo la nueva GPU de AMD

En un solo fin de semana, Claude, el modelo de IA de Anthropic, logró ejecutar y optimizar sus modelos más avanzados en un nuevo sistema con GPU AMD MI355X, sin que ningún ingeniero humano modificara una sola línea de código. Este hecho desafía la histórica ventaja del ecosistema CUDA de NVIDIA, construido durante 20 años. AMD proporcionó a Anthropic herramientas como ROCm.AI y AMD Skills, un conjunto de conocimientos verificados sobre ROCm que permiten a los agentes de IA configurar entornos, desplegar modelos, leer documentación y ajustar el rendimiento por sí mismos. Además, AMD está adaptando incluso sus manuales de instrucciones de chips para que sean legibles por IA, permitiendo a agentes como Hyperloom optimizar kernels y mejorar el rendimiento automáticamente. La capacidad de los agentes de IA para aprender, probar y optimizar en paralelo—comprimiendo años de experiencia en ingeniería en tareas simultáneas—representa un cambio radical. Ahora, la competencia no solo depende del hardware, sino también de qué tan bien la IA puede entender y aprovechar una plataforma. La brecha ecológica de décadas de CUDA podría comenzar a cerrarse no con años de esfuerzo humano, sino con agentes de IA trabajando de forma continua y autónoma.

marsbit07/28 00:11

El foso de CUDA de 20 años se derrumbó en un fin de semana, Claude ejecutó solo la nueva GPU de AMD

marsbit07/28 00:11

Claude Code elimina un 80% de indicaciones, y Opus 5... ¡se las vuelve a añadir!

Claude Code anunció haber reducido más del 80% de su indicación (prompt) del sistema para modelos como Opus 5 y Fable 5, eliminando reglas detalladas y redundantes para dar más autonomía al modelo. Sin embargo, un usuario llamado Chen Cheng descubrió al analizar los prompts reales recibidos por los modelos que, mientras Opus 4.8 tenía 4467 caracteres, Opus 5 tenía 7694, un aumento del 72% respecto a la versión anterior. La explicación es que la reducción masiva del 80% ocurrió principalmente entre Opus 4.7 (15225 caracteres) y Opus 4.8. Luego, para Opus 5, Anthropic añadió alrededor de 3755 caracteres de nuevas directrices específicas. Estas adiciones, agrupadas en "Entregar trabajo" y "Correcciones", buscan controlar los comportamientos más proactivos de Opus 5, como su tendencia a informar progresos con frecuencia, generar respuestas largas o utilizar sub-agentes de manera expansiva. En resumen, Claude Code eliminó las reglas rígidas de los modelos antiguos, pero Opus 5 necesitó nuevas pautas para canalizar adecuadamente sus capacidades mejoradas y más autónomas. El cambio refleja una evolución: menos instrucciones paso a paso, pero más directrices sobre el alcance y los límites de las tareas que el modelo puede emprender por sí mismo.

marsbit07/27 11:41

Claude Code elimina un 80% de indicaciones, y Opus 5... ¡se las vuelve a añadir!

marsbit07/27 11:41

La ansiedad de memoria de los grandes modelos, la solución podría estar en la unidad USB

Según un artículo publicado por IEEE, surge una nueva estrategia inesperada para aliviar la ansiedad por la memoria en los modelos de lenguaje grandes (LLM): utilizar la tecnología **NAND Flash**, la misma que se emplea en las memorias USB. Tradicionalmente, la memoria Flash se ha considerado lenta, especialmente para tareas de IA. Sin embargo, empresas como SanDisk y SK Hynix están promoviendo el **High Bandwidth Flash (HBF)**. Esta tecnología aplica métodos avanzados de empaquetado y apilamiento 3D (similares a los usados en la memoria HBM) a los chips NAND Flash. El objetivo es permitir que la memoria Flash, originalmente diseñada para almacenamiento, participe en el suministro de datos de alta velocidad durante la **inferencia de IA**. La clave está en que la Flash es lenta principalmente para **escribir**, pero su velocidad de **lectura** puede ser mucho mayor. Al apilar múltiples chips, el HBF busca alcanzar un gran ancho de banda de lectura (hasta 1.6 TB/s en su primera generación, con objetivos de 3.2 TB/s) y una alta capacidad (hasta 512 GB por pila). La propuesta no pretende reemplazar a la costosa y ultrarrápida HBM, sino **complementarla**. En la fase de inferencia, los pesos del modelo están congelados y se accede a ellos principalmente para lectura. El HBF podría actuar como un **"grupo de memoria de solo lectura de gran capacidad"** para almacenar estos pesos masivos y estáticos, liberando así la valiosa HBM para los datos de cálculo más críticos y frecuentes. Esto podría aliviar los cuellos de botella de capacidad y costo, reducir el número de aceleradores necesarios en los servidores y mejorar la eficiencia energética. Aunque el HBF aún no es un producto maduro (se estima que su despliegue a gran escala llevará años) y su estandarización está en curso dentro del Open Compute Project (OCP), representa una señal importante. Indica que la arquitectura de memoria para la IA está evolucionando hacia un **sistema en capas**, donde cada tipo de dato (ultrarrápido, de lectura intensiva, almacenamiento frío) reside en la tecnología más adecuada en términos de rendimiento, capacidad y coste. La solución a los desafíos de escalabilidad de los LLMs podría venir no solo de memorias más caras, sino de reinventar y reempaquetar tecnologías ya conocidas, como la Flash.

marsbit07/20 00:22

La ansiedad de memoria de los grandes modelos, la solución podría estar en la unidad USB

marsbit07/20 00:22

OpenAI te enseña 8 trucos para dominar ChatGPT

**Resumen en español europeo del artículo:** OpenAI ha publicado una guía oficial con ocho técnicas clave para mejorar el uso de ChatGPT y obtener resultados más precisos. 1. **Usar el modelo más avanzado:** Siempre que sea posible, emplea el modelo más reciente (como el ficticio GPT-5.6 Sol del ejemplo) para un mejor rendimiento. 2. **Ser específico y detallado:** En lugar de instrucciones vagas, describe claramente el contenido, formato, estilo y longitud deseada de la respuesta. 3. **Estructurar el prompt:** Coloca la instrucción principal al principio y usa delimitadores como `###` o `"""` para separarla claramente del texto de entrada. 4. **Proporcionar ejemplos:** Muestra ejemplos del formato o respuesta que esperas para guiar al modelo de manera más efectiva. 5. **Empezar simple, luego agregar contexto:** Primero prueba con una instrucción simple (zero-shot), luego añade algunos ejemplos (few-shot) y solo como último recurso considera un ajuste fino (fine-tuning) con muchos datos. 6. **Evitar lenguaje vago:** Sustituye términos imprecisos como "unos pocos" por indicaciones concretas como "3-5 frases". 7. **Decir qué *sí* hacer, no solo qué *no*:** Además de indicar lo que ChatGPT debe evitar, especifica claramente la acción o comportamiento positivo que debe seguir. 8. **Usar palabras clave para código:** Al generar código, incluye palabras clave iniciales como `import` (Python) o `SELECT` (SQL) para guiar la estructura. Además, la guía menciona una función llamada "Generate Anything" que puede crear automáticamente prompts efectivos basados en una descripción general de la tarea. El objetivo final es comunicarse con ChatGPT de manera clara y estructurada para "domesticarlo" y aprovechar al máximo su potencial.

marsbit07/16 08:30

OpenAI te enseña 8 trucos para dominar ChatGPT

marsbit07/16 08:30

¿Pueden los grandes modelos de lenguaje escribir algoritmos de optimización de nivel industrial? El MIT propone FrontierOR, un examen para la IA

Los LLM han avanzado notablemente en la traducción de problemas a modelos matemáticos y código. Sin embargo, en problemas industriales a gran escala, diseñar algoritmos eficientes y escalables es el verdadero desafío. Para evaluar esta capacidad, investigadores del MIT presentan FrontierOR, un benchmark que mide la habilidad de los LLM para diseñar algoritmos complejos como lo haría un ingeniero de investigación operativa, yendo más allá del simple uso de solucionadores genéricos. FrontierOR consta de 180 tareas extraídas de literatura científica real (1992–2025), con un subconjunto "Hard" de 50 problemas donde solucionadores como Gurobi no encuentran soluciones óptimas en una hora. La evaluación, en dos fases, mide la tasa de ejecución, factibilidad, calidad de la solución y la eficiencia combinada calidad-tiempo (QTE). Los resultados en modo "one-shot" muestran que los modelos líderes (GPT-5.3, Gemini 3.1, Claude Opus) tienen una alta tasa de ejecución (~0.93-0.98), pero su QTE es significativamente menor (~0.25-0.31), indicando dificultad para generar algoritmos rápidos y de alta calidad. Los modelos más capaces muestran una distribución más equilibrada de métodos (heurísticos, descomposición, híbridos) en lugar de depender solo del solucionador. Los marcos de auto-evolución (como CORAL) permiten mejoras sustanciales, elevando la QTE hasta 0.50 en las tareas más difíciles mediante iteración y refinamiento. El trabajo subraya que el futuro no está en que los LLM reemplacen a los solucionadores, sino en que actúen como diseñadores de algoritmos inteligentes, combinando estrategias y mejorando mediante retroalimentación para aplicaciones industriales complejas.

marsbit07/10 09:14

¿Pueden los grandes modelos de lenguaje escribir algoritmos de optimización de nivel industrial? El MIT propone FrontierOR, un examen para la IA

marsbit07/10 09:14

El trabajo de prueba de rollups de Vitalik muestra que la escalabilidad de Ethereum aún depende de la criptografía

La última publicación técnica de Vitalik Buterin se centra en la optimización de pruebas criptográficas para los rollups de Ethereum. Este trabajo, que profundiza en compromisos polinómicos y mejoras de eficiencia, subraya que la escalabilidad de la red sigue dependiendo fundamentalmente de avances en criptografía, y no solo de lanzamientos de productos. Las soluciones de capa 2 (rollups) dependen de pruebas criptográficas para comprimir y verificar la actividad. Si estas pruebas se vuelven más eficientes, la red puede admitir una ejecución más barata y escalable sin comprometer su seguridad. Aunque los usuarios finales no interactúen directamente con esta complejidad técnica, se benefician de transacciones más rápidas y económicas. La investigación demuestra que la cultura de desarrollo profundo de Ethereum continúa activa, incluso cuando el mercado se distrae con temas como los ETF. Para los inversores, este progreso técnico es crucial a largo plazo, ya que la viabilidad de Ethereum como capa de liquidación y ejecución preferente depende de su capacidad para escalar de manera sostenible y segura.

bitcoinist07/09 23:13

El trabajo de prueba de rollups de Vitalik muestra que la escalabilidad de Ethereum aún depende de la criptografía

bitcoinist07/09 23:13

Actualización de la Red de Pruebas de Sui v1.74.1 Reduce Drásticamente los Costos de Gas de las Transacciones Mediante la Versión 128 del Protocolo

La actualización de Sui Testnet v1.74.1, que implementa la versión 128 del protocolo, ha reducido significativamente los costos de gas para transacciones en la red de pruebas. Desplegada por Mysten Labs, esta optimización tiene como objetivo escalar el rendimiento antes de un eventual despliegue en la red principal. Es crucial señalar que estos cambios se limitan actualmente al entorno de prueba. El informe se basa en materiales oficiales, como los registros de GitHub de Mysten Labs, lo que proporciona una base verificada frente al ruido habitual del mercado. Si bien este desarrollo confirma un avance técnico concreto, se recomienda a los lectores considerar este hecho dentro del contexto más amplio de la liquidez, la estructura del mercado y futuras confirmaciones oficiales, ya que no garantiza por sí solo movimientos de precios.

bitcoinist07/03 16:09

Actualización de la Red de Pruebas de Sui v1.74.1 Reduce Drásticamente los Costos de Gas de las Transacciones Mediante la Versión 128 del Protocolo

bitcoinist07/03 16:09

La divulgación financiera de Trump te enseña la estrategia de optimización fiscal más subestimada

La divulgación financiera de Trump revela una de las estrategias de optimización fiscal más subestimadas para inversores en criptoactivos: la postergación indefinida del impuesto a las ganancias de capital mientras no se vendan los activos. El documento muestra que Trump posee bitcoins valorados en más de 50 millones de dólares y ethers por hasta 25 millones en carteras frías. Estas plusvalías, al no estar realizadas, no generan obligación fiscal inmediata según las normas del IRS. Solo se tributa al "disponer" del activo (vender, intercambiar, gastar). Sin embargo, no todos los ingresos se pueden diferir. Los premios por staking (como 510.808 dólares de recompensas de validador) y los intereses (45.932 dólares de USDC) se gravan como renta ordinaria en el año de recepción. De igual modo, los ingresos por regalías de memecoins (635 millones) y ventas de tokens (236,25 millones) tributan como renta ordinaria o ganancias de capital en el momento de la transacción. La lección clave es simple pero poderosa: la mera tenencia de activos digitales apreciados no desencadena un hecho imponible. Cualquier inversor, independientemente del tamaño de su cartera, puede beneficiarse de esta postergación fiscal simplemente evitando vender. La estrategia más eficaz puede ser a veces la más obvia: comprar y mantener.

marsbit07/03 09:19

La divulgación financiera de Trump te enseña la estrategia de optimización fiscal más subestimada

marsbit07/03 09:19

活动图片

Categorías popularesright-arrow

Etiquetas Popularesright-arrow