El radar

Cognitively Constrained Partners for Zero-Shot Coordination in Real-Time Partitioned Control

Propone entrenar agentes de teaming contra "Cognitively Constrained Partners", compañeros simulados cuya diversidad surge de restricciones procedurales basadas en literatura fisiológica humana (retrasos de reacción y limitaciones perceptivas) en lugar de reward shaping o checkpoints históricos. En un entorno Lunar Lander modificado reportan evidencia preliminar de que estos compañeros juegan más como personas reales que agentes sin restricciones, y que los agentes entrenados contra ellos igualan los mejores baselines de cross-play siendo los únicos cuya performance no depende de cómo se generaron sus compañeros de entrenamiento. También describen un estudio con participantes humanos diseñado para comparar sus rankings directamente contra cross-play como medida de predicción del teaming real humano-agente. IMPORTA: Si trabajas con sistemas multi-agente o agentes que colaboran con humanos, este resultado sugiere que la diversidad de los compañeros simulados —modelada con restricciones cognitivas reales en vez de reward shaping— puede determinar si un agente generaliza a personas reales, y cuestiona que el benchmark estándar de cross-

Por qué importa: Si trabajas con sistemas multi-agente o agentes que colaboran con humanos, este resultado sugiere que la diversidad de los compañeros simulados —modelada con restricciones cognitivas reales en vez de reward shaping— puede determinar si un agente generaliza a personas reales, y cuestiona que el benchmark estándar de cross-play sea un buen predictor de ello.

When and How Does Muon Precondition? The Role of Structured Gradient Noise

Estudio teórico y empírico sobre cuándo el optimizador Muon aporta ventajas reales en el entrenamiento de LLMs. Los autores muestran que bajo ruido isotrópico clásico Muon no ofrece aceleración más allá de reescalar el learning rate, y que sus beneficios aparecen con ruido estructurado del mini-batch sampling en memoria asociativa con tareas de frecuencia heterogénea, donde suaviza la dependencia de la frecuencia de tarea de lineal a raíz cuadrada. Identifican además negative transfer inducido por rotación en SignSGD que Muon evita, y validan los mecanismos con experimentos numéricos controlados y un estudio preliminar de pretraining de LLM con momentum fast-slow.

Por qué importa: Aclara las condiciones bajo las cuales Muon realmente acelera el entrenamiento frente a un simple reescalado del learning rate, lo que afecta directamente a quien elija o ajuste optimizadores en pipelines de pretraining de LLMs.

ConsMSA: Semantic Distribution Consistency Learning for Multimodal Sentiment Analysis

ConsMSA formaliza la consistencia de distribución semántica intra e inter-modalidad en multimodal sentiment analysis, calculando un Intra- and Inter-modality Consistency Score (I²CS) que se usa como regularizador, como pesos adaptativos de tokens y como criterio de poda de tokens redundantes o conflictivos. En experimentos sobre CMU-MOSI, CMU-MOSEI y CH-SIMS alcanza estado del arte y mantiene precisión comparable reteniendo solo el 10% de los tokens. IMPORTA: La poda de tokens guiada por consistencia semántica ofrece un patrón concreto para recortar coste computacional en inference multimodal sin perder accuracy, algo directamente trasladable a pipelines de serving que procesan texto, audio y vídeo.

Por qué importa: La poda de tokens guiada por consistencia semántica ofrece un patrón concreto para recortar coste computacional en inference multimodal sin perder accuracy, algo directamente trasladable a pipelines de serving que procesan texto, audio y vídeo.

Import AI 478: Math for alignment; ProgramBench; and Mirendil shows what RSI means

Resolution (antes Sequent) ha autoformalizado en Lean la resolución de singularidades de Hironaka usando agentes orquestados, con un coste de unos 100B tokens de input y 300M de output (~135.000 dólares) en una semana, generando unas 600k líneas de Lean. Además, ProgramBench —que mide si los modelos reconstruyen programas a partir de un binario y su documentación— pasó de 0% a 18,5% en pocos meses, y un único investigador de Mirendil ha entrenado un modelo de coding desde cero en 3,5 meses con menos de 10M de dólares en cómputo. IMPORTA: Muestra cómo los agentes ya automatizan trabajo de investigación de semanas con presupuestos de tokens medibles, lo que cambia el diseño de pipelines agénticos y las evaluaciones de capacidad real de los modelos.

Por qué importa: Muestra cómo los agentes ya automatizan trabajo de investigación de semanas con presupuestos de tokens medibles, lo que cambia el diseño de pipelines agénticos y las evaluaciones de capacidad real de los modelos.

How NVIDIA Minerva Turns Telemetry Chaos Into Peak GPU Yield

NVIDIA presenta Minerva, una plataforma AIOps nativa de IA que unifica telemetría de GPUs, redes Spectrum-X y NVLink, SuperNICs, DPUs, almacenamiento, NCCL, schedulers y workloads en un knowledge graph dinámico que mapea infraestructura a jobs activos en tiempo real. Combina modelos supervisados y no supervisados, con comparación entre pares y análisis multivariante, para detectar fallos "grises" como una interfaz NVLink degradada entre 400.000 o una GPU más caliente que sus pares bajo la misma carga; la correlación topology-aware agrupó 81 alertas de un pause-frame storm en un único incidente, ahorrando unas 54 horas de uptime del clúster. Incluye un agente llamado Sherlock y un servidor MCP para consultar evidencia en vivo en lenguaje natural e integrarla en workflows agénticos externos, y permitió drenar nodos afectados por fallos raros (PCIe de SuperNIC, estado de energía NVMe) antes de que llegaran cargas de clientes.

Por qué importa: Para quien opera clústeres de entrenamiento o serving, el enfoque de knowledge graph topológico más correlación de alertas y drenaje proactivo de nodos ataca directamente el problema de los stragglers y las horas de GPU desperdiciadas, y el servidor MCP abre la puerta a integrar ese contexto operativo en agentes propios.

↳ Contexto: Topology-Aware Workload Scheduling with NVIDIA Topograph · ver hilo completo

How NVIDIA Mission Control 2.5 Brings Autonomous Recovery to Kubernetes

NVIDIA Mission Control 2.5 extiende su motor de recuperación autónoma, antes limitado a workloads HPC sobre Slurm, a workloads sobre Kubernetes gestionados con NVIDIA Run:ai. El motor funciona como un control loop de tres capas: el scheduler de Kubernetes coloca los workloads, el servicio de recuperación de jobs clasifica fallos usando contexto del job y el de recuperación de hardware aísla y diagnostica infraestructura defectuosa. Ante un fallo de hardware, el job se reinicia o reubica en paralelo al diagnóstico y cuarentena del nodo, mientras que los errores transitorios de software se reintentan sin disparar remediación de hardware; también detecta degradación y retira nodos del pool de scheduling antes de que interrumpan un job. IMPORTA: Traslada la recuperación autónoma de fallos a Kubernetes/Run:ai, lo que cambia cómo se diseña la resiliencia y el MTTR en clústeres de entrenamiento multi-nodo compartidos, sin depender de intervención manual ni de checkpointing reactivo.

Por qué importa: Traslada la recuperación autónoma de fallos a Kubernetes/Run:ai, lo que cambia cómo se diseña la resiliencia y el MTTR en clústeres de entrenamiento multi-nodo compartidos, sin depender de intervención manual ni de checkpointing reactivo.

↳ Contexto: How NVIDIA NVLink 6 Delivers Multi-Layer Resiliency for AI Factories · ver hilo completo

Boston Dynamics employees want to block sale of robot dogs to ICE

Cientos de empleados de Boston Dynamics firmaron una petición para que la empresa detuviera la venta de robots Spot a ICE, a través de la compañía Radeco, que los modifica bajo la plataforma Cerberus con sensores de oxígeno, cámaras de zoom 30x, visión térmica y un brazo opcional. El contrato del DHS asciende a 1,3 millones de dólares por cuatro unidades, y la dirección defendió el acuerdo argumentando que los robots no se weaponizarán y que sus términos de venta prohíben usos dañinos. El caso se enmarca en la polémica por las redadas de inmigración y coincide con el desarrollo de un nuevo centro de robótica e IA de 100 millones de dólares en Waltham.

Por qué importa: Muestra cómo los términos de uso y las salvaguardas contractuales de un fabricante de robots se convierten en el único mecanismo real de control sobre despliegues autónomos en manos de terceros, un precedente relevante para cualquiera que diseñe políticas de uso en sistemas de IA y robótica.

Tesla gave up the EV crown. Now it wants to win the autonomy race.

Tesla pivota hacia la conducción autónoma y el software como fuente de ingresos recurrentes, con FSD supervisado aprobado en Países Bajos y a la espera de una votación de los estados miembro de la UE retrasada a diciembre. La proporción de Teslas nuevos vendidos en Norteamérica con FSD supervisado supera el 75% y ya hay 1,7 millones de suscripciones activas globales (un 67% más interanual), con un precio de 99 dólares al mes en EE.UU., aunque sigue sin aprobación la versión totalmente autónoma. Musk explora una fusión con SpaceX que podría acelerar el desarrollo en IA, materiales y manufactura, y que según analistas podría darle el control de un 50% o más de la entidad combinada. IMPORTA: Es una apuesta por convertir software de autonomía en ingresos recurrentes a gran escala, el mismo modelo de negocio por suscripción que muchos equipos de plataforma están explorando con servicios de IA, con la regulación europea como cuello de botella a vigilar. MOT

Por qué importa: Es una apuesta por convertir software de autonomía en ingresos recurrentes a gran escala, el mismo modelo de negocio por suscripción que muchos equipos de plataforma están explorando con servicios de IA, con la regulación europea como cuello de botella a vigilar.

Will the real Anthropic please stand up

Anthropic ha presentado su prospecto de IPO, un documento de 335 páginas del que unas 100 se centran en riesgos, y la pieza analiza la narrativa pública de la compañía en torno a la seguridad y la "singularidad". El artículo repasa declaraciones como la de Jack Clark en el FMI afirmando que la singularidad ya ha comenzado, o la de Chris Olah en el Vaticano sobre estados internos de sus modelos, y recoge el debate surgido en X sobre qué es realmente Anthropic, con la respuesta de Dario Amodei defendiendo su estrategia de "race to the top". Continúa la cobertura previa del prospecto de Anthropic. IMPORTA: Para quien integra o depende de modelos de Anthropic, este debate cuestiona cuánto peso dar a su discurso de seguridad a la hora de confiar en su autorregulación o exigir acceso externo para evaluar sus modelos.

Por qué importa: Para quien integra o depende de modelos de Anthropic, este debate cuestiona cuánto peso dar a su discurso de seguridad a la hora de confiar en su autorregulación o exigir acceso externo para evaluar sus modelos.

↳ Contexto: Anthropic’s prospectus details losses, growth, and, yes, a warning that its AI could end humanity · ver hilo completo

The focus on AI safety disasters ignores everyday harms

Artículo de opinión que sostiene que el debate sobre seguridad en IA se centra en daños catastróficos y deja de lado los daños cotidianos, como la dependencia emocional de compañeros de IA o la erosión del pensamiento crítico. Cita datos como que un tercio de los adolescentes prefiere hablar de temas serios con compañeros de IA antes que con personas, y un estudio del MIT sobre menor conectividad cerebral al usar ChatGPT para escribir ensayos. Denuncia que las empresas promueven definiciones estrechas de seguridad para evitar regulación más exigente y propone exigir a las compañías pruebas de que la IA mejora el aprendizaje y prohibiciones sobre compañeros que simulan conciencia o afecto.

Por qué importa: Aunque no aporta arquitectura ni cifras de sistemas, plantea el marco regulatorio que probablemente condicionará el diseño de producto y las obligaciones de auditoría de cualquier sistema de IA conversacional orientado a usuarios.

↳ Contexto: Sam Altman says ‘some bad things’ will happen, but AI is totally worth it · ver hilo completo

MisconceptDialogue: Evaluation Criteria Shape Measured Success in LLM Math Tutoring

Artículo de arXiv (cs.CL) de Woojin Lee y cuatro autores más que presenta MisconceptDialogue, un trabajo sobre evaluación de tutores matemáticos basados en LLM. Su tesis central es que los criterios de evaluación empleados condicionan la medida del éxito obtenido. No se detallan en el texto disponible el dataset, las métricas ni los resultados concretos.

Por qué importa: Recuerda que al evaluar sistemas de IA el benchmark y los criterios elegidos determinan qué se mide como éxito, algo crítico si se construyen pipelines de evaluación de LLMs o agentes tutores.

↳ Contexto: Uncertainty-Aware Decision Making in Multimodal Large Language Models · ver hilo completo

Distributional Alignment of LLMs and Its Generalization Properties

Estudio sobre cómo alinear distribucionalmente LLMs para que su distribución de salidas coincida con una distribución de referencia (en este caso, humana), útil para simulaciones y encuestas. Con dos benchmarks a gran escala, encuentran que los LLMs logran esta alineación y generalizan a preguntas no vistas del mismo dominio, mientras que la generalización entre temas depende de la relación entre ellos. Advierten que los LLMs alineados pueden degradarse de formas inesperadas, como perder capacidad creativa, lo que sugiere propiedades de generalización impredecibles e inestables.

Por qué importa: Para quien usa LLMs como simuladores de comportamiento o construye pipelines de evaluación y fine-tuning, el hallazgo de que la alineación distribucional puede degradar capacidades de forma impredecible obliga a testear efectos colaterales más allá del objetivo de alineación.

Free Lunch for LLMs Confidence: The RL Critic Already Knows

El artículo demuestra que un modelo externo entrenado solo con las trazas de comportamiento de una policy puede estimar su confianza con la misma precisión que la propia policy, sin acceder a sus representaciones internas. Prueba además que, bajo un outcome basado en corrección, la estimación de confianza y el entrenamiento del critic en RL son equivalentes, por lo que en LLMs entrenados con RL basado en valor el critic existente puede reutilizarse como estimador de confianza sin entrenamiento ni datos adicionales. Evaluado en matemáticas, código, tool calling y razonamiento general en una docena de dominios, el critic reutilizado es el mejor estimador de confianza en todos los splits in-distribution y el mejor calibrado en 14 de 16, sin degradar el rendimiento de la tarea. Ofrece un mecanismo para obtener confianza calibrada durante toda la generación, incluidos pasos intermedios de razonamiento, reutilizando el critic que ya se entrena en pipelines de RL, lo que abarata añadir señales de fiabilidad a sistemas de IA en producción.

Por qué importa: Ofrece un mecanismo para obtener confianza calibrada durante toda la generación, incluidos pasos intermedios de razonamiento, reutilizando el critic que ya se entrena en pipelines de RL, lo que abarata añadir señales de fiabilidad a sistemas de IA en producción.

What the Query Remembers: Query Abstraction Governs Lexical and Dense Retrieval of Classical Arabic Poetry

Estudio que compara nueve encoders densos y BM25 sobre poesía árabe clásica en dos corpus, tres modos de indexación y dos protocolos de evaluación, mostrando que el ganador depende de cuánto recuerda la query del texto original. En queries tipo "tip-of-the-tongue" BM25 supera a todos los densos, incluido un modelo 8B (0.746 vs. 0.717 Recall@5), mientras que en queries abstractas cae al octavo puesto (0.392 vs. 0.748). Añadir medio verso recordado sube BM25 38 puntos, y los dos protocolos estándar (known-item y relevancia temática) se disocian sobre los mismos sistemas, con el mecanismo explicado por contención léxica en BM25 y proximidad de embeddings en los densos. IMPORTA: Para quien diseña sistemas RAG o de búsqueda, es evidencia de que elegir retriever sin controlar el registro de las queries (recuerdo literal vs. abstracción) puede invertir el ranking de calidad, así que conviene enrutar o evaluar por tipo de query en

Por qué importa: Para quien diseña sistemas RAG o de búsqueda, es evidencia de que elegir retriever sin controlar el registro de las queries (recuerdo literal vs. abstracción) puede invertir el ranking de calidad, así que conviene enrutar o evaluar por tipo de query en lugar de asumir que los embeddings densos ganan siempre.

b11902: sycl: add set_tensor_2d for faster tensor-split loading (#30358)

Release de llama.cpp que añade `set_tensor_2d` al backend SYCL para acelerar la carga de modelos con tensor-split: agrupa las filas del host en chunks de hasta 64 MiB cuando las filas destino son contiguas y las sube en una sola copia por batch usando staging slots pinned, manteniendo la copia fila a fila para destinos no contiguos. En dos Arc Pro B70 con gpt-oss-120b UD-Q4_K_XL, el runtime total de llama-perplexity baja de 263-268 s a 114-115 s. Una comprobación de readback tras la carga completa verificó 26.784.256 filas sin discrepancias. IMPORTA: Reduce a menos de la mitad el tiempo de carga de modelos grandes en GPU Intel vía SYCL, un cuello de botella directo en despliegues de inference local y pruebas de perplexity sobre hardware Arc.

Por qué importa: Reduce a menos de la mitad el tiempo de carga de modelos grandes en GPU Intel vía SYCL, un cuello de botella directo en despliegues de inference local y pruebas de perplexity sobre hardware Arc.