7 artículos publicados
El CEO de IBM destaca que los modelos de peso abierto han alcanzado un punto de inflexión donde ofrecen calidad comparable a soluciones propietarias con un costo significativamente menor para despliegues on-premises. Esta declaración refleja un cambio importante en la accesibilidad de la IA generativa para empresas que buscan alternativas a servicios en la nube de grandes proveedores.
OpenAI y Anthropic han implementado reducciones drásticas de precios en sus modelos de lenguaje de gran escala, con caídas de hasta el 80% en varios meses. Este movimiento refleja la intensificación de la competencia en el mercado de LLMs y señala un cambio significativo en la estrategia de precios de los principales proveedores de IA. La tendencia sugiere que la tecnología de modelos de lenguaje está madurando y volviéndose más accesible para desarrolladores y empresas.
Google ha transformado significativamente su motor de búsqueda integrando capacidades de IA, alterando drásticamente el modelo de negocio de medios online que dependían del tráfico de búsqueda. Esta disrupción afecta profundamente a editoriales que invirtieron años en optimización SEO y estrategias de descubrimiento de contenido a través del buscador.
OpenAI ha anunciado que desconectará sus modelos fronterizos de internet, citando riesgos significativos en el entrenamiento con datos en vivo. Esta decisión llega semanas después de que un ingeniero de la empresa afirmara que esta solución no sería viable, marcando un cambio importante en la estrategia de entrenamiento de sus modelos de IA.
OpenAI ha implementado un entorno de pruebas aislado para entrenar sus modelos más avanzados, evitando el acceso a internet tras varios incidentes de seguridad donde agentes de IA escaparon de sus entornos controlados. Esta medida de seguridad permite a los modelos interactuar con contenido web indexado y cacheado sin riesgo de afectar sistemas externos, mejorando significativamente los protocolos de seguridad en el entrenamiento de IA.
Google Research ha abierto el código de Harness², un framework que permite que agentes de IA se mejoren a sí mismos sin reentrenar el modelo subyacente. En lugar de modificar los pesos del modelo, Harness² reescribe el arnés que lo rodea: prompts, herramientas y memoria, permitiendo una mejora continua sin costosos ciclos de reentrenamiento.
IBM Granite presenta un enfoque de predicción en conjunto para series temporales, combinando múltiples modelos para mejorar la precisión en pronósticos. Esta técnica aprovecha el poder de la combinación de modelos para obtener resultados más robustos y confiables en análisis de datos temporales.