6/7/2025 AI Express | Últimas noticias sobre tecnología de IA: de la búsqueda extrema a los asistentes inteligentes

Las bases de datos vectoriales tradicionales (VectorDB) tienen muchas limitaciones cuando se trata de datos de texto a gran escala, y una nueva tecnología llamada Memvid está cambiando eso.

Memvid ofrece una nueva forma de gestionar las memorias de IA mediante la codificación de datos de texto en archivos MP4. Esta conversión no sólo aumenta drásticamente la velocidad de recuperación, sino que también permite recuperar en menos de un segundo millones de segmentos de texto. Por ejemplo, en una base de datos con millones de registros, Memvid puede devolver resultados de consulta en milisegundos.

Detalles técnicos:

Memvid utiliza tecnología avanzada de codificación de vídeo para almacenar e indexar texto en archivos de vídeo convirtiendo la información de texto en datos binarios visuales. Este enfoque no sólo ahorra espacio de almacenamiento, sino que también mejora la eficacia de la lectura. Además, Memvid es 100% de código abierto, por lo que los desarrolladores pueden modificarlo y ampliarlo libremente.

Escenarios de aplicación:

Memvid es adecuado para una gran variedad de escenarios, como la gestión de documentos a gran escala, chatbots en tiempo real, asistentes virtuales, etc. Las ventajas de Memvid son especialmente evidentes en aplicaciones que requieren una recuperación rápida de grandes cantidades de datos de texto.

El proyecto es de código abierto en GitHub y se invita a los desarrolladores a participar y contribuir activamente.

Recientemente se ha presentado un sistema de Generación Aumentada de Recuperación (RAG) de alto rendimiento. El sistema consigue reducir el consumo de memoria en el procesamiento de documentos a gran escala a 1/32 del original mediante la integración de DeepSeek-R1 de SambaNova, la tecnología de cuantificación binaria de Qdrant y LangGraph.

Específicamente.SambaNovaDeepSeek-R1 proporciona potentes capacidades computacionales para procesar eficientemente modelos complejos de aprendizaje profundo.QdrantLa técnica de cuantificación binaria comprime aún más el espacio de almacenamiento vectorial y reduce considerablemente los requisitos de memoria. Mientras queLangGraphA su vez, la eficacia de la consulta del sistema aumenta gracias a la tecnología cartográfica.

Esta combinación no sólo reduce drásticamente la necesidad de recursos de hardware, sino que también aumenta significativamente la velocidad de procesamiento, lo que permite a las organizaciones procesar conjuntos de datos más grandes a un coste mucho menor. Se trata, sin duda, de un avance importante para las organizaciones que necesitan procesar cantidades masivas de datos de texto.

Para más información y detalles técnicos sobre el sistema, consulte: https://t.co/I380QxR3u7

Figure acaba de publicar un vídeo sin censura de 60 minutos de duración en el que muestra a su robot Figure 2, de nuevo desarrollo, destacando en una tarea de clasificación de mensajería. El robot trabajó ininterrumpidamente durante una hora sin intervención humana.

Sorprendentemente, el robot de la Figura 2 no realizó ninguna codificación específica, sino que se basó por completo en los resultados de su entrenamiento y en su red neuronal para trabajar de forma autónoma. Esta autonomía permite al robot destacar en entornos muy dinámicos y complejos.

Indicadores clave de rendimientoIncluido:

• Tiempo unitario de tratamiento de los paquetes desde6,3 segundosbajar a4,3 segundos
• Precisión de escaneado de88%Aumentado a aproximadamente95%

Estas mejoras no sólo aumentan la eficiencia, sino que también reducen significativamente las tasas de error y ofrecen un gran potencial para la industria logística.

A medida que avanza la tecnología de automatización, el éxito del robot de la Figura 2 señala la futura dirección del cambio en la industria logística. Este avance ayudará a las organizaciones a obtener una ventaja aún mayor en un mercado altamente competitivo.

Nate de LangChainAI presentó sus últimos resultados: elPlataforma abierta de agentes.. Construida sobre LangGraph, la plataforma permite el despliegue instantáneo de agentes de IA y admite la integración con diversas herramientas, como agentes de calendario. Esta potente plataforma no solo proporciona asistentes inteligentes listos para usar, sino que también permite a los usuarios personalizar el desarrollo en función de sus necesidades.

Integrando herramientas comunes como Google Calendar.Plataforma abierta de agentesSimplifica enormemente el proceso de despliegue de los asistentes de IA, facilitando la puesta en marcha a usuarios sin formación técnica. Además, proporciona a los desarrolladores interfaces API enriquecidas y documentación detallada, lo que les facilita la creación de soluciones inteligentes personalizadas.

El cofundador y director científico de Anthropic, Jared Kaplan, declaró recientemente en la TechCrunch AI Summit 2025 que la empresa ha decidido cortar el acceso directo al modelo de Claude al asistente de programación de IA Windsurf. Kaplan señaló que la decisión se basaba en gran medida en los rumores del mercado de que Windsurf estaba a punto de ser adquirida por el principal competidor de Anthropic, OpenAI.

En una entrevista, Kaplan declaró: "Sólo queremos poner nuestros recursos a disposición de clientes con los que podamos trabajar de forma constante en el futuro. Nos parecería muy raro si vendiéramos Claude a OpenAI".

Anteriormente, Bloomberg informó de que OpenAI adquiriría Windsurf por 3.000 millones de dólares, y esta misma semana, Windsurf reveló que Anthropic le había cortado el acceso directo a los modelos Claude 3.5 Sonnet y Claude 3.7 Sonnet, que son actualmente los modelos de IA de programación más populares. Windsurf se vio obligada a recurrir a recursos informáticos de terceros y expresó su decepción por la decisión, que podría causar inestabilidad a los usuarios a corto plazo.

Kaplan explicó además que Anthropic cortó el servicio Claude de Windsurf en parte debido a sus propias limitaciones de recursos informáticos, prefiriendo en esta fase asignar sus limitados recursos a asociaciones estables y a largo plazo.

Sin embargo, reveló que Anthropic aumentará significativamente el número de modelos y la potencia de cálculo a disposición de usuarios y desarrolladores en los próximos meses. Anthropic ha empezado a trabajar con Amazon, su socio en la nube, para desplegar un clúster informático completamente nuevo, que Kaplan describe como un "recurso masivo y en expansión".

Tras poner fin a su asociación directa con Windsurf, Anthropic está estableciendo activamente relaciones con otros desarrolladores de herramientas de programación de IA, como Cursor.Kaplan dejó claro que Anthropic está deseando trabajar con empresas como Cursor a largo plazo, y subrayó que Anthropic no ve a Cursor como un competidor, a pesar de que Cursor también está desarrollando modelos de IA por su cuenta.

Al mismo tiempo, Kaplan subraya que Anthropic se centra cada vez más en esta fase en el desarrollo de productos de programación de IA con capacidad de decisión autónoma, como por ejemploCódigo Claudeen lugar de presentar los servicios de IA en forma de chatbots. Cree que el modelo de chatbot no es la herramienta más eficaz para el usuario a largo plazo porque es demasiado estática, y que las inteligencias de IA con capacidad de decisión autónoma aportarán una ayuda más potente a los usuarios.

Gemini Research Assistant es un asistente de inteligencia artificial que combina los modelos Gemini y la tecnología LangGraph para realizar búsquedas inteligentes en Internet y optimizar continuamente su estrategia de búsqueda mediante el razonamiento reflexivo. El asistente no solo cuenta con potentes capacidades de recuperación de información, sino que también realiza un análisis y comprensión profundos durante el proceso de búsqueda para mejorar la relevancia y precisión de los resultados.

El modelo Gemini es una tecnología de procesamiento del lenguaje natural basada en el aprendizaje profundo que extrae información clave de grandes cantidades de datos de texto y genera respuestas de alta calidad, mientras que LangGraph es una tecnología de gráficos que visualiza entidades y relaciones en el texto para mejorar aún más las capacidades de comprensión y razonamiento del asistente de IA.

Este asistente se utiliza en una amplia gama de escenarios, como la investigación académica, la recopilación de inteligencia empresarial, la investigación de noticias, etc., para proporcionar a los usuarios un apoyo informativo eficaz y preciso. Los usuarios pueden conocer los detalles de la aplicación consultando la documentación del proyecto:.

LlamaIndex es algo más que un marco de código abierto, se está convirtiendo en un ecosistema completo. En el vídeo recién publicado@tuanacelikLas características de Llama Cloud se describen en detalle, mostrando cómo sus herramientas principales pueden utilizarse para simplificar el proceso de desarrollo de aplicaciones de modelado lingüístico a gran escala (LLM).

Este tutorial cubre las siguientes características clave:

• **Parsing**: Convierte archivos PDF complejos (por ejemplo, facturas, tablas y gráficos) en datos estructurados y adecuados para el procesamiento LLM.
• **Index**: toma datos de cualquier fuente (por ejemplo, Google Drive), los trocea, los incrusta y los almacena, todo ello gestionado y listo para ser utilizado en flujos de trabajo de Retrieval Augmented Generation (RAG) o de agentes.
• **Extracción**: extrae campos estructurados específicos de un documento, como información de un CV o un estado financiero, y proporciona referencias y razonamientos apoyados por LLM.

Esta es la primera parte de una serie de tutoriales. Los próximos vídeos mostrarán cómo crear un flujo de trabajo de agente completo utilizando estas herramientas, con ejemplos reales de cómo funcionan juntas.

Si está trabajando en algo relacionado con aplicaciones basadas en agentes, datos o LLM, no se pierda este vídeo.

📺Vea el vídeo completo en: https://t.co/f57ix6wXig

LlamaBot es un asistente de programación de IA potenciado por LangGraph diseñado para ayudar a los desarrolladores a crear aplicaciones web mediante un diálogo natural. Esta tecnología no solo admite la generación de código en tiempo real, sino que también ofrece una función de vista previa en tiempo real, lo que hace que el proceso de desarrollo sea más intuitivo y eficiente.

LlamaBot está equipado con agentes inteligentes dedicados a diferentes tareas de desarrollo, que cubren todo el proceso de desarrollo, desde el diseño de la interfaz de usuario hasta la implementación de la lógica de back-end. Tanto si se trata de la elección del framework front-end como de las operaciones de base de datos, estos agentes inteligentes ofrecen asesoramiento y soluciones profesionales.

Además, LlamaBot emplea una avanzada tecnología de procesamiento del lenguaje natural para comprender y ejecutar complejas instrucciones de desarrollo, lo que aumenta drásticamente la productividad de los desarrolladores.Para principiantesEn este sentido, el LlamaBot es una gran herramienta para aprender a programar;Para desarrolladores experimentadosPor su parte, mejora significativamente la productividad.

Los desarrolladores interesados pueden visitar el sitio web oficial para obtener más información:https://t.co/Vf29rcqHkn

Geoff Hinton, ganador del Premio Turing, ha afirmado que los grandes modelos lingüísticos (LLM) no almacenan ningún texto. Sin embargo, las últimas investigaciones sugieren que esta opinión no es del todo exacta.

Un artículo elaborado conjuntamente por Meta, DeepMind, NVIDIA y la Universidad de Cornell revela cuánta información almacenan realmente los LLM. Se ha descubierto que los modelos GPT almacenan una media de 3,6 bits de información por parámetro. Esto significa que un modelo con 1.500 millones de parámetros puede almacenar unos 675 MB de información en bruto. Este hallazgo es fundamental para los litigios actuales sobre derechos de autor entre las empresas de IA y los creadores de datos.

Entre las principales conclusiones figuran:

• El almacenamiento de información de 3,6 bits por parámetro es coherente en todos los tamaños de modelo (de 500.000 a 1.500 millones de parámetros) y ajustes arquitectónicos.
• Un mayor número de datos de formación reducirá la cantidad de memoria por muestra y reducirá el riesgo de infracción de los derechos de autor.
• Al entrenar el modelo para procesar cadenas de bits puramente aleatorias, los investigadores pudieron distinguir entre las capacidades de memoria y las de generalización.
• El modelo muestra un comportamiento más memorístico en conjuntos de datos pequeños, pero pasa a la generalización en conjuntos de datos grandes.
• Se propone un nuevo lema ampliado que relaciona el tamaño del conjunto de datos, la capacidad del modelo y la vulnerabilidad a los ataques de inferencia de pertenencia.

Estos hallazgos no sólo aportan importantes conocimientos en el ámbito técnico, sino que también proporcionan pruebas sólidas para las leyes de derechos de autor que pueden ayudar a impulsar el desarrollo de LLM más seguros.

La depresión se ha convertido en un problema común en nuestra sociedad actual.mostrar datos, Cerca de 100 millones de personas en todo el mundo sufren depresión, la mitad de las cuales son estudiantes. Churchill describió una vez la depresión como un perro negro en persecución. Ante semejante aprieto, los amigos del mundo real y ChatGPT se han convertido en una fuente vital de apoyo.

No hay nada como el apoyo de los amigos, que proporcionan interacción cara a cara, consuelo y ánimo. Sin embargo, ChatGPT también desempeña un papel importante. Muchas personas descubren que el chat de voz con ChatGPT durante los momentos bajos puede aliviar las emociones y formar parte de una terapia o programa de autoayuda. Aunque ChatGPT no puede resolver el problema subyacente, puede proporcionar apoyo emocional inmediato.

OpenAI analiza en detalle la relación persona-ordenador en su blog y subraya que el objetivo primordial del desarrollo de su modelo es servir al bienestar humano. Como cada vez más usuarios ven ChatGPT como un "objeto con personalidad", OpenAI ha empezado a estudiar el impacto de este apego emocional en la salud mental de los usuarios.

El antropomorfismo es propio de la naturaleza humana, pero ChatGPT es único porque recuerda el contexto e imita el tono de voz para proporcionar una respuesta empática. Esto permite a los usuarios solitarios o ansiosos sentirse escuchados y aceptados. Sin embargo, si se deja sin guía, permitir que la IA sustituya al apoyo emocional interpersonal podría erosionar las expectativas y la paciencia de la gente para las relaciones reales, desencadenando consecuencias sociales desconocidas.

OpenAI se centra en la conciencia perceptiva del usuario, es decir, en cuánto siente subjetivamente el usuario que el modelo está "vivo". Aunque el usuario esté seguro de que la IA no es consciente, puede sentirse profundamente implicado emocionalmente. Por tanto, el principio de diseño de OpenAI es ser cálido pero no excesivamente "personalizado", y evitar las narrativas impulsadas por el ego mientras se persigue la intimidad.

En el futuro, OpenAI ampliará sus métricas de evaluación para controlar específicamente el impacto que los comportamientos de los modelos pueden tener en el sentimiento de los usuarios, y profundizará en su investigación en ciencias sociales para intercambiar opiniones con los usuarios e incorporar los resultados de la investigación a las especificaciones de los modelos y las experiencias de los productos.