GPTs
Prompt Engineering
¿No sabes cómo preguntarle a ChatGPT? Visita nuestro blog para aprender a formular prompts de manera óptima.
Robots
EVE (de 1X)
Características:
Diseño Humaniforme: EVE imita la forma humana, lo que le permite operar de manera eficiente en entornos diseñados para humanos.
Autonomía Basada en Redes Neuronales: Su autonomía impulsada por una red neuronal que integra la visión y la acción. La red consume imágenes y emite acciones para controlar el movimiento, los brazos, el agarre, el torso y la cabeza, todo a una frecuencia de 10Hz.
Aprendizaje End-to-End a Partir de Datos: EVE aprende comportamientos motorizados directamente de los datos visuales, sin teleoperación, gráficos por computadora, cortes, aceleraciones de video o reproducción de trayectorias programadas.
Entrenamiento con Conjuntos de Datos Diversos y de Alta Calidad: Para desarrollar sus modelos de aprendizaje automático, se utilizó un conjunto de datos de demostraciones de alta calidad y diversidad, obtenido de 30 robots EVE. Esto incluye una amplia gama de comportamientos físicos, como limpiar, ordenar hogares, recoger objetos e interactuar socialmente con humanos y otros robots.
Modelos Base y Afinamiento Específico de Tareas: EVE utiliza un modelo base que comprende un conjunto amplio de comportamientos físicos. Este modelo se afina posteriormente para desarrollar capacidades más específicas, como la manipulación de puertas o tareas de almacén, y luego se ajusta aún más para tareas específicas.
Rapidez y Flexibilidad en la Adquisición de Nuevas Habilidades: Gracias a su estrategia de entrenamiento, EVE puede adquirir nuevas habilidades con solo unos minutos de recopilación de datos y entrenamiento en una GPU de escritorio.
Operadores Androides como "Ingenieros de Software 2.0": Los operadores de EVE representan una nueva generación de ingenieros que desarrollan capacidades de robots a través de datos en lugar de escribir código, lo que aumenta significativamente la flexibilidad y capacidad de los androides para realizar tareas diversas para sus clientes.
Tutoriales
Cómo diseñar herramientas multiagente
ChatGPT explicado por Andrej Karpathy, uno de sus fundadores
Traducido a español con IA
Domina Copilot de Microsoft
Como usar Magnific AI
LM Studio Tutorial en Español
10 trucos de edición de video con Capcut
HuggingFace Assistants: La alternativa gratuita a los Custom GPTs
Noticias
Google lanza Gemini Ultra, el competidor más potente de GPT
Gemini Ultra 1.0 es el primer modelo en superar a expertos humanos en el entendimiento de lenguaje multitarea masivo (MMLU), abarcando 57 materias como matemáticas, física, historia, derecho, medicina y ética.
Introducción de Gemini Advanced:
Bard, que utiliza Gemini Pro en su versión gratuita, ahora se llamará simplemente Gemini. Está disponible en 40 idiomas y próximamente en una aplicación para Android e iOS.
La versión con Ultra se llamará Gemini Advanced.
Características de Gemini Advanced: Ofrece capacidades mejoradas en razonamiento, instrucciones, programación y colaboración creativa. Puede actuar como tutor personalizado o socio creativo.
Plan Premium de Google One AI: Permite el acceso a Gemini Advanced, ofreciendo lo mejor de la IA de Google en un solo lugar, incluyendo almacenamiento ampliado y características exclusivas de producto.
Integración de Gemini en Productos: Los modelos Gemini se integrarán en productos diarios como Workspace y Google Cloud, mejorando la productividad y ofreciendo nuevas funciones.
Gemini para Workspace: Más de 1 millón de personas ya utilizan funciones como "Help me write" a través de Duet AI, que se convertirá en Gemini para Workspace. Los suscriptores de Google One AI Premium podrán usar Gemini en Gmail, Docs, Sheets, Slides y Meet.
Gemini en Google Cloud: Duet AI se transformará en Gemini para clientes de Cloud, ayudando en productividad, desarrollo de software y protección contra ciberataques.
Futuro de Gemini: Próximamente se compartirán más detalles sobre las capacidades para desarrolladores y clientes de Cloud. Google ya está entrenando la próxima iteración de los modelos Gemini.
Google Deepmind presenta Self-Discover
SELF-DISCOVER es un marco de trabajo diseñado para modelos de lenguaje de gran escala, con el objetivo de abordar problemas de razonamiento complejo.
Autodescubrimiento de Estructuras de Razonamiento: La característica principal de SELF-DISCOVER es un proceso de autodescubrimiento donde los LLMs eligen múltiples módulos de razonamiento atómico, como el pensamiento crítico y el razonamiento paso a paso.
Composición de Estructuras de Razonamiento Explícitas: Estos módulos se combinan para formar una estructura de razonamiento explícita que los LLMs siguen durante el proceso de decodificación.
Mejora Sustancial en el Rendimiento: SELF-DISCOVER ha demostrado mejorar significativamente el rendimiento de modelos como GPT-4 y PaLM 2 en benchmarks de razonamiento desafiantes, como BigBench-Hard, razonamiento de agentes basados en datos y MATH.
Incremento de Eficacia Frente a Métodos Convencionales: Ha mostrado ser hasta un 32% más eficaz que métodos como Chain of Thought (CoT) y supera métodos intensivos en inferencia como CoT-Self-Consistency por más del 20%.
Menor Necesidad de Cómputo para Inferencia: SELF-DISCOVER requiere de 10 a 40 veces menos cómputo de inferencia en comparación con otros métodos.
Aplicabilidad Universal entre Diferentes Modelos: Las estructuras de razonamiento descubiertas son aplicables universalmente a través de distintas familias de modelos, desde PaLM 2-L hasta GPT-4, y desde GPT-4 hasta Llama2.
Similitudes con Patrones de Razonamiento Humano: Las estructuras de razonamiento descubiertas muestran tener similitudes con los patrones de razonamiento humano.
