DeepSeek ha publicado hoy un importante anuncio: debido a la escasez de recursos del servidor, a partir de hoy se suspende el servicio de recarga de API. La empresa afirma que los usuarios podrán seguir utilizando el saldo de sus cuentas existentes, pero no se aceptarán nuevas recargas. Simultáneamente, DeepSeek ha anunciado su plan de ajuste de precios. El período de oferta del modelo DeepSeek-chat finalizará el 8 de febrero de 2025 a las 24:00. Una vez finalizada la oferta, este modelo aplicará una nueva tarifa: 2 yuanes por millón de tokens de entrada, mientras que los tokens de salida tendrán un coste de...

Recientemente, Anysphere, empresa dedicada al desarrollo de compiladores de código con IA, anunció que ha completado con éxito una ronda de financiación Serie B por 105 millones de dólares. Esta ronda de financiación contó con la participación de varias firmas de inversión de primer nivel, incluyendo Thrive Capital, Andreessen Horowitz (a16z) y Benchmark, lo que marca un avance significativo para el compilador Cursor en términos de innovación tecnológica y expansión del mercado. Desde su lanzamiento, el compilador Cursor se ha destacado por su...

El laboratorio de inteligencia artificial Tongyi de Alibaba Damo Academy anunció recientemente la publicación de código abierto de una tecnología de procesamiento de voz llamada ClearerVoice-Studio, diseñada para mejorar la calidad y la inteligibilidad del habla. Con la creciente aplicación de la tecnología de voz, la calidad del habla es cada vez más importante, especialmente en situaciones con ruido ambiental, reverberación y problemas de captación de sonido del dispositivo, lo que hace que la demanda de tecnología de procesamiento de voz sea cada vez más urgente.

Recientemente, la compañía Suno lanzó muestras de audio de su último modelo de generación de música v4. Estas demostraciones de audio muestran una mejora significativa en la calidad del sonido, la diversidad de tonos y la coherencia en comparación con las versiones anteriores. El modelo v4 de Suno, entrenado con una gran cantidad de datos musicales mediante técnicas de aprendizaje profundo, tiene como objetivo generar obras musicales más naturales y ricas. En comparación con las versiones anteriores, el modelo v4 ofrece un rendimiento superior en la síntesis de audio, capaz de producir composiciones más expresivas y mejorar la expresión emocional de la música. Al escuchar las muestras, los oyentes podrán apreciar una notable...

En los últimos años, las técnicas de imagen no destructiva han experimentado un rápido desarrollo en el campo de la investigación y conservación de pinturas. La técnica de análisis de fluorescencia de rayos X macro (MA-XRF) se destaca como una herramienta clave, permitiendo a los expertos identificar pigmentos, analizar técnicas pictóricas y proporcionar información valiosa para comprender el proceso creativo del artista. Sin embargo, la técnica MA-XRF genera conjuntos de datos extensos y complejos que plantean desafíos a los métodos tradicionales de análisis de datos. Recientemente, investigadores italianos han aplicado algoritmos de aprendizaje profundo al análisis espectral de conjuntos de datos MA-XRF, desarrollando un nuevo método de análisis.

XinYi Technology lanzó recientemente su último logro tecnológico: el nuevo modelo de video grande XinYi 2.0, que marca un salto tecnológico en el campo de la creación de video con IA y una profunda expansión de la libertad creativa. Esta tecnología integra algoritmos de IA avanzados y tecnología de aprendizaje profundo, pudiendo realizar la creación automatizada del proceso completo desde la concepción del guion hasta la finalización del video, reduciendo en gran medida el umbral y el costo de la creación de video.

'Las redes neuronales enfrentan desafíos al procesar datos tabulares con columnas heterogéneas.''Se propone un método para transformar las características tabulares en una representación de baja frecuencia para mejorar la capacidad de análisis de las redes neuronales.''Los experimentos demuestran que este método mejora significativamente el rendimiento y la eficiencia computacional de la red.''La investigación proporciona nuevas ideas y métodos para el procesamiento de datos tabulares complejos mediante redes neuronales.'

Investigadores de la Universidad de Moncton, Canadá, han desarrollado ECOGEN, un método innovador que utiliza el aprendizaje profundo para generar cantos de aves realistas. ECOGEN convierte grabaciones de cantos de aves en espectrogramas, generando nuevas imágenes de inteligencia artificial para proporcionar conjuntos de datos más completos para especies raras con grabaciones limitadas. Los estudios han demostrado que la adición de muestras de cantos de aves sintéticas generadas por ECOGEN a las herramientas de identificación mejoró la precisión de la clasificación de cantos de aves en un 12% de media.

El modelo de aprendizaje profundo RECAST, entrenado con conjuntos de datos más grandes, ofrece mayor flexibilidad que los modelos existentes. RECAST se basa en modelos generativos de redes neuronales y puede predecir el momento del próximo terremoto basándose en datos históricos. El entrenamiento de RECAST, acelerado por GPU, se ha probado en varias regiones, mostrando una mejora significativa en la precisión en comparación con los modelos existentes. Los investigadores planean publicar el código abierto del modelo para que otros equipos lo prueben e iteren.

Un equipo de investigación de la Universidad de Tecnología de Daegu, Corea del Sur, ha desarrollado con éxito un modelo de aprendizaje con pocos datos que puede clasificar con precisión utilizando solo una pequeña cantidad de datos de ondas cerebrales, lo que representa un avance revolucionario. Este modelo supera la limitación de los modelos tradicionales de aprendizaje profundo que requieren grandes cantidades de datos y promete impulsar nuevos avances en la investigación de las ondas cerebrales. El equipo de investigación utilizó un módulo de incrustación, un módulo de atención temporal, un módulo de atención de agregación y un módulo relacional para mejorar la precisión de clasificación del modelo. El nuevo modelo de aprendizaje profundo mostró una precisión de clasificación de hasta el 76% en la clasificación entre individuos, superando con creces los métodos anteriores.