Viernes 30 de octubre de 2026 ·

Investigadores de Carnegie Mellon proponen entrenar modelos base con un único algoritmo en lugar de tres etapas

Relevancia 44 de 100 Estados Unidos, Pensilvania

Un nuevo artículo de Carnegie Mellon, con colaboradores de Johns Hopkins y Aurora Innovation, plantea que el preentrenamiento, el ajuste fino y el aprendizaje por refuerzo pueden ejecutarse como un solo algoritmo. Trata cada etapa como ajuste de máxima verosimilitud sobre datos generados por el modelo, y centra las decisiones en la composición y la programación de los datos. Según el trabajo, publicado en arXiv el 29 de octubre de 2026, mejora el equilibrio entre precisión y cómputo.

Qué significa

Si el método se confirma, los laboratorios podrían entrenar modelos sin fases separadas y obtener más rendimiento del mismo presupuesto de cómputo. El cambio clave pasa de la secuencia de etapas a cómo se mezclan y programan los datos.

Fuentes originales

Resumen de Hoy en IA. Pulsa una fuente para leer la noticia completa en su idioma original.

También ese día

Todas las noticias de IA del viernes 30 de octubre de 2026 ->