Tecnología

IBM Research ha lanzado Mellea 0.4.0 y tres nuevas librerías Granite (`granitelib-core-r1.0`, `granitelib-rag-r1.0`, `granitelib-guardian-r1.0`), marcando un avance significativo en la IA generativa. Mellea, una biblioteca Python de código abierto, transforma el comportamiento probabilístico de los LLM en flujos de trabajo estructurados y mantenibles. La versión 0.4.0 expande la integración, introduce nuevos patrones arquitectónicos y mejora el patrón `instruct-validate-repair` con 'hooks' observables. Las librerías Granite complementan esto con adaptadores especializados para validación, optimización de pipelines RAG y seguridad. Este lanzamiento conjunto busca una IA más predecible, transparente y confiable.

El artículo explora cómo la *data augmentation*, tradicionalmente basada en la intuición, debe evolucionar hacia un enfoque riguroso que considere las invariancias implícitas en cada transformación de datos. Destaca que cada modificación de datos implica un supuesto sobre qué aspectos son irrelevantes para la etiqueta final, y que estos supuestos pueden ser beneficiosos o destructivos según la tarea. Se enfatiza la importancia crítica de validar estas transformaciones para evitar la corrupción de la señal informativa, incluso si la etiqueta técnica permanece inalterada. Finalmente, aboga por un diseño consciente y validado de los pipelines de *augmentation* para construir modelos más robustos y generalizables.

Wired ha reportado un descuento de $1,000 en la barra de sonido premium Sennheiser Ambeo Max, destacando una oferta relevante en el sector tecnológico.

SK hynix, el segundo mayor fabricante de chips de memoria, planea una IPO en EE. UU. para recaudar entre 10 y 14 mil millones de dólares. El objetivo es aumentar la producción de RAM, especialmente para inteligencia artificial, y así mitigar la crisis global conocida como 'RAMmageddon'. Este movimiento estratégico podría reconfigurar el mercado y la cadena de suministro tecnológica, fortaleciendo la infraestructura digital global.

Un PR experimental en llama.cpp introduce el prefetching de pesos al CPU para optimizar el procesamiento de prompts, beneficiando a modelos densos y pequeños con MoE, especialmente para usuarios con mucha RAM y GPU limitada.