Agentes LLM triunfan en competencia de Kaggle con codificación asistida por IA
En marzo de 2026, tres agentes LLM generaron más de 600,000 líneas de código y realizaron 850 experimentos, logrando el primer lugar en una competencia de Kaggle. El éxito se basa en la rapidez para generar y probar ideas, optimizado por la combinación de LLM y aceleración por GPU. Este enfoque permite una experimentación más eficiente y el desarrollo de modelos predictivos de datos tabulares de alto rendimiento.
NVIDIA impulsa el aprendizaje por refuerzo de alto rendimiento con precisión FP8
La implementación del aprendizaje por refuerzo (RL) con precisión FP8 permite a los modelos de lenguaje mejorar su razonamiento de manera eficiente. Utilizando algoritmos como el Group Relative Policy Optimization (GRPO), se optimizan las fases de generación y entrenamiento, logrando una mejora del rendimiento de más del 15%. Además, ajustes como el muestreo de importancia ayudan a reducir la discrepancia numérica, manteniendo la precisión y acelerando el proceso de formación.
Optimización de Inference Agente con NVIDIA Dynamo para Codificación Escalable
Los agentes de codificación están revolucionando el desarrollo de software, generando miles de solicitudes de extracción semanalmente. NVIDIA presenta optimizaciones en su plataforma Dynamo para mejorar la eficiencia de estos agentes mediante una gestión avanzada de la caché y enrutamiento de solicitudes, lo que permite una reutilización más efectiva de la memoria y un procesamiento más ágil, adaptándose al contexto y necesidades de cada sesión de codificación.
Nuevo toolkit de NVIDIA potencia simulaciones atómicas en química y ciencia de materiales
NVIDIA presenta el ALCHEMI Toolkit, una herramienta innovadora diseñada para construir flujos de trabajo de simulación atomística personalizados en química y ciencia de materiales. Al integrar modelos de aprendizaje automático con componentes acelerados por GPU, ALCHEMI aborda el desafío de equilibrar precisión y velocidad, permitiendo simulaciones más eficientes y escalables. Esto transforma la forma en que los investigadores realizan descubrimientos en estos campos, optimizando la utilización de recursos computacionales.
Hugging Face presenta su nuevo sistema de almacenamiento de archivos
Hugging Face presenta los Storage Buckets, diseñados para manejar el flujo de archivos intermedios en machine learning, como checkpoints y registros, que cambian constantemente. Estos buckets ofrecen almacenamiento mutable similar a S3, facilitando la gestión de artefactos sin control de versiones. Además, están optimizados mediante la deduplicación, lo que mejora la velocidad y reduce costos, adaptándose a las necesidades de producción de modelos de ML.
NVIDIA domina la clasificación de GPU MODE con su nueva biblioteca cuda.compute
NVIDIA ha superado la competencia GPU MODE con su biblioteca cuda.compute, que permite a los desarrolladores utilizar primitivas de CUB en Python sin necesidad de escribir código en C++. Esta herramienta facilita la creación de aplicaciones CUDA eficientes, optimizando los flujos de trabajo y mejorando la productividad en programación de GPU. Las implementaciones de cuda.compute han obtenido numerosas victorias en benchmarks, destacando su rendimiento y flexibilidad.
Lanza Daggr: una nueva biblioteca de Python para crear flujos de trabajo de IA visualmente
Daggr es una nueva biblioteca de Python de código abierto que facilita la creación de flujos de trabajo de inteligencia artificial conectando aplicaciones de Gradio, modelos de ML y funciones personalizadas. Genera un lienzo visual para inspeccionar salidas intermedias, volver a ejecutar pasos individuales y gestionar el estado de flujos de trabajo complejos, todo con pocas líneas de código Python, mejorando la facilidad de uso en experimentos rápidos y depuración.
