Noticias de IA - ítems

Google ha confirmado que está distribuyendo una actualización para recuperar la indicación de la cobertura móvil en Android Auto. Este problema ha estado presente durante meses, dejando al usuario sin un indicador visual de cobertura de red. El fallo podría hacer que el usuario creyera que su teléfono se había desconectado, mientras que las llamadas y los mensajes continuaban funcionando.

La confirmación procede de Mishaal Rahman, encargado de la relación con la comunidad de Android en Google, quien respondió en una publicación de Reddit. En su publicación, Rahman escribe: “Somos conscientes de los informes sobre la ausencia de la señal móvil y estamos distribuyendo una corrección que esperamos que solucione este problema”, y sigue: “La corrección todavía no está disponible de forma generalizada, así que puede tardar un tiempo en llegar a tu dispositivo”. Concluye sus comentarios diciendo que la persona podría apuntarse a la beta de Android Auto para intentar recibirla antes.

Su respuesta aborda el problema y la actualización, pero no se ofrece una línea de tiempo estimada para la distribución a nivel regional o por modelo de teléfono. También hay testimonios de usuarios en Reddit. Un usuario, brgomesz, publicó una captura de pantalla que ilustra cómo su indicador de red regresó a su Android Auto después de una actualización a la versión 17.8.663874. Otro usuario de Reddit comenta sus iniciales preocupaciones sobre la ausencia de indicadores de red con la versión 17.8.663874 y después actualiza su mensaje para indicar que el icono regresó en su Xiaomi 15 Ultra.

Cabe destacar que los usuarios de Android Auto deberían comprender que estas experiencias individuales no son pruebas suficientes de que un indicador de red vaya a ser restituido en el momento en que el dispositivo de la persona se actualice. La declaración de Google no vincula ninguna versión específica con el arreglo del indicador de red móvil. La solución desarrollada se está distribuyendo.

Cómo buscar la actualización

Google señala cómo el usuario puede encontrar la actualización para Android Auto. Describe un proceso que consiste en abrir la tienda de Google Play en el teléfono y pulsar en la imagen de perfil del usuario. Luego, la persona debe buscar “Gestionar apps y dispositivo” y localizar la sección de actualizaciones disponibles, pulsar en “Ver detalles” y revisar las actualizaciones para Android Auto. Si aparece una actualización para descargar, entonces se debe pulsar “Actualizar”. Otra opción es ir a la ficha de Android Auto en la tienda y pulsar “Actualizar” si aparece el botón.

El resto del procedimiento tiene que ver con las opciones de configuración manual o automática para instalar nuevas actualizaciones para Android Auto. Se debe ir a la página de la aplicación, pulsar en el menú de la esquina superior derecha y activar la actualización automática. Esta opción permite que la aplicación se actualice cuando haya actualizaciones disponibles, pero no es un factor determinante de cuándo comienza la distribución de una actualización para resolver un problema específico. La guía de Xataka sobre Android Auto ofrece una recopilación de formas en que se puede actualizar la aplicación.

En Xataka Android Auto: qué es, cómo funciona, cómo conectarlo y todo lo que puedes hacer con él

La otra solución sugerida por Rahman tiene una cláusula. La invitación a formar parte de la beta incluye una advertencia sobre su estabilidad: dichas versiones pueden tener problemas de estabilidad y algunas funciones pueden fallar. La persona debe visitar una página de registro y dar el paso de aceptar la participación en la beta de Android Auto. Esto requerirá que actualice su aplicación desde la Google Play Store. El teléfono solo puede tener instalada una versión de Android Auto. Si no hay una beta disponible, recibirá la versión habitual hasta que se publique la siguiente.

Cómo comunicar el fallo a Google

Si se sigue experimentando el mismo problema, se puede enviar comentarios a Google desde el teléfono. El procedimiento es yendo a Ajustes, “Dispositivos conectados”, “Preferencias de conexión” y “Android Auto”. Luego, se debe pulsar en el menú de la esquina superior derecha y seleccionar “Enviar comentarios”. Esta es una opción para notificar que el problema persiste en su sistema, aunque no garantiza que reciba antes la corrección.

En Xataka Cómo actualizar manualmente Android Auto para no tener que esperar a tener su última versión

Quienes participen en la beta cuentan con otra opción para enviar comentarios. Con su teléfono conectado al automóvil, se puede mantener pulsada el área de estado durante unos segundos. En un momento en que no esté conduciendo, se pulsa sobre la notificación del teléfono y se completa un formulario dentro de la aplicación. Para Android Auto, Google afirma que estos usuarios ya no necesitan activar el modo de desarrollador para utilizar esta función.

Imágenes | Reddit y GPT Image con edición

-
La noticia Google anuncia la solución tan esperada para la barra de señal celular de Android Auto fue publicada originalmente en Genbeta por Redacción de Genbeta .

Tsinghua researchers released AKV, an SGLang-based serving system for cache engineering. LLM agents drop and reposition KV cache instead of summarizing history, cutting average cost 27.7% across 4 agent benchmarks.

The post Tsinghua AI Open-Sources AKV, a Cache Engineering Server for LLM Agents on SGLang appeared first on MarkTechPost.

El jailbreak para PS5 está avanzando a pasos agigantados y ya permite descargar juegos de Windows desde una biblioteca de Steam y ejecutarlos localmente en la consola, sin necesidad de usar servicios en streaming. La herramienta que lo hace posible es Playden para PS5, un lanzador que adapta la versión de macOS de Playden. Permite […]

La entrada El jailbreak para PS5 avanza y ya permite ejecutar juegos de Windows localmente se publicó primero en MuyComputer.

See how OpenAI engineers use Codex Ultrafast to investigate incidents in minutes. Explore faster security analysis, code refactoring, and daily workflows.

Fanatics uses OpenAI to help fans complete their game-day outfits with Shop the Look. Testing across roughly 30,000 MLB products showed 10% higher engagement.

El 87,4% considera que la formación actual no integra plenamente la IA y más de la mitad cree que prepara poco o nada para trabajar con esta tecnología

L'articolo El 78% del talento tecnológico en España prevé un impacto positivo de la IA en su carrera proviene da Computing.

arXiv:2610.31606v2 Announce Type: replace-cross Abstract: Purpose: To describe an evidence-aware retrieval evaluation protocol for a clinical retrieval-augmented generation (RAG) system over breast lesion management literature, addressing the dependence of retrieval scores on annotation coverage. Methods: An 18-document corpus and an 18-query development benchmark, with one Yes/No or WH-question per document, were used. Retrieval combined dense embeddings, BM25, and cross-encoder reranking. Chunk sizes of 128 to 1024 tokens, overlaps of 0 to 20%, and four retriever configurations were evaluated. Relevance was defined by evidence spans mapped to all containing chunks, treating overlapping chunks with equivalent evidence as relevant. Retrieval was evaluated using R-Precision, Recall@K, MRR, and nDCG@K. Separately, generation was assessed on a 512-token index at K=1 to 5 using DeepEval claim-level metrics, with deepseek-v4-pro as the LLM judge, and BLEU/ROUGE metrics. Results: The selected hybrid retriever, using 384-token chunks and 20% overlap, retrieved accepted evidence in the top three results for 17 of 18 queries. Recall@3, R-Precision, MRR@3, and nDCG@3 each reached 0.94. Ground-truth curation increased evidence spans from 25 to 37 and accepted chunk targets from 36 to 51 without changing retrieval rankings. Conclusion: Cross-encoder reranking achieved the highest retrieval scores. Expanded relevance annotations increased recognized evidence without changing rankings, highlighting annotation sensitivity. The small development set and retrieval-informed curation require independent validation, including radiologist assessment of evidence sufficiency.

arXiv:2610.31495v2 Announce Type: replace-cross Abstract: Complex objects such as engineering designs and proteins are often difficult to optimise because their design spaces exhibit high-dimensional structure and objective evaluations are expensive. Generative models provide continuous latent representations, but their latent spaces can have thousands to tens of thousands of dimensions, creating a regime where the latent dimension $D$ greatly exceeds the evaluation budget. We introduce SABLE, a Bayesian optimisation method for high-dimensional latent spaces with an isotropic distribution and limited budget. SABLE uses a Bayesian affine surrogate for prediction and acquisition, treating higher-order structure as surrogate discrepancy. After $N$ observations, the slope update has dimension at most $N-1$, yielding a decomposition of each query into an in-span component optimised by expected improvement (EI) in at most $N$ dimensions and an off-span component governed by a scalar norm. We show that the off-span norm implicitly selected by affine EI can lead to underexploration, and SABLE instead prescribes it using a finite-horizon schedule, without restricting search to a learned subspace. A recompression scheme reduces information to $\mathcal O(M)$ pseudo-observations, bounding refitting cost by $\mathcal O(M^2D+M^3)$ while keeping parameter inference, prediction, and acquisition decisions to tens of milliseconds. Across synthetic benchmarks and latent-space optimisation tasks, SABLE achieves high sample efficiency and reduces decision time by several orders of magnitude at large budgets.

arXiv:2610.31017v2 Announce Type: replace-cross Abstract: Single-document LoRA adapters have been proposed as units of knowledge to be merged and retrieved; yet open-book scoring, with the document in the prompt, can credit a document's own adapter (its specialist) for reading that document as readily as for holding it. Training one adapter for each of 150 Wikipedia articles on Llama-3.1-8B-Instruct, we find that open-book scores mostly measure a reading behaviour every adapter shares: a random adapter trained on another document recovers 82 % of the specialist's open-book advantage over the base model but only 2 % of its advantage on a cloze probe that asks for the same document's facts without providing the source text, a share we cannot distinguish from zero. Content does reach the weights, since the specialists beat the base model in cloze recall by 0.094, and the geometry of their updates follows the documents they read; yet, in a test of 30 queries, adapters chosen by weight-space proximity or text embedding are not distinguishable from random ones on either probe, although that test cannot exclude an advantage of about four fifths of what a query's own adapter gains over a random one. At 16 documents or more, correctly scaled merges recover 87 % to 89 % of the specialists' open-book advantage but only 12 % to 16 % of their cloze advantage, with intervals that run from below zero to at most 32 %, against 94 % for joint training. We also report four silent errors, each of which produced a clean, wrong result.

arXiv:2610.30951v2 Announce Type: replace-cross Abstract: Sparse attention reads only a small subset of the key-value cache, and how to treat the unread tail remains a key challenge. Discarding the tail biases the output, and sampling it as previous approaches do fails at reads of 5% and below, where the tail likely holds heavy hitters the selector missed. Our key observation is that the simplest possible proxy, one token that folds the entire tail into its count-aware mean, already yields lower output error than a sample at every read behind a practical selector. We further show in closed form that at low reads sampling nearly doubles the weight error of discarding while a single proxy stays below it. Building on these findings, we explore approximating the dense attention distribution with a few proxies that target the tail. We propose OpenAttention, a pipeline of clustering, ErrorGate and top-k selection followed by a count-aware mean proxy. To implement clustering and selection both efficiently and effectively, we design training-free Query-Geometry Clustering (QGC) and a Query-Geometry Selector (QGS), which compress the keys while respecting the query directions. Additionally, unlike prior methods that rank clusters by centroid alone, ErrorGate allocates the exact read by the estimated weight error of each cluster. On RULER-32K HARD with Llama-3.1-8B, OpenAttention retains 99% of dense accuracy at a 1% read. It also achieves state-of-the-art accuracy across models, context lengths and datasets. Our customized attention kernel for OpenAttention runs the decode attention stage 10$\times$ faster than dense attention at a 1% read.