12 notas publicadas
Google DeepMind publica un modelo experimental MoE de 26B parámetros bajo Apache 2.0 que genera bloques de 256 tokens en paralelo, alcanzando 1.000 tok/s en una NVIDIA H100.
Google DeepMind presenta un programa de tres meses para acelerar startups europeas enfocadas en IA física, robótica avanzada y modelos de lenguaje especializados.
El framework combina Gemini 3.1 Pro con el compilador Lean para demostrar conjeturas abiertas hace décadas, a un costo de inferencia de pocos cientos de dólares por problema.
Victoria Song, de The Verge, advierte que la frase de Demis Hassabis en el keynote simplifica un proceso científico que tomará al menos dos décadas, no tres años.
Construido con Gemini, el sistema usa una coalición de agentes para generar, debatir y refinar hipótesis científicas, según un paper publicado en Nature.
El primer release de la familia es 3.5 Flash, líder en agentes y coding sobre su antecesor Pro, con velocidad cuatro veces mayor que otros modelos frontier.
El modelo más rápido en su clase de inteligencia consume tantos tokens en tareas de agentes que supera incluso al Gemini 3.1 Pro en costo total.
DeepMind conecta su modelo de mundo Genie con los 280.000 millones de imágenes de Street View, lo que permite simular escenarios raros para entrenar agentes y robots en lugares concretos.
DeepMind libera Hypothesis Generation, Computational Discovery y Literature Insights en Google Labs, con más de 100 instituciones validando y papers publicados hoy en Nature.
El equipo presenta cuatro principios de interacción para que el puntero capture contexto visual y semántico, con un prototipo de Magic Pointer que llegará pronto al laptop Googlebook.
Un año después del lanzamiento, el agente potenciado con Gemini ya optimiza chips, redes eléctricas y problemas matemáticos abiertos como Ramsey o el problema del viajante.
Otros temas que aparecen junto a #google deepmind en nuestra cobertura editorial.
