Noticias sobre Nvidia

Z.ai lanzó el modelo de código abierto GLM-5.3-Flash, que tiene 320 mil millones de parámetros y obtuvo una puntuación de inteligencia artificial en Artificial Analysis solo tres puntos por debajo de la mayor GLM-5.3, pero con un costo de solo una séptima parte. Es notable que todo el flujo de inferencia se ejecuta en chips de inteligencia artificial chinos, en lugar de en hardware de Nvidia. El lanzamiento de GLM-5.3-Flash marca un nuevo avance en el equilibrio entre costo y rendimiento de los modelos de inteligencia artificial.

Nvidia adquiere la plataforma de inteligencia artificial de código abierto Hugging Face por 12.900 millones de dólares, con ingresos anuales de 150 millones. La transacción es el último movimiento de Nvidia para invertir miles de millones de dólares en modelos de inteligencia artificial de código abierto, mientras que los proveedores de inteligencia artificial de código cerrado como OpenAI y Anthropic se alejan del hardware de Nvidia. La adquisición de Hugging Face es una nueva estrategia de Nvidia en el campo de la inteligencia artificial.

Nvidia está adquiriendo el centro de inteligencia artificial de código abierto Hugging Face por 129 mil millones de dólares. Esta transacción ayudará a Nvidia a proteger su imperio de chips y regresar a su negocio de computación en la nube. Hugging Face posee una gran cantidad de modelos y recursos de la comunidad que Nvidia puede aprovechar para impulsar aún más su negocio de inteligencia artificial.

Debido a la creciente demanda de centros de datos, Amazon ha realizado un pedido adicional de 2 millones de chips de procesamiento gráfico a NVIDIA, lo que representa un aumento del triple de la cantidad anterior. Esta asociación no se limita solo a la compra de chips, sino que también se extenderá a otros campos.

El entrenamiento de estrategias de navegación de robots es un paso clave para lograr la autonomía de los robots. A diferencia del control de movimiento simple, la navegación requiere que el robot se localice continuamente, interprete los cambios en el entorno circundante, elija rutas y evite obstáculos. Sin embargo, este proceso a menudo requiere grandes cantidades de datos, recursos de simulación, interfaces de robot, etc. Recientemente, los investigadores han propuesto un método para entrenar estrategias de navegación de robots a través del cuerpo utilizando agentes de inteligencia artificial, con el objetivo de mejorar la universalidad y la adaptabilidad de las estrategias de navegación de los robots.

Alibaba lanzó los pesos del modelo Qwen3.8-Flash-Next como un adelanto de la arquitectura Qwen4, que se lanzará próximamente, para que los desarrolladores puedan experimentar y evaluar. El modelo utiliza una arquitectura de expertos multimodales mixtos (MoE), con un total de 176 mil millones de parámetros, que incluyen 51 mil millones de parámetros de incrustación de N-gramas, con 6 mil millones de parámetros activados por cada token. Su ventana de contexto nativa es de 262,144 tokens, que se puede ampliar a 1M de tokens mediante YaRN.

Alibaba ha lanzado los pesos del modelo Qwen3.8-Flash-Next como una vista previa de la próxima arquitectura Qwen4, lo que permite a los desarrolladores experimentar y evaluar. El modelo utiliza una arquitectura MoE multimodal, con 12.5 mil millones de parámetros principales, complementados con 5.1 mil millones de incrustaciones de N-gram, y 600 millones de parámetros de activación por token. Soporta una ventana de contexto de 262.144 tokens, ampliable hasta 1 millón de tokens.

OpenAI mostró su primer chip de inferencia de aprendizaje profundo, Jalapeño, y realizó pruebas de rendimiento en la conferencia Hot Chips. Los resultados de las pruebas muestran que Jalapeño supera en rendimiento y eficiencia energética a Blackwell y Rubin de Nvidia. El CEO de SemiAnalysis, Dylan Patel, afirma que este es un trabajo innovador que logra superar a Nvidia desde su primera versión.

Nvidia anunció que pondrá en producción su chip de inferencia Groq 3 LPX y logró un rendimiento de 3,400 tokens por segundo en el Gemma 4 31B, supuestamente cuatro veces más rápido que Cerebras. Sin embargo, esta cifra no revela toda la verdad. Nvidia necesita al menos 64 aceleradores para alcanzar esta velocidad, mientras que Cerebras solo necesita uno o dos aceleradores.

Un gerente senior de Nvidia está involucrado en un plan para contrabandear servidores de inteligencia artificial de Supermicro a China, acción que Jensen Huang, de Nvidia, había criticado públicamente.

Nvidia está en conversaciones para invertir en Perplexity, valorando la empresa en más de 30 mil millones de dólares, después de que sus ingresos anuales hayan aumentado a 750 millones de dólares.

AVO de NVIDIA logra el 100% de ARC-AGI-3, lo que demuestra una arquitectura de propósito general de vanguardia para agentes autónomos a largo plazo. NVIDIA ha logrado un gran avance en el campo de los agentes autónomos en comparación con antes. Esto significa que la competitividad de NVIDIA en el campo de la IA ha aumentado aún más. Los desarrolladores pueden utilizar la arquitectura AVO para desarrollar agentes autónomos más inteligentes.

La publicación del blog de NVIDIA analiza el lugar de la seguridad en la pila de agentes de IA y enfatiza la importancia de integrar la seguridad en los sistemas de IA. El artículo señala que la seguridad no se trata sólo de agregar un componente separado, sino que requiere una consideración integral de la seguridad de todo el sistema.