Qué cambió, qué respaldan las pruebas y qué merece revisión: modelos, agentes, ciencia y matemáticas sin confundir anuncios con resultados verificados.
Recién descubierto no significa recién publicado. Estas fuentes no están verificadas de forma independiente.
Resúmenes editoriales de afirmaciones externas. No certificamos pruebas ni representamos a las empresas mencionadas.
Edición del 29 de octubre de 2026Tres análisis con fuentes. Texto en inglés; revisión separada por IA, no revisión científica por pares.
Directly relevant to building realistic test tasks without exporting private Sevensa or customer records.
Source: Microsoft Research · 2026-10-30
Separate AI source check · not peer reviewDirectly addresses the atlas's promise to explain methods without inventing access to hidden model reasoning.
Source: Anthropic · 2025-04-03
Separate AI source check · not peer reviewClarifies the distinction between model capability, orchestration and enforced permissions without replacing the existing Sevensa stack.
Source: NVIDIA Developer · 2026-10-30
Separate AI source check · not peer reviewSelección automática · sin revisión científica propia
Explorar investigación → · Estado de las fuentes
Agent systems · primary_technical_publication
AI is expanding beyond the data center as developers build a new generation of agents to act at the edge: monitoring driver attention and cabin
Selección automática · sin revisión científica propiaLeer la nota de investigación ↗Evaluation & safety · primary_technical_publication
Evaluating Microsoft Copilot at enterprise scale requires test data that captures the full complexity of real organizations, yet real enterprise data contains sensitive information that
Selección automática · sin revisión científica propiaLeer la nota de investigación ↗Agent systems · primary_technical_publication
Building an autonomous agent requires a model, a harness, and domain-specific tools. To deploy an agent more securely, developers need a runtime that enforces...
Selección automática · sin revisión científica propiaLeer la nota de investigación ↗Compute & efficiency · primary_technical_publication
Teams building AI applications need a repeatable path from a model configuration to a working inference endpoint. NVIDIA Dynamo is a distributed inference...
Selección automática · sin revisión científica propiaLeer la nota de investigación ↗Data & governance · provider_announcement
OpenAI will honor a shared robots.txt signal to help website operators communicate their AI training preferences to participating providers.
Selección automática · sin revisión científica propiaLeer la nota de investigación ↗AI models · provider_announcement
OpenAI shares excerpts from court briefs by creators, academics, accessibility advocates, and legal experts, among others, on how fair use supports AI training and innovation.
Selección automática · sin revisión científica propiaLeer la nota de investigación ↗Selección de trabajos, no un catálogo completo
¿Qué espacio mínimo necesita una aguja muy fina para apuntar en todas las direcciones? Esa intuición conduce al problema de Kakeya.
Algunos acertijos se vuelven muchísimo más difíciles al crecer. Un argumento de IA cuestiona esta predicción.
Imagina un remolino que gira cada vez más rápido en una región cada vez más pequeña.
Para n mayor que dos no existen enteros positivos a, b, c con aⁿ + bⁿ = cⁿ. Ya estaba demostrado; Claude lo formalizó.
Claude no resolvió la hipótesis de Riemann. Anthropic afirma haber elevado un límite inferior del 41,6 % al 67,2 %.
Una sola prueba deja margen a la suerte. Repetirla debería disminuir la probabilidad de acertar siempre. Pero los jugadores cuánticos pueden compartir entrelazamiento y correlacionar sus estrategias.
El determinante combina elementos de una matriz cuadrada. El permanente suma productos parecidos sin alternar signos. Ese cambio aparentemente pequeño conduce a otro problema computacional.
Un grupo describe operaciones reversibles. Para entender un grupo infinito, podemos intentar imitar fragmentos con permutaciones de un conjunto finito. La soficidad pregunta si esas aproximaciones siempre pueden mejorar.
Conecta cada pareja de personas y asigna un color a cada conexión. ¿Qué tamaño puede tener el grupo sin que tres personas compartan tres conexiones del mismo color?
Apilar naranjas resulta familiar. En un espacio con muchas coordenadas independientes también preguntamos qué fracción pueden ocupar bolas iguales que no se solapen.
Un grafo es una red de puntos y conexiones. Con suficientes conexiones algunos patrones son inevitables. La teoría extremal de grafos estudia esa transición.
Coloca una forma sin entrantes sobre una cuadrícula entera. Su centro de gravedad es el único punto de la cuadrícula estrictamente interior. ¿Cuánto puede crecer su volumen?
¿Podemos reconstruir una estructura a partir de su representación matemática, o estructuras diferentes pueden producir representaciones indistinguibles? Esa es la intuición de esta pregunta de rigidez.
En una cuadrícula regular de muchas dimensiones buscamos el punto más cercano a una posición dada. Incluso encontrar una aproximación bastante buena puede resultar difícil.
La redundancia permite reconocer mensajes dañados. Las palabras del código deben mantenerse suficientemente distintas. ¿Cuántos mensajes diferentes caben con una separación mínima determinada?
¿Cuántas parejas de puntos pueden estar separadas por exactamente una unidad? Una IA encontró disposiciones inesperadas.
No hay resultados coincidentes.
Verificación formal, revisión experta y revisión por pares son procesos distintos.
Exportaciones JSON y Markdown públicas con fuentes, incertidumbre y fechas, sin acceso ni JavaScript.
GET /api/v1/discoveries.jsonOpen JSON ↗GET /.well-known/ai-research.jsonAgent manifest ↗GET /llms.txtDocumentation ↗