LATIDIA / EXPLORAR
Agentes y código · noticias de IA
Publicaciones relacionadas, con las más nuevas primero y acceso al archivo.
Últimas noticias relacionadas
Desde enero de 2026. Archivo recuperado: 621 publicaciones en este filtro; cobertura parcial de las fuentes accesibles. Una nueva noticia aparece primero sin cambiar la fecha de las anteriores.
Este año · Todo el archivo conservado
RACIÓN: Hacia un control cuantitativo del acceso basado en el riesgo para los agentes de IA
arXiv: 2610.24311v1Tipo de anuncio: nuevo Resumen: los agentes de IA interactúan cada vez más con entornos externos para completar tareas complejas del usuario. Estas interacciones pueden conducir a un comportamiento inesperado y exponer a los agentes a la seguridad
arXiv · cs.CRSoK: PIAtlas: Descomposición del espacio ilimitado de ataque de inyección rápida
arXiv: 2610.24999v1Tipo de anuncio: nuevo Resumen: La inyección rápida es el riesgo de seguridad dominante para las aplicaciones y agentes de modelo de lenguaje grande (LLM), sin embargo, el campo aún carece de un mapa coherente de cómo se ejecutan estos ataques
arXiv · cs.CRNo juzgue a un agente por sus mensajes: fugas del Estado privado bajo monitoreo pasivo de la comunicación del agente
arXiv:2610.25032v1 Tipo de anuncio: nuevo Resumen: Un agente de IA puede reproducir la distribución de sus mensajes y de los resultados de la tarea del receptor mientras revela información privada que la tarea nunca requirió. Preguntamos qué
arXiv · cs.CRAgentes de IA que navegan y compran por ti: qué permisos les das y qué es la inyección de instrucciones
Ningún agente de navegador es inmune, admite Anthropic. Qué es la inyección de instrucciones y 5 hábitos para que tu agente no compre por otro. La noticia Agentes de IA que navegan y compran por ti: qué permisos les das
WWWhat’s NewModel-as-a-Trojan: autoactivación de la exfiltración encubierta de DNS horneada en los pesos de un agente LLM
arXiv: 2610.22578v1Announce Type: new Abstract: Los modelos de peso abierto se descargan de hubs públicos y se ejecutan dentro de arneses de agentes que les otorgan herramientas, de manera más poderosa, un shell, bajo el supuesto de que un sandbox conta
arXiv · cs.CRGRADUACIÓN: Defensa de anticuerpos estructurada por gráficos para agentes LLM
arXiv: 2610.22828v1Announce Type: new Resumen: Los ataques de envenenamiento y descomposición de la memoria distribuyen pruebas maliciosas en las operaciones de los agentes de modelos de lenguaje grandes. Las defensas existentes a nivel de solicitud pueden pasar por alto
arXiv · cs.CRSAFE-Mem: Memoria Agénica Segura con Autoridad Fina y Recuperación Consciente de la Gobernanza
arXiv: 2610.22959v1Tipo de anuncio: nuevo Resumen: los agentes del modelo de lenguaje grande (LLM) dependen cada vez más de la memoria persistente para respaldar el razonamiento a largo plazo y las interacciones personalizadas. Sin embargo, la información recopilada de e
arXiv · cs.CRAgentLoupe: Etiquetas causales semánticas residentes en el núcleo para la observabilidad del agente de IA
arXiv: 2610.23233v1Announce Type: new Resumen: Los agentes de IA traducen las intenciones del usuario en acciones del sistema a través de invocaciones de herramientas. Atribuir con precisión estas acciones a sus interacciones LLM de origen es esencial para Secur
arXiv · cs.CRVulnSAGE: Adjudicación de informes SAST conectando el razonamiento de LLM con la estructura del programa
arXiv:2610.23035v1 Announce Type: cross Abstract: Static Application Security Testing (SAST) reporta operaciones flag cuya seguridad depende del contexto específico del proyecto, y los mantenedores deben decidir qué informes describen re
arXiv · cs.CRMemCut: Cada secreto deja un rastro en la memoria a largo plazo de los agentes de LLM
arXiv: 2610.21405v1Tipo de anuncio: nuevo Resumen: La memoria a largo plazo se ha convertido en un componente crucial de los agentes del modelo de lenguaje grande (LLM), y la mayoría de las investigaciones se centran en recuperar información relevante con precisión y eficiencia
arXiv · cs.AIJev-LiteMAS: Separar las decisiones de la generación en flujos de trabajo multiagente
arXiv: 2610.21411v1Tipo de anuncio: nuevo Resumen: Los sistemas LLM multiagente se basan en modelos generativos para la ejecución experta, la planificación del flujo de trabajo y la revisión de artefactos. Sin embargo, muchas operaciones de coordinación solo requieren decisiones limitadas
arXiv · cs.AIThe World Won 't Wait: Evaluating and Teaching Agents Under a Live Clock
arXiv: 2610.20665v1Tipo de anuncio: nuevo Resumen: los agentes del modelo de lenguaje grande (LLM) pueden resolver tareas interactivas complejas, pero el razonamiento y las llamadas a herramientas llevan tiempo. En entornos en continuo cambio, un
arXiv · cs.AIOmicsBench: un punto de referencia de múltiples giros a largo plazo de agentes de IA en bioinformática a escala de estudio de investigación
arXiv: 2610.21074v1Tipo de anuncio: nuevo Resumen: Los biólogos computacionales delegan cada vez más análisis sustanciales a los agentes de IA en sesiones de largo horizonte y múltiples turnos, pero la mayoría de los puntos de referencia de la capacidad bioinformática de los agentes
arXiv · cs.AISci$\Pi$Voto: Evaluación comparativa del juicio del investigador principal en momentos cruciales de los agentes científicos de investigación automática
arXiv:2610.21082v1 Tipo de anuncio: nuevo Resumen: los agentes del modelo de lenguaje grande (LLM) pueden mantener los experimentos científicos en funcionamiento durante meses con poca supervisión humana, pero la investigación autónoma confiable también requiere
arXiv · cs.AIMemComposer: Aprender a ensamblar memorias para agentes de LLM a través del aprendizaje de refuerzo
arXiv:2610.21091v1 Announce Type: new Resumen: La memoria del agente permite a los agentes del modelo de lenguaje grande (LLM) reutilizar experiencias pasadas sin actualizar sus parámetros. Sin embargo, la similitud semántica por sí sola no me garantiza
arXiv · cs.AICompromiso de planificación de LLM bajo observabilidad parcial
arXiv: 2610.21108v1Announce Type: new Abstract: Los agentes de planificación basados en LLM se comprometen con planes de diferentes longitudes antes de interactuar con un entorno parcialmente observable. Algunos se comprometen agresivamente con un plan a largo plazo basado en
arXiv · cs.AIMemScope: Arquitecturas de memoria de agentes en evolución a través de la reparación de código localizado
arXiv: 2610.21170v1Announce Type: new Resumen: Las arquitecturas de memoria del agente definen cómo los agentes LLM almacenan y reutilizan la experiencia en todas las tareas, pero generalmente se corrigen después de la implementación, lo que limita su adaptabilidad en
arXiv · cs.AIAutoOnboarder: Incorporación autónoma de agentes LLM
arXiv:2610.21218v1 Tipo de anuncio: nuevo Resumen: Se ha documentado que los modelos genéticos de lenguaje grande pierden la capacidad de razonamiento cuando se colocan dentro de un arnés, el software que media sus observaciones y acciones. Para
arXiv · cs.AIAuditoría de la confiabilidad de la escalada en agentes de LLM de atención médica: un punto de referencia controlado por la perturbación de las fallas del estado del flujo de trabajo
arXiv:2610.21270v1 Tipo de anuncio: nuevo Resumen: La IA biomédica confiable requiere una selección de acción confiable cuando falta evidencia, está obsoleta, es conflictiva o tardía, no solo respuestas precisas en entradas estáticas. Instantia
arXiv · cs.AIControl de sesgo e inyección para la agregación de múltiples agentes
arXiv: 2610.21290v1Tipo de anuncio: nuevo Resumen: El razonamiento multiagente con modelos de lenguaje grandes (LLM) plantea una pregunta central para la toma de decisiones colectivas: cuando los agentes no están de acuerdo, ¿en qué decisión se debe confiar? Re
arXiv · cs.AIJevAgentHarness: Evaluación comparativa, implementación y capacitación de modelos de decisión que comparten el control con los LLM
arXiv: 2610.21412v1Tipo de anuncio: nuevo Resumen: los agentes del modelo de lenguaje grande (LLM) ahora arreglan el software, operan los ordenadores y sirven a los clientes, pero sus arneses, los programas que los ejecutan, llaman a un LLM grande en cada paso,
arXiv · cs.AIAgente ISW: Integración del diálogo impulsado por LLM con el flujo de trabajo n8n para el procesamiento interno de imágenes de teledetección de ondas solitarias
arXiv: 2610.21502v1Tipo de anuncio: nuevo Resumen: La detección remota de ondas solitarias internas (ISW) requiere que los parámetros de la tarea y la información espacial se transfieran a través de la adquisición de imágenes, la detección, la extracción de franjas y p
arXiv · cs.AIProtocolo de estado del agente (ASP): una especificación ligera para la presentación de informes estatales en sistemas multiagente
arXiv:2610.21538v1 Tipo de anuncio: nuevo Resumen: El Protocolo de estado del agente (ASP) define una forma ligera para que los agentes heterogéneos de IA informen de su estado operativo a un servidor de estado, y para observadores como dashbo
arXiv · cs.AIDeciCAD: Políticas de aprendizaje de acción basadas en el arnés para agentes de CAD
arXiv: 2610.21755v1Announce Type: new Resumen: Los agentes del modelo de lenguaje grande operan a través de políticas de acción de bucle cerrado cuyo espacio de decisión está definido por un arnés de agente. Investigamos cómo se configura este espacio operativo
arXiv · cs.AI