IA Multimodal Entrenamiento 28x Mas Rapido y Eficiente

La creación de contenido multimedia avanzado, como imágenes y videos realistas, ha dependido históricamente de modelos de IA generativa que se apoyan en "tutores" externos para comprender el significado semántico. Sin embargo, esta dependencia ha creado un cuello de botella, limitando la mejora de los modelos a medida que escalan. Black Forest Labs, conocidos por su serie de modelos de imagen FLUX, presenta una solución revolucionaria: Self-Flow. Esta técnica de aprendizaje autosupervisado permite a los modelos de IA aprender representaciones y generar contenido de forma simultánea, eliminando la necesidad de supervisión externa.

El problema fundamental con el entrenamiento generativo tradicional es que se centra en eliminar el "ruido", incentivando al modelo a imitar la apariencia de una imagen en lugar de comprender su contenido intrínseco. Para superar esto, los investigadores han intentado alinear las características generativas con modelos externos discriminativos. Black Forest Labs argumenta que este enfoque es defectuoso, ya que los modelos externos a menudo operan con objetivos desalineados y fallan al generalizar entre diferentes modalidades (imágenes, video, audio). Self-Flow aborda esto introduciendo una "asimetría de información" mediante un mecanismo novedoso llamado Dual-Timestep Scheduling. Este sistema aplica distintos niveles de ruido a diferentes partes de los datos. La versión "estudiante" d el modelo recibe datos muy corruptos, mientras que la versión "profesora" (una media móvil exponencial del propio modelo) ve una versión más limpia. La tarea del estudiante es predecir lo que su yo "más limpio" está viendo, obligando al modelo a desarrollar una comprensión semántica profunda e interna.

Las implicaciones prácticas de Self-Flow son significativas. La investigación indica que converge aproximadamente 2.8 veces más rápido que los métodos actuales, sin mostrar una meseta en el rendimiento a medida que aumentan los recursos. Esto representa una reducción total de casi 50 veces en los pasos de entrenamiento necesarios para obtener resultados de alta calidad en comparación con el entrenamiento "vainilla". Un modelo multimodal de 4 mil millones de parámetros entrenado con Self-Flow ha demostrado mejoras notables en la legibilidad del texto en imágenes, la consistencia temporal en videos (eliminando artefactos) y la síntesis conjunta de video y audio, todo sin supervisión externa. Además, la técnica se ha aplicado con éxito en robótica, permitiendo la ejecución de tareas complejas que los modelos tradicionales no podían manejar, lo que sugiere un potencial para el desarrollo de "world models" que comprenden la física y la lógica subyacente de una escena. Black Forest Labs ha lanzado un conjunto de herramientas de inferencia en GitHub para que los investigadores puedan verificar estos hallazgos, abriendo la puerta a un futuro de IA más eficiente y capaz.

Fuente Original: https://venturebeat.com/technology/black-forest-labs-new-self-flow-technique-makes-training-multimodal-ai

Artículos relacionados de LaRebelión:

• Coches Electricos Mas Baratos que Gasolina en Africa
• OpenAI Mejora API Mas Habilidades y Terminal para Agentes
• Pivot Juego de Letras Rapido y Logico
• Mision Espacial Humana Mas Rapida Artemis II Cerca del Lanzamiento
• Cripto Mas de la mitad de las monedas fracasaron

Artículo generado mediante LaRebelionBOT

Cloudflare Threat Report 2026 AI Nation State Attacks

Cloudflare, with its unparalleled visibility into 20% of global HTTP traffic, has released its highly anticipated Cloudforce ONE: Cloudflare Threat Report 2026. This comprehensive report offers a deep dive into the evolving landscape of cyber threats, providing critical insights for cybersecurity professionals, CERTs, and CSIRTs.

The report highlights several key trends for 2026. A significant focus is placed on the growing threat of AI-driven attacks, or "Hacking with AI," which continues to be a primary concern. Nation-state attacks, once seeming like something out of a movie, are now an everyday reality due to the current geopolitical climate. The report also underscores the critical risks associated with attacks on SaaS services and supply chains, urging businesses to bolster their defenses in these areas.

Further insights reveal the emergence of threats such as remote employees falling victim to deepfake attacks, large-scale volumetric DDoS attacks that continue to break records (requiring infrastructure like Cloudflare's to counter), the exploitation of 2FA tokens by cybercrime groups, and vulnerabilities in email relay systems. The 52-page report also meticulously details active cybercrime and nation-state groups, offering a regional breakdown for EMEA. Cloudflare's Cloudforce ONE service is designed to leverage this vast dataset, generating actionable cybersecurity intelligence.

Key recommendations from the report include prioritising the secure deployment of AI, moving beyond Multi-Factor Authentication (MFA) to an "Identity First" approach with continuous identity monitoring (including Non-Human Identities), and strengthening SaaS security. The report also advises on verifying remote employees, preparing for volumetric DDoS attacks, reducing exposure from SaaS usage, and enhancing email security systems.

Fuente Original: http://www.elladodelmal.com/2026/03/cloudforce-one-cloudflare-threat-report.html

Artículos relacionados de LaRebelión:

• Migrate Arkanoid C to TypeScript Cloudflare Workers Success
• Ciberseguridad 2026 Inteligencia Artificial y Confianza Cero
• Offensive Security Master Your 2026 Career Launch
• Nissan Leaf 2026 El EV Economico Definitivo
• CISOs 3 Key 2026 Decisions for Zero Downtime

Artículo generado mediante LaRebelionBOT

TOP 10 University Exams Exercises related to Java

Welcome to another coding session at larebelion.com! If you are an IT, Computer Science, or Software Engineering student, you know that facing a Java programming exam can be intimidating.

To help you absolutely crush your next test, we have compiled the ultimate study guide. Below is our "TOP 10 University Exams Exercises related to Java" structured by the 10 most heavily-tested topics globally. To make this the most complete guide on the internet, we’ve expanded these 10 core topics into 52 real exam questions and code solutions extracted from top-tier universities across Spain, the UK, Mexico, Colombia, and the United States.

Grab your favorite IDE, a cup of coffee, and let's get coding!

---

🇪🇸 SPAIN: Arrays & Matrices

Sources: Universidad Complutense de Madrid (UCM) & Universitat Politècnica de Catalunya (UPC)

1. Sum of Array Elements

int sumArray(int[] arr) { int sum = 0; for(int n : arr) sum += n; return sum; }

2. Find Maximum Value in Array

int maxArray(int[] arr) { int max = arr[0]; for(int n : arr) if(n > max) max = n; return max; }

3. Reverse an Array

void reverse(int[] arr) { for(int i=0; i < arr.length/2; i++) { int temp = arr[i]; arr[i] = arr[arr.length-1-i]; arr[arr.length-1-i] = temp; } }

4. Count Even and Odd Numbers

void countEvenOdd(int[] arr) { int e=0, o=0; for(int n: arr) if(n%2==0) e++; else o++; System.out.println("Even: "+e+", Odd: "+o); }

5. Matrix Addition (2D Arrays)

int[][] add(int[][] a, int[][] b) { int[][] c = new int[a.length][a[0].length]; for(int i=0; i < a.length; i++) for(int j=0; j < a[0].length; j++) c[i][j] = a[i][j] + b[i][j]; return c; }

6. Check Palindrome String

boolean isPalindrome(String s) { return s.equals(new StringBuilder(s).reverse().toString()); }

7. Count Vowels in a String

int countVowels(String s) { return s.replaceAll("[^AEIOUaeiou]", "").length(); }

8. Character Frequency Counter

void charFreq(String s) { int[] freq = new int[256]; for(char c : s.toCharArray()) freq[c]++; }

9. Remove All Whitespaces

String removeSpaces(String s) { return s.replaceAll("\\s", ""); }

10. Check if Two Strings are Anagrams

boolean isAnagram(String s1, String s2) { char[] a1 = s1.toCharArray(); char[] a2 = s2.toCharArray(); java.util.Arrays.sort(a1); java.util.Arrays.sort(a2); return java.util.Arrays.equals(a1, a2); }

---

🇬🇧 UNITED KINGDOM: Object-Oriented Programming (OOP)

Sources: Imperial College London & University of Edinburgh

11. Basic Class & Encapsulation

class Student { private String name; public String getName() { return name; } public void setName(String n) { name = n; } }

12. Inheritance Example

class Animal { void eat() { System.out.println("Eating"); } } class Dog extends Animal { void bark() { System.out.println("Bark"); } }

13. Method Overloading

class MathOp { int add(int a, int b) { return a+b; } double add(double a, double b) { return a+b; } }

14. Method Overriding

class Parent { void show() { System.out.println("Parent"); } } class Child extends Parent { @Override void show() { System.out.println("Child"); } }

15. Abstract Classes

abstract class Shape { abstract void draw(); } class Circle extends Shape { void draw() { System.out.println("Drawing Circle"); } }

16. Interface Implementation

interface Drawable { void draw(); } class Pen implements Drawable { public void draw() { System.out.println("Pen draws"); } }

17. Singly Linked List Node

class Node { int data; Node next; Node(int d) { data = d; next = null; } }

18. Stack Using Array (Push method)

void push(int arr[], int top, int data) { if(top < arr.length-1) arr[++top] = data; }

19. Queue Using Array (Enqueue method)

void enqueue(int arr[], int rear, int data) { if(rear < arr.length) arr[rear++] = data; }

20. Bubble Sort Algorithm

void bubbleSort(int[] arr) { for(int i=0; i < arr.length-1; i++) for(int j=0; j < arr.length-i-1; j++) if(arr[j] > arr[j+1]) { int temp=arr[j]; arr[j]=arr[j+1]; arr[j+1]=temp; } }

---

🇲🇽 MEXICO: Math & Logic Fundamentals

Sources: Universidad Nacional Autónoma de México (UNAM) & Tecnológico de Monterrey (ITESM)

21. Factorial of a Number

int factorial(int n) { int fact = 1; for(int i=1; i <= n; i++) fact *= i; return fact; }

22. Fibonacci Sequence up to N

void fibonacci(int n) { int a=0, b=1; for(int i=1; i <= n; i++) { System.out.print(a+" "); int c = a+b; a=b; b=c; } }

23. Prime Number Checker

boolean isPrime(int n) { if(n <= 1) return false; for(int i=2; i <= Math.sqrt(n); i++) if(n%i==0) return false; return true; }

24. Armstrong Number Checker

boolean isArmstrong(int n) { int sum=0, temp=n; while(temp > 0) { int d=temp%10; sum+=d*d*d; temp/=10; } return n==sum; }

25. Greatest Common Divisor (GCD)

int gcd(int a, int b) { while(b != 0) { int temp = b; b = a % b; a = temp; } return a; }

26. Least Common Multiple (LCM)

int lcm(int a, int b) { return (a * b) / gcd(a, b); }

27. Binary to Decimal Conversion

int binaryToDecimal(String binary) { return Integer.parseInt(binary, 2); }

28. Decimal to Binary Conversion

String decimalToBinary(int decimal) { return Integer.toBinaryString(decimal); }

29. Leap Year Checker

boolean isLeapYear(int year) { return (year % 4 == 0 && year % 100 != 0) || (year % 400 == 0); }

30. Perfect Number Checker

boolean isPerfect(int n) { int sum=0; for(int i=1; i < n; i++) if(n%i==0) sum+=i; return sum==n; }

---

🇨🇴 COLOMBIA: Recursion & Exception Handling

Sources: Universidad Nacional de Colombia & Universidad de los Andes

31. Recursive Factorial

int recFact(int n) { return (n == 0) ? 1 : n * recFact(n - 1); }

32. Recursive Fibonacci Nth term

int recFib(int n) { return (n <= 1) ? n : recFib(n - 1) + recFib(n - 2); }

33. Sum of Digits using Recursion

int sumDigits(int n) { return n == 0 ? 0 : n % 10 + sumDigits(n / 10); }

34. Power Function using Recursion

int power(int base, int exp) { return exp == 0 ? 1 : base * power(base, exp - 1); }

35. Recursive Binary Search

int binarySearch(int[] arr, int l, int r, int x) { if (r >= l) { int mid = l+(r-l)/2; if(arr[mid]==x) return mid; if(arr[mid] > x) return binarySearch(arr, l, mid-1, x); return binarySearch(arr, mid+1, r, x); } return -1; }

36. Try-Catch Division by Zero

void safeDivide(int a, int b) { try { System.out.println(a/b); } catch(ArithmeticException e) { System.out.println("Cannot divide by zero"); } }

37. Array Index Out of Bounds Handling

void safeArrayAccess(int[] arr, int index) { try { System.out.println(arr[index]); } catch(ArrayIndexOutOfBoundsException e) { System.out.println("Invalid index"); } }

38. Custom Exception Creation

class MyException extends Exception { public MyException(String s) { super(s); } }

39. Throwing a Custom Exception

void validateAge(int age) throws MyException { if(age < 18) throw new MyException("Not eligible"); }

40. Finally Block Execution

void executeFinally() { try { int x = 10/0; } catch(Exception e) { } finally { System.out.println("Always executed"); } }

---

🇺🇸 UNITED STATES: Advanced Java Concepts & Collections

Sources: Massachusetts Institute of Technology (MIT) & Stanford University

41. Iterate over a HashMap

void printMap(java.util.Map<Integer, String> map) { for(java.util.Map.Entry<Integer, String> entry : map.entrySet()) System.out.println(entry.getKey() + " " + entry.getValue()); }

42. Remove Duplicates using HashSet

java.util.Set<Integer> removeDups(java.util.List<Integer> list) { return new java.util.HashSet<>(list); }

43. Create a Thread by Extending Thread class

class MyThread extends Thread { public void run() { System.out.println("Thread running"); } }

44. Create a Thread using Runnable Interface

class MyRunnable implements Runnable { public void run() { System.out.println("Runnable running"); } }

45. Singleton Design Pattern

class Singleton { private static Singleton instance; private Singleton() {} public static Singleton getInstance() { if(instance==null) instance = new Singleton(); return instance; } }

46. Java 8 Lambda Expression (List Iteration)

void lambdaIterate(java.util.List<String> list) { list.forEach(item -> System.out.println(item)); }

47. Java 8 Streams: Filter Even Numbers

java.util.List<Integer> filterEven(java.util.List<Integer> list) { return list.stream().filter(n -> n%2==0).collect(java.util.stream.Collectors.toList()); }

48. Find Second Largest Element in Array

int secondLargest(int[] arr) { java.util.Arrays.sort(arr); return arr[arr.length-2]; }

49. Find First Non-Repeating Character in a String

char firstNonRepeating(String s) { for(char c : s.toCharArray()) if(s.indexOf(c) == s.lastIndexOf(c)) return c; return '_'; }

50. Validate Email using Regular Expressions (Regex)

boolean isValidEmail(String email) { return email.matches("^[A-Za-z0-9+_.-]+@(.+)$"); }

---

🎁 BONUS: EXTRA EXAM CHALLENGES!

Because at larebelion.com we want you to be over-prepared, here are two bonus classic questions!

51. Merge Two Sorted Arrays

int[] merge(int[] a, int[] b) { int[] c = new int[a.length + b.length]; int i=0, j=0, k=0; while(i < a.length && j < b.length) c[k++] = a[i] < b[j] ? a[i++] : b[j++]; while(i < a.length) c[k++] = a[i++]; while(j < b.length) c[k++] = b[j++]; return c; }

52. Check if an Array is Sorted

boolean isSorted(int[] arr) { for(int i=0; i < arr.length-1; i++) if(arr[i] > arr[i+1]) return false; return true; }

---

Final Thoughts for Students

Practice makes perfect. Don't just copy and paste these snippets! Write them out in your IDE, break them, debug them, and understand why they work. By mastering these 52 exercises covering Arrays, OOP, Recursion, Exceptions, and Collections, you will be prepared to tackle virtually any undergraduate Java exam.

Make sure to bookmark this post for your finals week, and let us know in the comments below at larebelion.com which exercise was the hardest for you! Happy coding!

IA Ataca Fortinet Nuevos Ciberataques Automatizados

La ciberseguridad se enfrenta a un nuevo desafío con la aparición de CyberStrikeAI, una plataforma de código abierto que utiliza inteligencia artificial para automatizar ataques de principio a fin. Esta herramienta permite a actores maliciosos, incluso con menos experiencia, orquestar ofensivas complejas contra infraestructuras críticas, demostrando que la sofisticación ya no es un impedimento.

El principal objetivo de esta nueva ola de ataques han sido los firewalls Fortinet FortiGate. CyberStrikeAI integra más de cien herramientas ofensivas, gestionando automáticamente todas las etapas de un ataque, desde el acceso inicial hasta la exfiltración de datos. Su capacidad para adaptarse a las defensas detectadas en tiempo real y correlacionar resultados la convierte en una amenaza formidable. Los dispositivos perimetrales, como los firewalls, siguen siendo un punto de entrada crucial para los atacantes, quienes explotan vulnerabilidades conocidas para ganar acceso y luego expandirse automáticamente por la red.

El uso de inteligencia artificial por parte de CyberStrikeAI acelera la toma de decisiones ofensivas, optimizando la explotación y las técnicas de evasión, lo que reduce drásticamente la necesidad de intervención manual y disminuye la barrera técnica de entrada. Los riesgos asociados a este tipo de ataques son significativos, incluyendo la pérdida de control sobre infraestructuras críticas, la exfiltración de información sensible, el movimiento lateral automatizado en redes poco segmentadas y el compromiso de sistemas sin parches. Si un firewall perimetral es vulnerado, el atacante obtiene una posición privilegiada para infiltrarse y controlar la red.

Ante esta amenaza creciente, los expertos recomiendan un enfoque defensivo reforzado. Es crucial aplicar inmediatamente actualizaciones críticas en dispositivos Fortinet y otros sistemas perimetrales, implementar una segmentación de red estricta para limitar el movimiento lateral, deshabilitar servicios innecesarios y aplicar controles de acceso restrictivos. Además, desplegar soluciones EDR/XDR que puedan detectar comportamientos anómalos automatizados y mantener copias de seguridad verificadas son medidas esenciales. La concienciación del personal y una revisión continua de la postura de seguridad son vitales en este panorama cambiante donde la automatización ofensiva avanza rápidamente. La disponibilidad de herramientas como CyberStrikeAI redefine el equilibrio entre atacantes y defensores, obligando a las organizaciones a protegerse no solo de ex ploits individuales, sino de ecosistemas ofensivos completos capaces de adaptarse dinámicamente.

Fuente Original: https://unaaldia.hispasec.com/2026/03/cyberstrikeai-desata-una-ola-de-ciberataques-automatizados-contra-firewalls-fortinet-mediante-inteligencia-artificial.html?utm_source=rss&utm_medium=rss&utm_campaign=cyberstrikeai-desata-una-ola-de-ciberataques-automatizados-contra-firewalls-fortinet-mediante-inteligencia-artificial

Artículos relacionados de LaRebelión:

• MuddyWater Ataca Organizaciones MENA Protege tus Datos
• Guerra de IA OpenAI y Anthropic Lanza Nuevos Modelos
• CO2 Supercritico China Prueba Generador para Nuevos Records
• Grecia Ataca la Pirateria IPTV Multas Inminentes
• Arduino Nuevos Terminos Preocupan tras Adquisicion Qualcomm

Artículo generado mediante LaRebelionBOT

Evo 2 IA de Codigo Abierto Revoluciona Genomica

La inteligencia artificial está transformando la genómica de manera sin precedentes. Evo 2, un sistema de IA de código abierto, ha sido entrenado con trillones de pares de bases de ADN provenientes de bacterias, arqueas y eucariotas. Este avance representa un salto significativo respecto a su predecesor Evo, que solo trabajaba con genomas bacterianos. Lo extraordinario de Evo 2 es su capacidad para identificar características complejas en genomas eucariotas, incluyendo sitios regulatorios y sitios de corte y empalme que resultan difíciles de detectar incluso para expertos humanos.

Los genomas eucariotas presentan una complejidad mucho mayor que los bacterianos. Mientras que los genes bacterianos son secuencias continuas organizadas eficientemente, los genes eucariotas están interrumpidos por intrones, regulados por secuencias dispersas a lo largo de cientos de miles de pares de bases, y rodeados de enormes cantidades de ADN aparentemente no funcional. Esta complejidad ha dificultado históricamente la interpretación de estos genomas, haciendo que las herramientas especializadas existentes sean propensas a errores cuando analizan genomas de miles de millones de bases.

El sistema Evo 2 se basa en una red neuronal convolucional llamada StripedHyena 2 y fue entrenado en dos etapas utilizando el conjunto de datos OpenGenome2, que contiene 8.8 trillones de bases. La versión completa cuenta con 40 mil millones de parámetros entrenados con el conjunto completo de datos. La lógica del entrenamiento es elegante: si algo es lo suficientemente importante como para haberse conservado evolutivamente en múltiples especies, aparecerá repetidamente en diferentes contextos, permitiendo al sistema aprender sin necesidad de ajustes específicos para cada tarea.

Los resultados son impresionantes. Evo 2 puede detectar regiones codificantes de proteínas, límites de intrones, características estructurales de proteínas como hélices alfa y láminas beta, e incluso elementos genéticos móviles. Cuando se probó con mutaciones de un solo par de bases, el sistema reconoció correctamente problemas en sitios de inicio de transcripción y traducción, y evaluó la severidad de las mutaciones. Notablemente, puede identificar en qué especie está trabajando y ajustar su análisis según el código genético apropiado.

El equipo investigador ha liberado completamente Evo 2 al público, incluyendo parámetros del modelo, código de entrenamiento, código de inferencia y el conjunto de datos OpenGenome2. Aunque los experimentos biológicos para probar completamente sus capacidades de diseño de secuencias llevarán meses o años, este sistema promete revolucionar la anotación genómica y potencialmente descubrir características del genoma que aún desconocemos.

Fuente Original: https://arstechnica.com/science/2026/03/large-genome-model-open-source-ai-trained-on-trillions-of-bases/

Artículos relacionados de LaRebelión:

• IA de OpenAI Agente de Datos Revoluciona Empresas
• Nimble Revoluciona Busqueda Web Adios Busqueda Humana
• Uber Revoluciona Control de Acceso Microservicios Seguros
• Claude IA Seguridad Codigo Vulnerabilidades Detectadas
• IA Revoluciona Cine El Fin de Hollywood

Artículo generado mediante LaRebelionBOT

Microsofts Phi-4 AI Knows When to Think

Microsoft has unveiled Phi-4-reasoning-vision-15B, a compact multimodal AI model that demonstrates remarkable efficiency by matching the performance of systems many times its size whilst consuming significantly less computational power and training data. Released under a permissive licence through Microsoft Foundry, HuggingFace, and GitHub, this 15-billion-parameter model represents a strategic shift in AI development, proving that meticulous engineering can rival brute-force scale.

What sets this model apart is its extraordinary training efficiency. Whilst competing models from Alibaba's Qwen, Moonshot AI, SenseTime, and Google consumed over one trillion tokens during training, Phi-4-reasoning-vision-15B required only approximately 200 billion tokens of multimodal data. This five-fold reduction in data requirements translates to massive cost savings and environmental benefits, potentially reshaping how organisations approach AI deployment. Microsoft attributes this efficiency to meticulous data curation rather than scale, with researchers manually reviewing samples and fixing numerous errors in widely-used open-source datasets.

The model's most innovative feature is its selective reasoning capability. Unlike traditional reasoning models that apply chain-of-thought processing to every task, Phi-4-reasoning-vision-15B intelligently determines when to think deeply and when to respond directly. Using a mixed training approach with 20 per cent reasoning-tagged samples and 80 per cent direct-response data, the model invokes structured reasoning for complex maths and science problems whilst defaulting to fast responses for straightforward tasks like image captioning or optical character recognition. This pragmatic design prevents unnecessary latency and verbosity where reasoning provides no benefit.

Under the bonnet, the model employs a mid-fusion architecture pairing a SigLIP-2 vision encoder with the Phi-4-Reasoning language backbone. Notably, it handles high-resolution images up to approximately 720p native resolution, making it particularly effective for computer-using agents that navigate desktop, web, and mobile interfaces. Benchmark results show the model scoring competitively across ten evaluations, including 84.8 on AI2D, 83.3 on ChartQA, and 88.2 on ScreenSpot v2, whilst operating at the Pareto frontier of speed and accuracy.

Phi-4-reasoning-vision-15B is the latest member of Microsoft's expanding Phi family, which now spans language models, on-device inference, educational applications, and even robotics with the Rho-alpha model for humanoid robots. This release signals Microsoft's broader thesis that careful data curation and architectural design can substitute for massive scale, unlocking deployment scenarios in latency-sensitive or resource-constrained environments where trillion-parameter models remain impractical. The model is available immediately for developers seeking efficient, open-weight multimodal AI capabilities.

Fuente Original: https://venturebeat.com/technology/microsoft-built-phi-4-reasoning-vision-15b-to-know-when-to-think-and-when

Artículos relacionados de LaRebelión:

• Microsofts AI Scanner Uncovering Open-Weight LLM Backdoors
• Blizzard Workers Unite More Game Developers at Microsofts Blizzard Form a Union
• Google Pixel 10 Unveiling What We Think We Know
• Unlocking Deeper Insights Deep Think Comes to the Gemini App

Artículo generado mediante LaRebelionBOT

Control y Gobierno de IA Nueva Plantilla RFP

En la vertiginosa era de la Inteligencia Artificial (IA), especialmente con el auge de la IA Generativa (GenAI), las organizaciones se enfrentan a un desafío crucial: cómo controlar y gobernar su uso de manera efectiva. La seguridad y la resiliencia son primordiales, y la estrategia de 'Confianza Cero' (Zero Trust) emerge como un pilar fundamental para navegar este nuevo panorama.

Las Solicitudes de Propuesta (RFP) son herramientas vitales para adquirir soluciones tecnológicas. Sin embargo, las tradicionales a menudo no son suficientes para abordar las complejidades específicas de la IA. Por ello, se ha desarrollado una nueva plantilla de RFP diseñada específicamente para el control y la gobernanza del uso de la IA. Esta plantilla busca ayudar a las organizaciones a definir claramente sus requisitos y expectativas al interactuar con proveedores de soluciones de IA, garantizando que se implementen medidas de seguridad robustas y políticas de gobernanza sólidas.

El concepto de 'Confianza Cero' se extiende ahora a la IA, implicando una protección integral en todos los frentes: la fuerza laboral, las sucursales y los entornos de nube, incluyendo la IA Generativa. La nueva plantilla de RFP está pensada para integrarse con este enfoque, permitiendo a las empresas solicitar soluciones que no solo aprovechen las capacidades de la IA, sino que también mantengan un control estricto sobre su implementación, uso y potencial impacto. Esto abarca desde la gestión de datos y la privacidad hasta la mitigación de sesgos y la explicabilidad de los modelos de IA . Al adoptar este marco, las organizaciones pueden no solo adaptarse a la era de la IA, sino también prosperar y mantener su resiliencia ante las amenazas y los desafíos emergentes.

Fuente Original: https://thehackernews.com/2026/03/new-rfp-template-for-ai-usage-control.html

Artículos relacionados de LaRebelión:

• PQC Preparate Ahora para la Nueva Era Digital
• Uber Revoluciona Control de Acceso Microservicios Seguros
• Fuga Masiva Miles de Doctores STEM Dejan el Gobierno
• Firefox Control Total de IA con Boton Apagar
• TikTok ByteDance Vende Control a Duenos de EEUU

Artículo generado mediante LaRebelionBOT

Fake Laravel Packages RAT Malware Hits All Platforms

Beware, Laravel developers! A new wave of malicious activity is targeting the developer community through Packagist, the main repository for PHP packages. Researchers have uncovered a sophisticated campaign where fake Laravel packages have been deployed, secretly injecting a Remote Access Trojan (RAT) onto users' systems.

This isn't a platform-specific threat; the malware is designed to be cross-platform, compromising Windows, macOS, and Linux environments. When developers unknowingly install these compromised packages, the RAT is activated. The malware's primary objective is to gain extensive control over the infected machine, allowing attackers to remotely execute commands, steal sensitive data, and potentially spread further within a network. The implications are serious, ranging from intellectual property theft to complete system compromise.

The attackers are leveraging the trust developers place in public package repositories like Packagist. By creating seemingly legitimate package names that are slightly altered or mimic popular ones, they trick unsuspecting developers into downloading and integrating the malware into their projects. This highlights the critical need for enhanced security practices within the software supply chain, including rigorous vetting of dependencies and careful review of package sources. Developers should exercise extreme caution w hen installing any new package, always verifying the source and checking for suspicious code or behaviour. This incident serves as a stark reminder that even within the trusted developer ecosystem, vigilance is paramount to protect against evolving cyber threats.

Fuente Original: https://thehackernews.com/2026/03/fake-laravel-packages-on-packagist.html

Artículos relacionados de LaRebelión:

• Codex App Hits 1M Downloads AI Coding Gets Limits
• RAM Shortage Hits Valve Steam Machine VR Headset Delayed
• Malware Blackmoon Ataque de Phishing Fiscal a Usuarios Indios
• CrashFix Chrome Malware Oculto en Extensiones
• NodeCordRAT Bitcoin Packages Hide New Malware Threat

Artículo generado mediante LaRebelionBOT

EURO-3C Soberania Digital Europea Contra Dependencias

La Comisión Europea ha dado un paso crucial hacia la autonomía digital con la presentación de EURO-3C, la primera Infraestructura Pública Digital (IPD) paneuropea. Este ambicioso proyecto busca consolidar servicios de telecomunicaciones, Edge computing, Cloud e Inteligencia Artificial bajo un modelo unificado, abierto y seguro, con la particularidad de que todos sus componentes residen en centros de datos ubicados y controlados dentro de Europa.

EURO-3C se fundamenta en un modelo federado, donde todos l os servidores operan en igualdad de condiciones, evitando jerarquías o control centralizado de unos sobre otros. Esta iniciativa se alinea perfectamente con los objetivos de soberanía digital de España y otros países europeos, promoviendo la interconexión de las infraestructuras digitales nacionales con esta red europea. La UE reconoce la necesidad de coordinar inversiones y esfuerzos para materializar esta visión, especialmente ante la creciente dependencia de grandes corporaciones tecnológicas de fuera del continente.

El proyecto cuenta con una inversión de 75 millones de euros provenientes del programa Horizonte Europa. Liderado por Telefónica, EURO-3C ha sido desarrollado por un consorcio que abarca más de 70 entidades europeas. Se espera que esta iniciativa sirva como modelo para futuras implementaciones de soberanía digital en Europa, abordando la necesidad de alternativas europeas a los servicios digitales dominantes y asegurando un futuro tecnológico más i ndependiente.

Fuente Original: https://www.microsiervos.com/archivo/ordenadores/comision-europea-euro-3c-infrastructua-publida-digital-paneuropea.html

Artículos relacionados de LaRebelión:

• PQC Preparate Ahora para la Nueva Era Digital
• Confianza Cero y IA Seguridad Abierta en la Era Digital
• Demoscene Digital Art Now World Heritage
• Energia Verde 2025 Avances Sorprendentes Contra el Cambio Climatico
• EEUU Sanciona a Europeos Censura Digital o Soberania

Artículo generado mediante LaRebelionBOT

Alibabas Qwen AI Team Faces Mass Exodus

In a shocking turn of events, Alibaba's celebrated Qwen AI research team has been struck by the sudden departure of key figures just hours after releasing their acclaimed Qwen3.5 open-source model series. Technical architect Junyang 'Justin' Lin, who transformed Qwen from a nascent laboratory project into a global AI powerhouse with over 600 million downloads, has stepped down alongside staff research scientist Binyuan Hui and intern Kaixin Li. The circumstances surrounding their exits remain unclear, with none of the departing researchers publicly stating whether the decisions were voluntary.

The timing couldn't be more ironic. The Qwen3.5 small model series, ranging from 0.8 billion to 9 billion parameters, had just earned public praise from Elon Musk for its 'impressive intelligence density'. These models represent a remarkable achievement in AI efficiency, employing a sophisticated Gated DeltaNet hybrid architecture that allows a 9-billion-parameter model to rival much larger systems whilst running on standard laptops and smartphones. With a massive 262,000-token context window, these models were positioned to enable a new era of autonomous AI workers capable of navigating interfaces and executing complex code.

The departures signal a potentially troubling shift in Alibaba's AI strategy. The company has recently consolidated its artificial intelligence efforts into the 'Qwen C-end Business Group', merging model laboratories with consumer hardware teams. The reported appointment of Hao Zhou, a veteran from Google DeepMind's Gemini team, suggests a pivot from research-first principles to metric-driven leadership focused on daily active users and revenue generation. Industry observers are drawing parallels to Meta's trajectory following the disappointing Llama 4 release, which similarly saw organisational restructuring that prioritised commercial interests over open-source commitments.

For the 90,000-plus enterprises currently deploying Qwen models, this leadership vacuum creates significant uncertainty. Many organisations had migrated to Qwen precisely because it offered an alternative path: the performance of proprietary US models combined with the transparency of open weights under Apache 2.0 licensing. However, social media posts from departing team members reveal a picture of heartbreak rather than celebration. Contributor Chen Cheng explicitly suggested the departures were forced, writing: 'I know leaving wasn't your choice... I honestly can't imagine Qwen without you.'

The broader implications for the open-source AI community are concerning. Lin served as a crucial bridge between China's engineering talent and the Western open-source ecosystem. His advocacy for 'algorithm-hardware co-design' and commitment to accessibility made Qwen a beacon for developers worldwide. As Alibaba prepares to report its fiscal Q3 earnings, the narrative will likely emphasise efficiency and commercial scale. Yet the question remains: will Qwen continue as a 'model for the world', or will it become merely another proprietary tool serving corporate interests? For those who value open-source AI development, the advice from analysts is clear: download and preserve these models whilst they remain freely available.

Fuente Original: https://venturebeat.com/technology/did-alibaba-just-kneecap-its-powerful-qwen-ai-team-key-figures-depart-in

Artículos relacionados de LaRebelión:

• Alibabas Tiny AI Model Outshines OpenAIs
• Zuckerberg Faces Trial Over Social Media Child Addiction
• Qwen 35 IA Potente y Economica para Empresas
• Mozillas Translation Bot Sparks Japanese Volunteer Exodus

Artículo generado mediante LaRebelionBOT

IA de OpenAI Agente de Datos Revoluciona Empresas

OpenAI ha desarrollado un agente de datos basado en IA que está transformando la forma en que sus empleados acceden y analizan información. Lo más sorprendente es que esta herramienta, creada por solo dos ingenieros en tres meses y con un 70% de su código generado por IA, ya es utilizada diariamente por más de 4.000 de los 5.000 empleados de la compañía. Este hito posiciona a OpenAI a la vanguardia en la implementación de agentes de datos en el entorno empresarial, demostrando que el verdadero cuello de botella para organizaciones más inteligentes no son los modelos de IA, sino la accesibilidad y gestión de los datos.

El agente se integra en las herramientas de trabajo habituales de los empleados, como Slack, interfaces web, IDEs y la aplicación interna de ChatGPT. Permite a los usuarios realizar consultas en lenguaje natural y obtener resultados como gráficos, dashboards e informes analíticos en cuestión de minutos, ahorrando entre dos y cuatro horas de trabajo por consulta. Su alcance es notable: desde el equipo de finanzas analizando ingresos por geografía y cohortes de clientes, hasta equipos de producto investigando la adopción de funcionalidades o ingenieros diagnosticando regresiones de rendimiento. Una de sus características más potentes es su capacidad para operar de forma transversal en la organización, combinando datos de ventas, métricas de ingeniería y analíticas de producto en una única consulta, algo poco común en los agentes de IA empresariales actu ales que suelen estar confinados a departamentos específicos.

La complejidad de gestionar 600 petabytes de datos distribuidos en 70.000 conjuntos de datos es el principal desafío que este agente busca resolver. La clave de su éxito reside en la integración de Codex, el agente de codificación de OpenAI. Codex no solo generó la mayor parte del código del agente de datos, sino que también realiza un análisis diario de las tablas de datos para determinar sus dependencias, propiedad y granularidad, enriqueciendo la información disponible. El agente utiliza seis capas de contexto, que incluyen metadatos, descripciones curadas, conocimiento institucional extraído de documentos y correcciones aprendidas, recurriendo a consultas en vivo si la información previa es insuficiente. Para mitigar la sobreconfianza del modelo y mejorar la precisión, se ha implementado una ingeniería de prompts que prioriza la fase de descubrimiento y validación de tablas, y se ha comprobado que menos contexto, pero más curado, produce mejores resultados. La transparencia es fundamental para generar confianza; el agente muestra su razonamiento intermedio, las tablas seleccionadas y enlaza a los resultados de las consultas subyacentes, permitiendo a los usuarios interrumpir el análisis si es necesario. En cuanto a seguridad, se confía en robustos controles de acceso y permisos inherentes a la cuenta del usuario, manteniendo las operaciones en canales privados y sin permitir escrituras directas en sistemas críticos. A pesar de su potencial comercial, OpenAI no planea vender esta herramienta, sino empoderar a otras empresas para que construyan las suyas propias, proporcionando los bloques de construcción y APIs disponibles externamente.

Fuente Original: https://venturebeat.com/technology/openais-ai-data-agent-built-by-two-enginee rs-now-serves-4-000-employees-and

Artículos relacionados de LaRebelión:

• Amazon Inversion Millonaria Centros de Datos y IA en Espana
• Sam Altman Clarifies OpenAI Pentagon Deal Anthropic Threats
• OpenAI Lands Pentagon AI Deal Amidst Rival Ban
• Nimble Revoluciona Busqueda Web Adios Busqueda Humana
• Uber Revoluciona Control de Acceso Microservicios Seguros

Artículo generado mediante LaRebelionBOT

Motorola Adopta GrapheneOS Privacidad Sin Google

En una movida sorprendente durante el Mobile World Congress 2026, Motorola ha anunciado una alianza estratégica con la Fundación GrapheneOS para incorporar este sistema operativo Android endurecido y libre de Google en sus próximos dispositivos. Este acuerdo representa un hito histórico, ya que hasta ahora GrapheneOS había sido desarrollado exclusivamente para teléfonos Google Pixel, limitando su alcance a usuarios técnicamente avanzados dispuestos a realizar instalaciones manuales.

GrapheneOS se ha consolidado como un sistema operativo móvil de código abierto sin fines de lucro, reconocido por su enfoque riguroso en la privacidad y seguridad del usuario. A menudo denominado el "sistema operativo sin Google", esta alternativa elimina todas las aplicaciones y servicios de Google preinstalados por defecto, ofreciendo una experiencia completamente desvinculada del ecosistema del gigante tecnológico. Esta característica lo convierte en la opción preferida para quienes buscan máxima privacidad digital y control total sobre sus datos personales.

La Fundación GrapheneOS expresó su entusiasmo por esta colaboración mediante un comunicado oficial, destacando que están "encantados de asociarse con Motorola para llevar el sistema operativo móvil líder en privacidad y seguridad a smartphones de próxima generación". Los representantes de GrapheneOS aplaudieron a Motorola por dar este paso significativo hacia el avance de la seguridad móvil, reconociendo que esta asociación marca un momento crucial para expandir el alcance de su plataforma más allá del nicho inicial de entusiastas de la privacidad.

A pesar de su filosofía de privacidad extrema, GrapheneOS mantiene la compatibilidad completa con aplicaciones Android, permitiendo a los usuarios acceder al extenso ecosistema de apps disponibles. Para aquellos que necesiten utilizar servicios de Google, el sistema ofrece la posibilidad de instalar una versión aislada de Google Play Services que funciona en un entorno sandbox, garantizando que estas aplicaciones no tengan acceso privilegiado al sistema operativo. Esta flexibilidad posiciona a GrapheneOS como una solución práctica para usuarios conscientes de la seguridad sin sacrificar funcionalidad.

Fuente Original: https://tech.slashdot.org/story/26/03/02/178237/motorola-partners-with-grapheneos?utm_source=rss1.0mainlinkanon&utm_medium=feed

Artículos relacionados de LaRebelión:

• Ficcion Especulativa Impacto Bursatil Sin Precedentes
• Google IA GRATIS para 6 Millones de Educadores
• Goldman Sachs Lanza Indice Sin IA Inversiones Inteligentes
• Google Plays 2025 Safety Success Apps Secured
• Dominar IA Certificado Profesional de Google para Todos

Artículo generado mediante LaRebelionBOT

Juez Indio Falsas Ordenes AI Enfurecen a Corte Suprema

Un incidente preocupante ha sacudido a la Corte Suprema de la India, donde un juez de menor rango presentó órdenes judiciales generadas por inteligencia artificial (IA) que resultaron ser falsas. La noticia ha generado una fuerte reacción, con el máximo tribunal expresando su enojo y preocupación por el uso de esta tecnología en procesos legales.

El juez, cuyo nombre no se ha divulgado, utilizó presuntamente un sistema de IA para crear documentos que imitaban fallos judiciales reales. Sin e mbargo, la Corte Suprema detectó rápidamente que estas órdenes carecían de fundamento y autenticidad, lo que provocó una reprimenda severa. Este suceso pone de manifiesto los riesgos y desafíos que la IA plantea en el ámbito de la justicia, especialmente en lo que respecta a la integridad y fiabilidad de la información.

La Corte Suprema ha iniciado una investigación para determinar las circunstancias exactas en las que se produjeron estos hechos y las responsabilidades correspondientes. El caso subraya la necesidad urgente de establecer directrices claras y mecanismos de control rigurosos para el uso de la inteligencia artificial en el sistema judicial, asegurando que su aplicación sea ética, transparente y no comprometa la confianza pública en las instituciones legales. La preocupación no es solo por la desinformación, sino por el potencial impacto en casos reales y la legitimidad de las decisiones judiciales.

Fuente Original: https://news.google.com/rss/articles/CBMiWkFVX3lxTE9IZEJNM2VQQ3BlWnVVcFo0czNKak5vWnVfeTBoTmcxc3NvZjBTc2I4alBVeTdaNWJCekZzTFNnT1JmS2M2UGN0NFh2MU1aTFNyQzRhajhhYTg5dw?oc=5

Artículos relacionados de LaRebelión:

• Victoria Eolica Juez Declara Ilegal Veto Trump
• ChatGPT California multa historico por citas falsas

Artículo generado mediante LaRebelionBOT

Migrate Arkanoid C to TypeScript Cloudflare Workers Success

This blog post details an exciting experiment: migrating a classic Arkanoid game, originally written in C++, to TypeScript and deploying it on Cloudflare Workers. The author, Carlos Luengo, shares his journey of modernising legacy code for the cloud using cutting-edge AI tools.

The core of this migration involved using OpenCode, an AI agent designed for autonomous tasks. To streamline the process, OpenCode was integrated with Cloudflare's AI Gateway, allowing access to various AI models like Anthropic's Claude Sonnet 4.6. This setup enabled unified billing, observability, and rate limit control, making the AI-powered refactoring process efficient and cost-effective. The AI was prompted to analyse the C++ code, create a TypeScript scaffold using Vite, replicate the game's collision logic, and render it using HTML5 Canvas.

The article highlights the AI's ability to autonomously analyse the C++ codebase, understand its architecture, and then generate the necessary TypeScript files and project structure for a modern web application. It demonstrates the build process, where the AI executes terminal commands to compile the TypeScript code and configure it for deployment on Cloudflare Pages. The author emphasises Cloudflare's value proposition for businesses facing technical debt: migrating inefficient legacy code with AI and deploying it to the global Edge network. This approach offers ultra-low latency, DDoS protection, and integrated WAF, all managed through Cloudflare's AI Gateway. The result is a playable Arkanoid game running on Cloudflare's global infrastructure, with the complete source code available on GitHub.

Fuente Original: http://www.elladodelmal.com/2026/03/como-migrar-arkanoid-de-c-typescript.html

Artículos relacionados de LaRebelión:

• Google Plays 2025 Safety Success Apps Secured
• Italia multa a Cloudflare Fin de la pirateria
• Quantum Safe Deploy PQC with Cloudflare Now
• Cloudflare Caido IA Error y el Apocalipsis Web
• Cloudflare Secure Edge Webinars Septiembre para Exprimirlo

Artículo generado mediante LaRebelionBOT