Apple utiliza el acceso a Google Gemini para la destilación de modelos de IA en el dispositivo
Apple está aprovechando los modelos de IA Gemini de Google para crear versiones más pequeñas en el dispositivo mediante destilación. Según The Information, Google le dio a Apple "acceso completo" a Gemini en sus propios centros de datos, permitiendo a Apple personalizar el modelo para Siri y otras funciones de IA.
Cómo funciona el proceso de destilación
Apple puede pedir al modelo principal de Gemini que realice tareas que proporcionen resultados de alta calidad, incluyendo un resumen del proceso de razonamiento. Apple luego alimenta las respuestas y la información de razonamiento de Gemini para entrenar modelos más pequeños y económicos. Esto permite que los modelos más pequeños aprendan los cálculos internos utilizados por Gemini, produciendo modelos eficientes con un rendimiento similar al de Gemini pero que requieren menos potencia de cálculo.
Detalles técnicos y desafíos
- Apple puede diseñar modelos construidos para ejecutarse en dispositivos Apple sin conectividad a internet
- Apple puede editar Gemini según sea necesario para garantizar que las respuestas se alineen con los requisitos de Apple
- Apple ha encontrado problemas porque Gemini estaba ajustado para aplicaciones de chatbot y codificación, lo que no siempre cumple con las necesidades de Apple
- La versión más inteligente de Siri como chatbot planeada para iOS 27 dependerá de los modelos Gemini de Google
Capacidades y desarrollo
Siri podrá realizar muchas de las mismas funciones que Gemini y otros chatbots, incluyendo:
- Responder preguntas
- Resumir información
- Escanear y comprender documentos subidos
- Contar historias
- Brindar apoyo emocional
- Completar tareas como reservar viajes
El equipo de Modelos Fundamentales de Apple continúa trabajando en modelos de IA de Apple distintos de los modelos Gemini, lo que indica que este es un enfoque transitorio mientras Apple desarrolla sus propias capacidades de IA.
📖 Read the full source: HN AI Agents
👀 Ver también
Análisis de Problemas de Evaluación Comparativa de TB2 en la Tarea de Recuperación de WAL de la Base de Datos
Un análisis de Reddit revela problemas con la tarea db-wal-recovery de Terminal Bench 2.0, donde los agentes pueden destruir accidentalmente evidencia al abrir bases de datos SQLite, y muestra cómo la inyección de prompts afecta los resultados del ranking.
El desarrollo de IA de Uber enfrenta restricciones presupuestarias a pesar de una inversión de $3,400 millones.
Las iniciativas de IA de Uber están encontrando limitaciones presupuestarias según su CTO, a pesar de que la compañía ha destinado $3.400 millones a estos esfuerzos. El artículo analiza los desafíos de escalar el desarrollo de IA dentro de restricciones financieras.
Qwen3 27B supera a Gemma 4 26B en uso real de herramientas para un pipeline local de video con IA
Un experimento local de pipeline de video con IA muestra que Qwen3 27B maneja la llamada a herramientas limpiamente, mientras que Gemma 4 26B se quedó atascada en bucles. También cubre Said Image Turbo para generación local de imágenes y la orquestación OpenCode alcanzando 174K de contexto.
Los agentes de IA prefieren consultas estructuradas sobre lenguaje natural en la prueba del servidor Cala MCP.
El equipo de Cala construyó un servidor MCP con tres métodos de acceso al grafo de conocimiento: consultas en lenguaje natural, lenguaje de consulta estructurado y recorrido directo de entidades/relaciones. Los agentes abandonaron el lenguaje natural en minutos, eligiendo consultas estructuradas y recorrido del grafo sin necesidad de indicaciones.