Wall Street will get a sense of where the billions of dollars being spent on artificial intelligence are going when Nvidia Corp. reports its earnings after the bell on Wednesday. How the sinking stock market will react is another question.

من المقرر أن تعلن شركة إنفيديا عن أرباحها يوم الأربعاء، مما يوفر رؤى حول الاستثمارات الكبيرة في الذكاء الاصطناعي. تبقى ردود فعل السوق، خاصةً في ظل الانخفاض الأخير، غير مؤكدة. تراقب وول ستريت عن كثب كيف ستعكس هذه الأرباح القطاع التكنولوجي الأوسع في ظل المخاوف المتزايدة بشأن الإنفاق على الذكاء الاصطناعي.

Nvidia Corp. está programada para informar sus ganancias el miércoles, proporcionando información sobre las significativas inversiones en inteligencia artificial. La reacción del mercado, especialmente dado el reciente descenso, sigue siendo incierta. Wall Street está observando de cerca cómo estos resultados reflejarán el sector tecnológico más amplio en medio de crecientes preocupaciones sobre el gasto en IA.

Nvidia Corp. doit publier ses résultats mercredi, offrant un aperçu des investissements considérables dans l'intelligence artificielle. La réaction du marché, en particulier compte tenu de la récente baisse, reste incertaine. Wall Street surveille de près comment ces résultats refléteront le secteur technologique plus large face aux préoccupations croissantes concernant les dépenses en IA.

Nvidia Corp. is set to report its earnings on Wednesday, providing insights into the significant investments being made in artificial intelligence. The market's reaction, particularly given the recent downturn, remains uncertain. Wall Street is closely monitoring how these earnings will reflect on the broader tech sector amidst growing concerns about AI spending.

Nvidia Earnings Run Into a Market Suddenly Afraid of AI Spending

Algebris Investments’ founder and chief executive officer warned investors to reduce allocation to the world’s top technology companies as he made a bearish case for AI.

حذر الرئيس التنفيذي لشركة ألجبريس للاستثمار المستثمرين من تقليل استثماراتهم في الشركات التكنولوجية الكبرى، مشيرًا إلى مخاوف بشأن تصحيح كبير محتمل في قطاع الذكاء الاصطناعي. تعكس هذه النظرة السلبية شكوكًا متزايدة بشأن استدامة تقييمات الذكاء الاصطناعي في ظل زيادة تقلبات السوق.

El CEO de Algebris Investments ha advertido a los inversores que reduzcan su asignación a las principales empresas tecnológicas del mundo, argumentando un caso pesimista para la IA. Esta perspectiva negativa refleja un creciente escepticismo sobre la sostenibilidad de las valoraciones de la IA en medio de una mayor volatilidad del mercado.

Le PDG d'Algebris Investments a conseillé aux investisseurs de réduire leurs investissements dans les grandes entreprises technologiques, citant des préoccupations concernant une correction significative potentielle dans le secteur de l'IA. Ce point de vue pessimiste reflète un scepticisme croissant quant à la durabilité des évaluations de l'IA face à une volatilité accrue du marché.

The CEO of Algebris Investments has advised investors to decrease their investments in leading technology firms, citing concerns about a potential significant correction in the AI sector. This bearish outlook reflects a growing skepticism regarding the sustainability of AI valuations amidst increasing market volatility.

Algebris CEO Warns of ‘Significant’ Correction for Big AI Stocks

Platform reveals it hosts more than 1bn AI videos as it starts testing over next few weeks before global rolloutTikTok is giving users the power to reduce the amount of <a href="https://www.theguardian.com/technology/2025/jul/20/artificial-intelligence-ai-tools-gamechanger-for-film-makers">artificial intelligence-made content</a> on their feeds, as it revealed the platform hosts more than 1bn AI videos.The change, which is being tested over the next few weeks before a global rollout, comes as new video-generating tools such as OpenAI’s Sora and Google’s Veo 3 have spurred a surge in AI content online. <a href="https://www.theguardian.com/technology/2025/nov/19/tiktok-users-power-reduce-ai-content-on-feeds">Continue reading...</a>

ستسمح تيك توك للمستخدمين بتقليل كمية المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي في خلاصاتهم. تستضيف المنصة حاليًا أكثر من مليار فيديو تم إنشاؤه بواسطة الذكاء الاصطناعي، وتختبر هذه الميزة خلال الأسابيع القليلة المقبلة قبل طرحها عالميًا. تأتي هذه المبادرة استجابةً للزيادة في المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي، المدفوع بأدوات جديدة مثل سورا من أوبن إيه آي وفيو 3 من جوجل.

TikTok permitirá a los usuarios reducir la cantidad de contenido generado por inteligencia artificial en sus feeds. La plataforma, que actualmente alberga más de 1 mil millones de videos de IA, está probando esta función en las próximas semanas antes de un lanzamiento global. Esta iniciativa responde al aumento de contenido generado por IA, impulsado por nuevas herramientas como Sora de OpenAI y Veo 3 de Google.

TikTok va permettre aux utilisateurs de réduire la quantité de contenu généré par l'intelligence artificielle dans leurs fils d'actualité. La plateforme, qui héberge actuellement plus d'un milliard de vidéos AI, teste cette fonctionnalité au cours des prochaines semaines avant un déploiement mondial. Cette initiative répond à la prévalence croissante du contenu généré par l'IA, alimentée par de nouveaux outils comme Sora d'OpenAI et Veo 3 de Google.

TikTok is set to empower users by allowing them to reduce the amount of artificial intelligence-generated content in their feeds. The platform, which currently hosts over 1 billion AI videos, is testing this feature over the coming weeks before a global rollout. This initiative comes in response to the increasing prevalence of AI-generated content, driven by new tools like OpenAI's Sora and Google's Veo 3.

TikTok to give users power to reduce amount of AI content on their feeds

arXiv:2503.11858v3 Announce Type: replace 
Abstract: Large Language Models (LLMs) have demonstrated great potential as evaluators of NLG systems, allowing for high-quality, reference-free, and multi-aspect assessments. However, existing LLM-based metrics suffer from two major drawbacks: reliance on proprietary models to generate training data or perform evaluations, and a lack of fine-grained, explanatory feedback. In this paper, we introduce OpeNLGauge, a fully open-source, reference-free NLG evaluation metric that provides accurate explanations based on error spans. OpeNLGauge is available as a two-stage ensemble of larger open-weight LLMs, or as a small fine-tuned evaluation model, with confirmed generalizability to unseen tasks, domains and aspects. Our extensive meta-evaluation shows that OpeNLGauge achieves competitive correlation with human judgments, outperforming state-of-the-art models on certain tasks while maintaining full reproducibility and providing explanations more than twice as accurate.

OpeNLGauge هي مقياس مفتوح المصدر جديد لتقييم أنظمة توليد اللغة الطبيعية (NLG) باستخدام نماذج اللغة الكبيرة (LLMs). على عكس المقاييس الحالية التي تعتمد على نماذج ملكية، يوفر OpeNLGauge تقييمات بدون مرجع ويقدم تفسيرات دقيقة تعتمد على نطاقات الأخطاء. تم تصميمه ليكون قابلاً للتكيف مع مهام ومجالات متنوعة، حيث يظهر ارتباطًا تنافسيًا مع أحكام البشر ويتفوق على بعض النماذج المتطورة مع ضمان القابلية للتكرار.

OpeNLGauge es una nueva métrica de código abierto para la evaluación de sistemas de Generación de Lenguaje Natural (NLG) que utiliza Modelos de Lenguaje de Gran Tamaño (LLMs). A diferencia de las métricas existentes que dependen de modelos propietarios, OpeNLGauge ofrece evaluaciones sin referencia y proporciona explicaciones detalladas basadas en rangos de error. Está diseñada para ser adaptable a diversas tareas y dominios, mostrando una correlación competitiva con los juicios humanos y superando a algunos modelos de última generación, garantizando la reproducibilidad.

OpeNLGauge est une nouvelle métrique open-source pour l'évaluation des systèmes de génération de langage naturel (NLG) utilisant des modèles de langage de grande taille (LLM). Contrairement aux métriques existantes qui dépendent de modèles propriétaires, OpeNLGauge propose des évaluations sans référence et fournit des explications détaillées basées sur des plages d'erreurs. Elle est conçue pour être adaptable à diverses tâches et domaines, montrant une corrélation compétitive avec les jugements humains et surpassant certains modèles à la pointe de la technologie tout en garantissant la reprodu…

OpeNLGauge is a newly introduced open-source metric for evaluating Natural Language Generation (NLG) systems using Large Language Models (LLMs). Unlike existing metrics that depend on proprietary models, OpeNLGauge offers reference-free evaluations and provides detailed explanations based on error spans. It is designed to be adaptable to various tasks and domains, demonstrating competitive correlation with human judgments and outperforming some state-of-the-art models while ensuring reproducibility.

OpeNLGauge: An Explainable Metric for NLG Evaluation with Open-Weights LLMs

arXiv:2511.14109v1 Announce Type: new 
Abstract: Visual Place Recognition (VPR) aims to match query images against a database using visual cues. State-of-the-art methods aggregate features from deep backbones to form global descriptors. Optimal transport-based aggregation methods reformulate feature-to-cluster assignment as a transport problem, but the standard Sinkhorn algorithm symmetrically treats source and target marginals, limiting effectiveness when image features and cluster centers exhibit substantially different distributions. We propose an asymmetric aggregation VPR method with geometric constraints for locally aggregated descriptors, called $A^2$GC-VPR. Our method employs row-column normalization averaging with separate marginal calibration, enabling asymmetric matching that adapts to distributional discrepancies in visual place recognition. Geometric constraints are incorporated through learnable coordinate embeddings, computing compatibility scores fused with feature similarities, thereby promoting spatially proximal features to the same cluster and enhancing spatial awareness. Experimental results on MSLS, NordLand, and Pittsburgh datasets demonstrate superior performance, validating the effectiveness of our approach in improving matching accuracy and robustness.

$A^2$GC-VPR هو أسلوب جديد للتعرف على الأماكن البصرية (VPR) يتناول قيود أساليب التجميع التقليدية في مطابقة صور الاستعلام مع قاعدة بيانات. من خلال اعتماد نهج تجميع غير متماثل مع قيود هندسية، يعزز هذا الأسلوب فعالية مطابقة الميزات، خاصة عند التعامل مع توزيعات متباينة لميزات الصورة ومراكز التجمع. تستخدم التقنية متوسطات تطبيع الصفوف والأعمدة مع تضمينات إحداثيات قابلة للتعلم لتحسين درجات التوافق لوصفيات التجميع المحلي.

$A^2$GC-VPR es un nuevo método para el Reconocimiento Visual de Lugares (VPR) que aborda las limitaciones de los métodos de agregación tradicionales al emparejar imágenes de consulta con una base de datos. Al emplear un enfoque de agregación asimétrica con restricciones geométricas, este método mejora la efectividad del emparejamiento de características, especialmente cuando se enfrentan a distribuciones variables de características de imagen y centros de clúster. La técnica utiliza promedios de normalización fila-columna y embeddings de coordenadas aprendibles para mejorar las puntuaciones de…

$A^2$GC-VPR est une nouvelle méthode pour la reconnaissance de lieux visuels (VPR) qui s'attaque aux limites des méthodes d'agrégation traditionnelles dans l'appariement d'images de requête à une base de données. En adoptant une approche d'agrégation asymétrique avec des contraintes géométriques, cette méthode améliore l'efficacité de l'appariement des caractéristiques, en particulier lorsqu'il s'agit de distributions variées des caractéristiques d'image et des centres de clusters. La technique utilise une moyenne de normalisation ligne-colonne et des embeddings de coordonnées apprenables pour…

$A^2$GC-VPR is a new method for Visual Place Recognition (VPR) that addresses the limitations of traditional aggregation methods in matching query images to a database. By employing an asymmetric aggregation approach with geometric constraints, this method enhances the effectiveness of feature matching, particularly when dealing with varying distributions of image features and cluster centers. The technique utilizes row-column normalization averaging and learnable coordinate embeddings to improve compatibility scores for locally aggregated descriptors.

$A^2$GC: $A$symmetric $A$ggregation with Geometric Constraints for Locally Aggregated Descriptors

arXiv:2511.14247v1 Announce Type: new 
Abstract: Multi-agents rely on accurate poses to share and align observations, enabling a collaborative perception of the environment. However, traditional GNSS-based localization often fails in GNSS-denied environments, making consistent feature alignment difficult in collaboration. To tackle this challenge, we propose a robust GNSS-free collaborative perception framework based on LiDAR localization. Specifically, we propose a lightweight Pose Generator with Confidence (PGC) to estimate compact pose and confidence representations. To alleviate the effects of localization errors, we further develop the Pose-Aware Spatio-Temporal Alignment Transformer (PASTAT), which performs confidence-aware spatial alignment while capturing essential temporal context. Additionally, we present a new simulation dataset, V2VLoc, which can be adapted for both LiDAR localization and collaborative detection tasks. V2VLoc comprises three subsets: Town1Loc, Town4Loc, and V2VDet. Town1Loc and Town4Loc offer multi-traversal sequences for training in localization tasks, whereas V2VDet is specifically intended for the collaborative detection task. Extensive experiments conducted on the V2VLoc dataset demonstrate that our approach achieves state-of-the-art performance under GNSS-denied conditions. We further conduct extended experiments on the real-world V2V4Real dataset to validate the effectiveness and generalizability of PASTAT.

يقدم المقال إطارًا جديدًا للإدراك التعاوني بدون GNSS باستخدام تحديد المواقع بواسطة LiDAR، حيث يتناول التحديات التي تواجهها البيئات التي تفتقر إلى GNSS. غالبًا ما تواجه طرق تحديد المواقع التقليدية صعوبات في هذه البيئات، مما يعيق التعاون الفعال بين أنظمة الوكلاء المتعددة. تتضمن الحلول المقترحة مولد وضع خفيف الوزن مع ثقة (PGC) لتقدير الأوضاع وتمثيلات الثقة، بالإضافة إلى محول التوافق الزماني المكاني الواعي بالوضع (PASTAT) الذي يقوم بأداء التوافق المكاني مع مراعاة الثقة. كما تم تقديم مجموعة بيانات محاكاة جديدة، V2VLoc، التي يمكن تكييفها لمهام تحديد المواقع بواسطة LiDAR والاكتشاف التعاوني.

El artículo presenta un nuevo marco para la percepción colaborativa sin GNSS utilizando la localización por LiDAR, abordando los desafíos que se enfrentan en entornos sin GNSS. Los métodos de localización tradicionales a menudo tienen dificultades en estos entornos, lo que dificulta la colaboración efectiva entre sistemas multiagente. La solución propuesta incluye un Generador de Pose con Confianza (PGC) para estimar poses y confianza, junto con el Transformador de Alineación Espacio-Temporal Consciente de la Pose (PASTAT) para el alineamiento espacial. Se introduce un nuevo conjunto de datos …

L'article présente un nouveau cadre pour la perception collaborative sans GNSS utilisant la localisation par LiDAR, abordant les défis rencontrés dans les environnements privés de GNSS. Les méthodes de localisation traditionnelles peinent souvent dans ces contextes, entravant la collaboration efficace entre systèmes multi-agents. La solution proposée comprend un générateur de pose léger avec confiance (PGC) pour estimer les poses et la confiance, ainsi qu'un transformateur d'alignement spatio-temporel conscient de la pose (PASTAT) pour l'alignement spatial. Un nouveau jeu de données de simulat…

The article presents a new framework for GNSS-free collaborative perception using LiDAR localization, addressing the challenges faced in GNSS-denied environments. Traditional localization methods often struggle in these settings, hindering effective collaboration among multi-agent systems. The proposed solution includes a lightweight Pose Generator with Confidence (PGC) for estimating poses and confidence, alongside the Pose-Aware Spatio-Temporal Alignment Transformer (PASTAT) for spatial alignment. A new simulation dataset, V2VLoc, is introduced, which supports LiDAR localization and collabor…

V2VLoc: Robust GNSS-Free Collaborative Perception via LiDAR Localization

Microsoft Corp. and Nvidia Corp. are committing to invest up to a combined $15 billion in Anthropic PBC, in a move that ties the AI developer closer to two of the biggest backers for its rival OpenAI.

تستعد شركة مايكروسوفت وشركة إنفيديا لاستثمار ما يصل إلى 15 مليار دولار في شركة أنثروبيك، وهو تحرك كبير يعزز الروابط بين مطور الذكاء الاصطناعي واثنين من أكبر المنافسين لشركة أوبن إيه آي. يعكس هذا الاستثمار الاهتمام المتزايد والمنافسة في قطاع الذكاء الاصطناعي، حيث تسعى الشركات لتعزيز قدراتها وعروضها في هذا المجال سريع التطور.

Microsoft Corp. y Nvidia Corp. están listos para invertir hasta 15 mil millones de dólares en Anthropic PBC, un movimiento significativo que fortalece los lazos del desarrollador de IA con dos grandes competidores de OpenAI. Esta inversión refleja el creciente interés y competencia en el sector de la inteligencia artificial, a medida que las empresas buscan mejorar sus capacidades y ofertas en este campo en rápida evolución.

Microsoft Corp. et Nvidia Corp. s'apprêtent à investir jusqu'à 15 milliards de dollars dans Anthropic PBC, un mouvement significatif qui renforce les liens du développeur d'IA avec deux grands concurrents d'OpenAI. Cet investissement reflète l'intérêt croissant et la concurrence dans le secteur de l'intelligence artificielle, alors que les entreprises cherchent à améliorer leurs capacités et leurs offres dans ce domaine en rapide évolution.

Microsoft Corp. and Nvidia Corp. are set to invest up to $15 billion in Anthropic PBC, a significant move that strengthens the AI developer's ties to two major competitors of OpenAI. This investment reflects the growing interest and competition in the artificial intelligence sector, as companies seek to enhance their capabilities and offerings in this rapidly evolving field.

Microsoft, Nvidia to Invest Up to $15 Billion in Anthropic

The bull case for generative artificial intelligence is no longer clear and hyperscalers should be approached with caution, according to an analyst who downgraded two of Wall Street’s most-favored tech giants.

قام محلل من ريدبرن بتخفيض تصنيف مايكروسوفت وأمازون، وهما من الشركات التكنولوجية الرائدة في وول ستريت، مما يشير إلى تحول في المشاعر تجاه الذكاء الاصطناعي التوليدي. يقترح المحلل أن الحالة المتفائلة لهذه التكنولوجيا لم تعد واضحة، وينصح بالحذر عند النظر في الاستثمارات في الشركات الكبرى. يعكس هذا التخفيض تزايد الشكوك حول الأداء المستقبلي لهذين العملاقين التكنولوجيين في ظل تغير ديناميكيات السوق.

Un analista de Redburn ha degradado a Microsoft y Amazon, dos de las principales empresas tecnológicas en Wall Street, indicando un cambio en el sentimiento hacia la inteligencia artificial generativa. El analista sugiere que el panorama optimista para esta tecnología ya no es claro, aconsejando precaución al considerar inversiones en hyperscalers. Esta degradación refleja un escepticismo creciente sobre el rendimiento futuro de estos gigantes tecnológicos en medio de dinámicas de mercado cambiantes.

Un analyste de Redburn a déclassé Microsoft et Amazon, deux grandes entreprises technologiques de Wall Street, indiquant un changement de sentiment concernant l'intelligence artificielle générative. L'analyste suggère que la perspective optimiste pour cette technologie n'est plus claire, conseillant la prudence lors de l'évaluation des investissements dans les hyperscalers. Ce déclassement reflète un scepticisme croissant quant à la performance future de ces géants de la technologie dans un contexte de dynamique de marché changeante.

An analyst from Redburn has downgraded Microsoft and Amazon, two leading technology companies on Wall Street, indicating a shift in sentiment towards generative artificial intelligence. The analyst suggests that the bullish outlook for this technology is no longer clear, advising caution when considering investments in hyperscalers. This downgrade reflects a growing skepticism about the future performance of these tech giants amidst changing market dynamics.

Microsoft and Amazon Are Downgraded as Redburn Breaks Ranks With Peers

Nvidia Corp.-backed Cassava Technologies plans to raise as much as $700 million to build and upgrade a network of data centers across Africa with artificial intelligence chips, with the goal of making AI services more affordable for companies and nonprofits, as well as some of the world’s poorest people.

تخطط شركة كاسافا تكنولوجيز، المدعومة من شركة إنفيديا، لجمع ما يصل إلى 700 مليون دولار لتحسين وتوسيع شبكة من مراكز البيانات في إفريقيا المزودة بشرائح الذكاء الاصطناعي. تهدف هذه المبادرة إلى جعل خدمات الذكاء الاصطناعي أكثر سهولة وبأسعار معقولة للشركات والمنظمات غير الربحية وبعض من أفقر الناس في العالم، مما يعزز التقدم التكنولوجي في المنطقة.

Cassava Technologies, respaldada por Nvidia Corp., planea recaudar hasta 700 millones de dólares para mejorar y expandir una red de centros de datos en África equipados con chips de inteligencia artificial. La iniciativa tiene como objetivo hacer que los servicios de IA sean más accesibles y asequibles para empresas, organizaciones sin fines de lucro y algunas de las poblaciones más pobres del mundo, promoviendo así el avance tecnológico en la región.

Cassava Technologies, soutenue par Nvidia Corp., prévoit de lever jusqu'à 700 millions de dollars pour améliorer et étendre un réseau de centres de données en Afrique équipés de puces d'intelligence artificielle. Cette initiative vise à rendre les services d'IA plus accessibles et abordables pour les entreprises, les ONG et certaines des populations les plus pauvres du monde, favorisant ainsi l'avancement technologique dans la région.

Nvidia Corp.-backed Cassava Technologies is set to raise up to $700 million to enhance and expand a network of data centers across Africa equipped with artificial intelligence chips. The initiative aims to make AI services more accessible and affordable for businesses, nonprofits, and some of the world's poorest populations, thereby promoting technological advancement in the region.

Nvidia-Backed Cassava Pushes to Expand AI Access Across Africa

Meta Platforms Inc. scored a major victory in federal antitrust court on Tuesday when a judge concluded that the company doesn’t need to unravel its acquisitions of Instagram and WhatsApp, because it’s not a monopoly. But the judge’s reasoning may sting.

حققت شركة ميتا بلاتفورمز انتصارًا قانونيًا كبيرًا في المحكمة الفيدرالية لمكافحة الاحتكار، حيث خلص القاضي إلى أن الشركة ليست بحاجة إلى تفكيك استحواذاتها على إنستغرام وواتساب، مؤكدًا أنها ليست احتكارًا. تأتي هذه القرار في ظل تدقيق مستمر حول ممارسات السوق الخاصة بميتا، على الرغم من أن منطق القاضي قد يكون له آثار على عمليات الشركة المستقبلية.

Meta Platforms Inc. logró una victoria legal significativa en un tribunal federal antimonopolio, ya que un juez dictaminó que la empresa no necesita deshacer sus adquisiciones de Instagram y WhatsApp, concluyendo que no es un monopolio. Esta decisión se produce en medio de un escrutinio continuo sobre las prácticas de mercado de Meta, aunque el razonamiento del juez puede tener implicaciones para las operaciones futuras de la empresa.

Meta Platforms Inc. a remporté une victoire juridique importante devant un tribunal fédéral antitrust, un juge ayant statué que l'entreprise n'a pas besoin de se séparer de ses acquisitions d'Instagram et de WhatsApp, concluant qu'elle n'est pas un monopole. Cette décision intervient dans un contexte de surveillance continue des pratiques de marché de Meta, bien que le raisonnement du juge puisse avoir des implications pour les opérations futures de l'entreprise.

Meta Platforms Inc. achieved a significant legal victory in federal antitrust court, as a judge ruled that the company does not need to divest its acquisitions of Instagram and WhatsApp, concluding that it is not a monopoly. This decision comes amidst ongoing scrutiny of Meta's market practices, although the judge's reasoning may have implications for the company's future operations.

Nvidia Earnings Run Into a Market Suddenly Afraid of AI Spending

Was this article worth reading? Share it