software · 7 menciones
El UK AI Security Institute (AISI) ha publicado los resultados de evaluación de modelos de inteligencia artificial a través de la plataforma EvalEval, una iniciativa que busca garantizar la reproducibilidad y verificabilidad de las métricas de rendimiento. Esta colaboración, que nace de un taller co
Andon Labs ha lanzado Pion, una plataforma diseñada para ejecutar negocios completos de forma autónoma mediante agentes de inteligencia artificial. Esta iniciativa surge de la necesidad de evaluar cómo los sistemas de IA adquieren recursos en el mundo real, tras años de investigación en simulaciones
Anthropic publica en su documentación oficial la lista de system prompts empleados por Claude, la familia de modelos de lenguaje de la compañía. Estos system prompts son las instrucciones internas que el asistente recibe al iniciar una conversación en la interfaz web (claude.ai) y en las aplicacione
Un estudio publicado en arXiv investiga si los grandes modelos de lenguaje (LLM) pueden introspeccionar sobre sus propios estados internos, una cuestión difícil de evaluar mediante conversación, ya que la introspección genuina resulta indistinguible de las confabulaciones. Para resolverlo, los inves
DeepSWE, un nuevo benchmark desarrollado por Wenqi Huang y colegas, busca mejorar la evaluación de agentes de codificación de inteligencia artificial. Este nuevo conjunto de datos aborda las limitaciones de los benchmarks existentes, como la contaminación de datos y la falta de verificación fiable.
Anthropic ha lanzado Claude Opus 4.7, la versión más avanzada de su modelo de lenguaje, disponible desde el 16 de abril de 2024. Esta nueva iteración se centra en mejorar el rendimiento en tareas de codificación, visión artificial y procesos complejos, ofreciendo mayor consistencia y precisión en co
Un reciente artículo destaca cómo el lenguaje de programación Elixir, construido sobre la máquina virtual BEAM (originalmente desarrollada por Erlang en 1986), está ganando terreno en el desarrollo de inteligencia artificial, desafiando los marcos tradicionales basados en Python. Un estudio de Tence
