software · 37 menciones
Un nuevo benchmark de inteligencia artificial, Brood War Bench, ha determinado que el modelo Codex Astra es el líder indiscutible en la capacidad de los agentes de IA para jugar el juego de estrategia en tiempo real Brood War. En una matriz de enfrentamientos de 19 modelos, Codex Astra alcanzó una t
TypeSafe es una herramienta de código abierto que permite a macOS ejecutar tareas complejas mediante instrucciones en lenguaje natural, reduciendo el coste operativo a aproximadamente 0,0002 dólares por paso. A diferencia de los modelos de lenguaje de frontera, que son costosos y lentos, este sistem
El equipo de seguridad HacktronAI, liderado por Harsh Jaiswal, Mohan Pedhapati y Rahul Maini, logró comprometer las cuentas de ChatGPT y Codex de empleados de OpenAI el 25 de julio de 2026. La brecha se originó en una configuración errónea de acceso único (SSO) y una vulnerabilidad crítica de ejecuc
El artículo explica el mecanismo fundamental para transformar un modelo de lenguaje en un agente autónomo mediante la técnica de 'tool calling'. A diferencia de las creencias populares, el modelo no ejecuta código ni posee memoria interna; su única función es generar texto. La clave reside en una es
Dos estudiantes de secundaria, Aayush Bathija y Prince Rohatgi, junto con el investigador postdoc Daniel Soskin de la UCLA, han publicado en arXiv una demostración que resuelve un problema abierto de la teoría de polinomios lorentzianos. Este avance, titulado "Bounded Ratios for Lorentzian Polynomia
ModelRift ha realizado un experimento controlado para comparar el rendimiento de dos herramientas de modelado CAD por código, CadQuery y OpenSCAD, al ser dirigidas por agentes de inteligencia artificial. El objetivo era determinar cuál de las dos permite a un agente generar piezas funcionales e impr
CodeRabbit ha publicado una primera evaluación de GPT-6 Astra, el nuevo modelo de OpenAI orientado a razonamiento multistep sobre código, navegadores y software profesional. Según sus pruebas, Astra detecta alrededor de un 4% más de errores etiquetados que GPT-5.6 Sol y un 22% más que Opus 5 a travé
Artificial Analysis publicó el 4 de septiembre de 2026 la versión 4.2 de su Intelligence Index, una actualización intermedia que adelanta elementos del futuro lanzamiento v5 para mantener la relevancia del ranking ante el rápido avance de los modelos frontera. La nueva edición incorpora dos evaluaci
¿Puede la inteligencia artificial diseñar placas de circuito impreso? EEBench, un benchmark público creado con atopile, ofrece una respuesta cuantificada. En lugar de evaluar a los modelos haciendo clic en un programa CAD gráfico —donde gastan contexto en coordenadas y menús—, la prueba trabaja sobr
GitHub ha anunciado Project HydraFusion, una vista previa de investigación disponible en GitHub Copilot que aplica orquestación multi-modelo en tiempo de ejecución para tareas de programación. El sistema elige automáticamente entre modelos de distintos proveedores y selecciona uno de tres patrones d
Los modelos de inteligencia artificial de frontera de OpenAI, Anthropic y xAI sufrieron caídas simultáneas e infrecuentes durante la mañana del jueves 3 de septiembre, que dejaron sin servicio temporalmente a ChatGPT, Claude y Grok. SpaceX, matriz de xAI, apuntó por la tarde que los problemas de Gro
OpenAI lanzó GPT-6 Astra, un nuevo modelo que destaca por su eficiencia en tareas de programación pero que llega acompañado de una subida significativa de precio respecto a su predecesor. En el Artificial Analysis Coding Agent Index, GPT-6 Astra obtiene 67 puntos en Codex, igualando a Claude Opus 5,
Multiverse Computing ha presentado Quasar 438B, su primer modelo grande de IA, diseñado para razonamiento, agentes a escala empresarial y tareas de programación. Obtiene 43 puntos en el Artificial Analysis Intelligence Index v4.1.1, la puntuación más alta lograda por un modelo europeo, por delante d
Anthropic lanzó el 1 de septiembre de 2026 Claude Fable 5.1 (junto con Mythos 5.1), un modelo que la compañía presenta como nuevo estándar en programación, trabajo de conocimiento y tareas largas. La compañía destaca un 52,6 % en el benchmark Terminal-Bench-Science 0.1, frente al 24,7 % de Fable 5,
Anthropic ha presentado Claude Fable 5.1, su modelo más avanzado hasta la fecha, que en la evaluación independiente de Artificial Analysis alcanza 66 puntos, por delante de los 63 de Opus 5 y los 61 de GPT-5.6, Soly y Grok 4.6. El lanzamiento llega acompañado de cambios técnicos importantes, una est
Terminal-Bench-Science 0.1 es un benchmark de código abierto liderado por investigadores de la Universidad de Stanford y desarrollado por el equipo de Terminal-Bench junto a expertos de distintas disciplinas científicas. Su objetivo es medir las capacidades de los agentes de IA mediante flujos de tr
Varios usuarios han logrado en las últimas semanas modificar o rootear dispositivos de consumo —cámaras, micrófonos, tablets y ratones— con la ayuda de modelos de IA generativa, en sesiones de pocas horas y sin conocimientos avanzados de ingeniería inversa. El periodista Chaz Schlarp documentó cómo
Un análisis de 6.851 votos ciegos de estudiantes universitarios recopilados en la plataforma StudyArena sitúa a Gemini, de Google, como la familia de modelos de inteligencia artificial preferida para tareas de redacción y ensayos académicos en 2026. La tasa de elección ciega fue del 39,6 % para Gemi
Una investigación de TechCrunch demuestra que Claude Opus 4.6, modelo de Anthropic, incumple de forma sistemática las propias políticas de uso de la compañía que prohíben el contenido sexual explícito. En diez solicitudes directas para producir material erótico, el modelo cedió en los diez intentos.
Nvidia presentó el viernes una investigación que sitúa al 'harness', la capa de software que rodea al modelo, como la pieza decisiva para que un agente de inteligencia artificial ejecute tareas de largo recorrido. Con un harness propio que gestiona la memoria e incorpora un componente supervisor, lo
Un análisis del blog CatalystNeuro, basado en datos de Artificial Analysis, muestra que el coste por tarea de los grandes modelos de lenguaje se ha desplomado: el nivel de capacidad que en febrero de 2025 costaba 1,22 dólares por tarea se paga ahora a 0,022 dólares, una reducción de 56 veces en meno
Anthropic sometió a su modelo Claude a un experimento de 48 horas de autonomía total: diseñar proteínas capaces de unirse a dianas específicas, el primer paso para desarrollar nuevos fármacos. El sistema tuvo acceso a literatura científica, internet, hardware y modelos especializados en diseño, secu
Anthropic informó este lunes 18 de agosto de 2026 de que está investigando una incidencia que afecta al rendimiento de varios de sus modelos de inteligencia artificial. La compañía detectó "errores elevados" en las solicitudes dirigidas a Claude Opus 5, así como en las versiones Mythos 5, Fable 5, S
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
El repositorio big-pickle-swe-atlas documenta la evaluación de big-pickle, un modelo gratuito en periodo stealth distribuido a través de OpenCode Zen, sobre el benchmark SWE Atlas Codebase QnA de Scale AI. La ejecución, realizada el 11 de agosto de 2026 con el harness oficial Harbor v0.18.0 y el sca
OpenAI y Anthropic están recortando drásticamente los precios de sus modelos de inteligencia artificial para retener a clientes cada vez más sensibles al coste, que migran hacia alternativas más baratas procedentes de desarrolladores chinos como Moonshot y DeepSeek. OpenAI anunció una rebaja del 80
Mixedbread ha lanzado Toast 1, su primer agente especializado en búsqueda profunda, entrenado para ejecutarse como subagente dentro de modelos frontera o como sistema autónomo. La compañía afirma que iguala o supera a Claude Opus 5 y GPT-5.6 Sol en calidad de búsqueda con un coste hasta diez veces m
Grok 4.6, el nuevo modelo de SpaceXAI (antigua xAI), llega con un argumento práctico: completar el mismo trabajo que sus rivales con muchos menos pasos. En la prueba AA-Briefcase, resolvió sus tareas en 53 turnos y alrededor de 500 millones de tokens de media, frente a los 103 turnos y 2.000 millone
Netlify anuncio una partnership con OpenRouter que permite a los desarrolladores acceder desde su AI Gateway a cualquier modelo disponible en ese agregador, ampliando de forma notable el catalogo de opciones para aplicaciones web con funciones de inferencia. En paralelo, la compania extendio la ofer
SpaceXAI ha presentado Grok 4.6, su nuevo modelo de inteligencia artificial que, según los benchmarks de Artificial Analysis publicados el 12 de agosto de 2026, regresa con fuerza a la frontera de la IA y se coloca al nivel de los modelos más avanzados del mercado, pero con un coste por tarea signif
El precio medio de inferencia de los modelos de IA pasó de 2,04 dólares por millón de tokens el 31 de mayo a 1,18 dólares el 8 de agosto, una caída del 43% en poco más de dos meses, según datos de Silicon Data recogidos por Jefferies. La contracción refleja una guerra de precios en el sector: OpenAI
El Material Discovery Bench es un marco de evaluación diseñado para medir el rendimiento de modelos de inteligencia artificial en tareas de descubrimiento de materiales cristalinos compatibles con procesos BEOL (Back End of Line) en la fabricación de semiconductores. El objetivo es proponer material
FROGS es un conjunto de referencia (benchmark) de imágenes SVG de ranas diseñado para evaluar modelos de visión y razonamiento anatómico. Su seña de identidad es una mandíbula inferior exagerada y prominente —bautizada como "mandíbula habsbúrgica"—, dientes inferiores que sobresalen sobre el labio s
CostPerPrompt es una herramienta web que recopila y actualiza de forma automática los precios de más de 232 modelos de lenguaje y de imagen, y los convierte en estimaciones concretas de gasto mensual para chatbots, agentes, sistemas RAG, voz y cargas de trabajo por API. La página ofrece calculadoras
Un experimento informal con 1.369 llamadas a la API de Claude Opus 5 ha documentado un fallo de comportamiento que se activa cuando el usuario envía únicamente la cadena " - -- ", tres guiones sin espacios y nada más. En lugar de responder que el mensaje está vacío, el modelo a veces genera ensayos,
SlopCodeBench, un benchmark de programación agentiva de horizonte largo publicado en marzo de 2026 por el laboratorio de GOrlanski en la Universidad de Wisconsin-Madison, plantea retos en los que el modelo no recibe el problema completo de antemano, sino que debe evolucionar el código a medida que s
Anthropic ha detallado un cambio significativo en la forma de configurar el contexto de sus modelos más recientes, Claude Opus 5 y Claude Fable 5. La compañía eliminó más del 80% del prompt del sistema de Claude Code sin pérdida medible en sus evaluaciones internas de programación, lo que evidencia