software · 33 menciones
Microsoft y Hugging Face han publicado ThinkingBox, un benchmark que evalúa la fiabilidad de los agentes de inteligencia artificial al interactuar con bases de datos y sistemas de backend. El estudio, que analiza 507 flujos de trabajo empresariales, destaca una brecha significativa entre la aparienc
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
Investigadores de la Universidad de Oxford, Google DeepMind y el UK AI Security Institute han presentado CivBench, un benchmark que enfrenta a modelos como GPT-5.4, Claude Opus 4.6, Gemini 3.1 Pro y Kimi K2.5 contra la inteligencia artificial del propio Civilization VI, gestionando simultáneamente e
Surya Narreddi, estudiante, presenta un proyecto de investigación que aplica aprendizaje por refuerzo (RL) a tareas creativas como la generación de imágenes. La propuesta responde a una limitación habitual de los modelos generativos: la única forma de intervenir en una imagen es mediante el prompt,
GPT-5.6 Sol es el modelo de referencia de la familia GPT-5.6 de OpenAI, diseñado como herramienta de primer nivel para tareas profesionales que requieren razonamiento avanzado. Sustituye, en la práctica, al nivel sin sufijo que existía en familias GPT-5 anteriores, y se invoca en la API mediante el
OpenAI ha presentado Astra, una versión interna de su nuevo modelo de inteligencia artificial generativa, con la que asegura haber resuelto o avanzado en diez problemas matemáticos abiertos durante al menos una década, y en la mayoría de los casos durante mucho más tiempo. El coste total de los cálc
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
Microsoft presentó este lunes MAI-Cyber-1-Flash, su primer modelo de inteligencia artificial especializado en ciberseguridad, junto con una nueva plataforma de seguridad autónoma llamada Perception. El anuncio, realizado en un evento en San Francisco, marca la entrada formal de la compañía en la car
Prentis, el nuevo laboratorio de inteligencia artificial cofundado por el emprendedor serial Ritankar Das, junto a figuras reconocidas del sector tecnológico como Reid Hoffman y Marc Pincus, se encuentra en negociaciones para cerrar una ronda de financiación de 100 millones de dólares con una valora
CrucibleBench es un proyecto de investigación independiente que propone una forma distinta de evaluar los modelos de lenguaje: en lugar de tests estáticos, los sitúa durante 50 turnos dentro de un MUD (un dungeon multijugador de texto persistente) con personajes no jugables que recuerdan, acumulan c
Un informe publicado como issue en el repositorio de OpenAI Codex señala que el modelo GPT-5.5 presenta un agrupamiento inusual de respuestas en exactamente 516 tokens de razonamiento, con picos secundarios en 1034 y 1552. El análisis se basa en 390.195 registros de telemetría de token_count procede
Un experimento práctico evalúa cómo once modelos de lenguaje —cinco occidentales (GPT-5.4, GPT-5.5, Gemini-3.1-pro, Opus-4.7 y Fable-5) y seis chinos (DeepSeek-4-pro, GLM-5.1, Kimi-2.6, MiMo-2.5-pro, Qwen-3.6-plus y Qwen-3.7-max)— proponen refactorizar un nodo 'dios' dentro de un agente LangGraph re
El artículo analiza el impacto real del modelo Claude Mythos Preview de Anthropic en la ciberseguridad, tras el revuelo generado por su anuncio como punto de inflexión en la detección y explotación automatizada de vulnerabilidades. Aunque el modelo fue presentado como capaz de superar todas las prue
OpenAI y la empresa de química Molecule.one han presentado un sistema casi autónomo de inteligencia artificial que mejoró el rendimiento de una reacción de acoplamiento de Chan-Lam aplicada a sulfonamidas primarias, un paso tradicionalmente poco eficiente en química médica. La plataforma combinó el
"Context Sculpting" es una propuesta de ingeniería que plantea convertir la ventana de contexto de un modelo de lenguaje en un objeto mutable, susceptible de ser inspeccionado y reescrito por otro modelo. El concepto, bautizado así por su autor con ayuda de Claude, cuestiona la visión dominante desd
El pasado 24 de abril, DeepSeek lanzó su modelo V4, que obtuvo el noveno puesto mundial y el segundo en China según la evaluación de Vals AI. Aunque algunos desarrolladores expresaron decepción por no superar a modelos como GPT-5.4 o Claude Opus 4.6, las pruebas realizadas en escenarios típicos chin
Un estudio publicado por Kosta Jordanov pone a prueba a los cinco modelos de lenguaje de última generación (LLM) frente a 1.000 afirmaciones verificadas por usuarios reales. Los resultados revelan que el 67% de las veces, los modelos de inteligencia artificial no coinciden en su veredicto sobre si u
TÍTULO: ¿OpenAI y Anthropic han encontrado su ajuste producto-mercado? La hipótesis, planteada por el desarrollador y bloguero Simon Willison en su bitácora personal el 27 de mayo de 2026, es directa: tanto OpenAI como Anthropic habrían dado con su ajuste producto-mercado gracias a los agentes de c
Las grandes empresas de inteligencia artificial (Frontier labs) han incrementado drásticamente los costos de inferencia en los últimos meses. Modelos como GPT-5.5 de OpenAI y Gemini 3.5 de Google han duplicado y triplicado sus tarifas de API, respectivamente, mientras que Anthropic ha aumentado el c
OpenRouter ha realizado un análisis del reciente aumento de precios del modelo GPT-5.5 de OpenAI, revelando que, aunque el precio por token ha aumentado significativamente, el impacto real en los costos para los usuarios varía según la longitud de las consultas. El precio por token de entrada se dup
Una nueva evaluación comparativa llamada LamBench ha revelado un panorama competitivo entre los modelos de lenguaje grandes (LLMs). La prueba, publicada recientemente, evalúa el rendimiento de estos modelos en tareas de inferencia. El modelo 'gpt-5.4' lidera la clasificación con un 91.7% de precisió
OpenAI ha anunciado una serie de actualizaciones significativas a sus modelos de IA, con lanzamientos clave en abril, marzo, febrero, enero y diciembre de 2026. El hito principal es la introducción de GPT-5.5 y GPT Image 2, diseñados para tareas profesionales complejas y generación de imágenes de va
OpenAI ha lanzado GPT-5.5, un nuevo modelo de lenguaje que, según XBOW, rivaliza con Mythos de Anthropic y ofrece un salto significativo en la detección de vulnerabilidades. XBOW, una empresa de seguridad ofensiva, ha estado probando el modelo y ha observado un rendimiento superior en comparación co
Un reciente análisis revela que las herramientas de codificación con IA, como Cursor, GitHub Copilot, Claude Code y Codex, tienden a reescribir código innecesariamente, un fenómeno denominado "Over-Editing". En lugar de simplemente corregir el error específico, estas herramientas a menudo modifican
Investigadores de VidocSecurity han replicado los hallazgos de Anthropic sobre la capacidad de modelos de IA avanzados para identificar vulnerabilidades en software, utilizando modelos públicos como GPT-5.4 y Claude Opus 4.6. El estudio cuestiona la narrativa de Anthropic de que estas capacidades so
La plataforma de discusión en línea Discourse ha anunciado que continuará operando como un proyecto de código abierto, desafiando la reciente decisión de Cal.com de cerrar su código fuente debido a preocupaciones sobre la seguridad impulsada por la inteligencia artificial. Cal.com argumenta que la I
Anthropic ha desarrollado Mythos, un nuevo modelo de lenguaje grande (LLM) con capacidades excepcionales en ciberseguridad, tan avanzadas que inicialmente se restringió su acceso a fabricantes de software críticos para permitirles fortalecer sus sistemas. Un análisis independiente del AI Security In
Un nuevo análisis comparativo realizado por BridgeBench.ai ha evaluado la propensión a la "alucinación" en 27 modelos de inteligencia artificial, revelando la frecuencia con la que estos sistemas inventan información falsa al analizar código. La prueba, actualizada el 12 de abril de 2024, se basa en
MiniMax ha desarrollado M2.7, un modelo de inteligencia artificial que se ha mejorado a sí mismo de forma autónoma, logrando resultados impresionantes en pruebas de referencia. En un proceso sin intervención humana directa, el modelo analizó sus propios fallos, modificó su código y optimizó su rendi
OpenAI ha anunciado una nueva estructura de suscripción para ChatGPT, introduciendo planes de pago Go, Plus, Business y Enterprise, con el objetivo de ampliar el acceso a sus modelos de inteligencia artificial más avanzados, incluyendo GPT-5.3 y GPT-5.4. El plan gratuito seguirá estando disponible,
Este artículo de Sebastian Raschka explora el concepto de 'agentes de codificación' y su importancia creciente en el desarrollo de aplicaciones prácticas basadas en Modelos de Lenguaje Grandes (LLMs). Tradicionalmente, el rendimiento de los LLMs dependía principalmente de la calidad del modelo en sí
Un desarrollador ha creado una herramienta de código abierto llamada `openai-oauth` que permite a los usuarios acceder a la API de OpenAI de forma gratuita utilizando sus credenciales existentes de ChatGPT. La herramienta funciona como un proxy local que se ejecuta en `http://127.0.0.1:10531/v1`, el
Un nuevo agente de inteligencia artificial llamado 'Understudy' ha sido desarrollado para automatizar tareas de escritorio al aprender de los usuarios. A diferencia de las herramientas de IA actuales que se centran en interfaces específicas, Understudy opera como un colega virtual, interactuando con
