event · 1 menciones
Investigadores de la Universidad de California, Berkeley, han descubierto que los principales benchmarks utilizados para evaluar el rendimiento de los agentes de inteligencia artificial (IA) son fácilmente manipulables, lo que genera resultados inflados y engañosos. Un agente automatizado desarrolla
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
En Quesma Blog, un investigador comparte cómo construyó un sistema de investigación profunda con agentes de IA capaz de ejecutarse durante horas sin aumentar el gasto en suscripciones. Su primer intento con Claude Max 5x agotó todo el límite de tokens en 30 minutos: 111 agentes lanzados, solo 25 afi
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
DeepSeek consolida en apenas nueve meses una de las hojas de ruta más aceleradas del sector de la inteligencia artificial generativa. Según el registro oficial de cambios de su API, la compañía china transitó desde la versión estable DeepSeek-V2.5 —presentada el 5 de septiembre de 2024— hasta DeepSe
Ante es un agente de programación autónoma que se ejecuta directamente en el terminal como un único binario de Rust de unos 15 MB, sin dependencias de tiempo de ejecución. Desarrollado por Antigma Labs y publicado bajo Apache 2.0, funciona de forma similar a Claude Code o Codex, pero prescinde de su
El Laude Institute ha presentado Headlong, un microharness de código abierto para agentes de inteligencia artificial con persistencia: el agente nunca queda inactivo y genera pensamientos por iniciativa propia en un bucle continuo inspirado en el monólogo interior humano. A diferencia de los harness
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
RTK (Rust Token Killer) es una herramienta con más de 79.000 estrellas en GitHub que filtra y comprime la salida de la terminal antes de que un agente de IA la lea, con el objetivo de reducir los costes de codificación asistida. Sin embargo, un análisis de Quesma revela que sus promesas de ahorro no
Anthropic ha presentado Claude Sonnet 5.5, el segundo modelo de la familia Claude 5.5, diseñado como un complemento más rápido y económico para tareas cotidianas. Este nuevo modelo supera a su predecesor, Claude Sonnet 5, en velocidad de generación, que es un 30% superior, y reduce los costos de eje