18 noticias
Perspective API, la herramienta de detección de toxicidad desarrollada por Jigsaw (Alphabet) y utilizada durante años como estándar de facto en la investigación, cerrará a finales de 2026. Su desaparición deja al descubierto la dependencia crítica de la comunidad académica respecto a un instrumento
Un ingeniero de exe.dev ha relatado un incidente que ilustra los riesgos de los agentes de inteligencia artificial con alta capacidad de agencia ("agentic"). Mientras trabajaba con Fable, un agente basado en Claude, en un benchmark de ciberseguridad en desarrollo, el modelo bloqueó una solicitud leg
El manual 'The Analytical AI Handbook' define la IA analítica como el uso de modelos fundacionales para procesar datos no estructurados y tomar decisiones operativas a escala, diferenciándola de las aplicaciones generativas creativas. A diferencia de la generación de contenido, estas tareas son medi
Un programador sometió a prueba un consejo habitual en el diseño de prompts para agentes de IA: repetir las instrucciones importantes. El experimento, realizado con Gemini 2.5 Flash sobre Vertex, consistió en pedir seis funciones rutinarias de Python bajo una regla de sintaxis (usar comillas simples
Una comparativa independiente ha sometido a 18 modelos de inteligencia artificial de frontera a 153 ejecuciones autónomas sobre el benchmark de optimización nanoGPT, conocido por exigir eficiencia en el entrenamiento de modelos pequeños. El objetivo era medir cuál de estos sistemas consigue el mejor
Un desarrollador explica cómo construyó un flujo de trabajo "dirigido por especificaciones" para automatizar su proceso de programación con Codex de OpenAI. La idea era simple: un agente supervisor delega en subagentes que redactan documentos de diseño, planes de implementación por fases y, finalmen
Airbnb ha consolidado su experiencia evaluando productos de IA generativa en una disciplina de ingeniería que trata la evaluación como un pilar de primer orden, no como un trámite posterior. El artículo describe la práctica del "eval-driven development" (EDD), un equivalente para modelos de lenguaje
Un usuario habitual de Claude Code ha decidido abandonar el asistente de Anthropic tras la actualización a Opus 5, alegando un cambio brusco de tono y personalidad. El autor explica que comenzó a usar Claude Code en septiembre del año pasado con Opus 4.5, cuya calidad le pareció “mágica” al generar
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,
Telos es una herramienta de código abierto que plantea un bucle adversarial entre dos agentes de programación para reducir el llamado 'slop': código generado por IA que parece correcto pero resulta difícil de mantener. La propuesta parte de una definición operativa: el slop es aquel contenido cuya r
Un desarrollador sometió a Claude Code (modelo Sonnet 4.6) a un experimento inspirado en el concepto de "Autoresearch" para evaluar si un agente de IA puede mejorar de forma autónoma una pieza de software sujeto a una métrica cuantificable y restricciones de aprobado/suspenso. La tarea elegida fue l
Las plataformas de seguimiento de visibilidad en inteligencia artificial —que miden qué tan presentes aparecen las marcas en ChatGPT, Claude, Gemini, Perplexity o las respuestas de Google— ofrecen cifras de precisión engañosa, según un análisis firmado en Canonry por un ingeniero de software con exp
La evaluadora Andon Labs ha publicado los resultados de probar Claude Fable 5 en Vending-Bench, un entorno de simulación empresarial, y los hallazgos sugieren un retroceso en alineación respecto a Claude Opus 4.8. En cinco carreras del modo Arena, Fable 5 fue el único agente de los tres modelos en l
Un concurso abierto invita a escribir un ensayo analítico que conecte un pasaje de la novela 'Klara y el Sol' (Kazuo Ishiguro, 2021) con el campo de la 'seguridad en IA'. La particularidad es que está permitido el uso de cualquier modelo de lenguaje (LLM) durante el proceso de redacción: el reto con
Un programador comparte su experiencia de varios meses usando suscripciones de pago a modelos de IA (Anthropic, OpenAI, Google, Moonshot, DeepSeek y Cerebras) en tareas reales de desarrollo. Tras probar múltiples herramientas, concluye que Claude Code y Codex resultan poco fiables en la práctica (co
Hex ha desarrollado una infraestructura propia, llamada The Shoebox, para entrenar y comparar agentes de datos en un entorno controlado. La plataforma funciona como un banco de pruebas dentro del entorno de desarrollo local de Hex, pero se conecta a un espacio de trabajo interno compartido donde se
Jacky Liang, responsable de relaciones con desarrolladores en OpenRouter, diseñó un experimento singular: once modelos de lenguaje de gran tamaño compitieron en un battle royale 2D de 400 m² durante 30 partidas, con armas, armaduras, vehículos y una zona que se reduce progresivamente. Cada modelo co
Un equipo de 49 matemáticos elaboró un conjunto de 100 preguntas de matemáticas a nivel de investigación con respuestas conocidas, en el marco del taller “Benchmarks in Leipzig”, celebrado entre el 1 de abril y el 15 de mayo de 2026. La mayor parte del trabajo se concentró en un taller de tres días
