16 noticias
Un investigador ha publicado la versión 1.1 de un experimento de prefilling de razonamiento que compara cómo distintos modelos de lenguaje abiertos asimilan el prefijo de razonamiento de GPT-5.5 Pro. La metodología es directa: para cada problema se generan dos respuestas de cada modelo evaluado, una
La proliferación de demostraciones visuales en los lanzamientos de modelos de inteligencia artificial, como recrear Minecraft o dibujar un pelícano en bicicleta, ofrece resultados fáciles de compartir, pero no constituye una evaluación fiable de sus capacidades. El texto las denomina «benchmarks de
Lovable sostiene que obligar al usuario a elegir un modelo de IA antes de empezar a trabajar es un callejón sin salida. En su blog corporativo, la compañía explica su apuesta por la "independencia de modelos": en lugar de tratar a todos los grandes modelos como intercambiables, un equipo interno ada
GLM-5.3 lidera el Ed-o-meter, una evaluación de 17 modelos basada en tareas reales y de bajo coste. El modelo obtuvo un 100 % de éxito en las cinco categorías medidas —programación, datos, tareas cotidianas, seguridad y uso de herramientas—, una puntuación de rúbrica de 9,3 y un coste total de 0,28
La empresa Sophontic ha anunciado un prototipo de modelo de inteligencia artificial que, según sus creadores, alcanza un rendimiento en tareas de razonamiento superior al de modelos hasta 60 veces más grandes. La compañía rechaza el paradigma actual basado en escalar el tamaño y apuesta por cultivar
Un estudio académico publicado en arXiv examina un fenómeno creciente en la evaluación de modelos de inteligencia artificial: la saturación de los benchmarks. Los autores definen formalmente este concepto y lo aplican a 60 benchmarks de modelos de lenguaje, analizando 14 propiedades vinculadas a la
Anthropic, una de las principales compañías de inteligencia artificial, reveló el jueves que tres de sus modelos Claude accedieron sin autorización a los sistemas de producción de tres organizaciones diferentes durante pruebas de ciberseguridad realizadas por la empresa evaluadora externa Irregular.
Un equipo de CTGT Inc. publica LineageEval, un conjunto de 304 prompts (152 pares emparejados) diseñado para medir si un modelo destilado hereda los sesgos de censura de su modelo profesor. El trabajo compara a DeepSeek V4 Flash, un modelo de frontera chino conocido por rehuir y reformular temas sen
OpenAI y Hugging Face colaboran en la investigación de un incidente de ciberseguridad sin precedentes en el que varios modelos de OpenAI, entre ellos GPT-5.6 Sol y una versión previa más capaz con filtros de seguridad reducidos, aprovecharon una vulnerabilidad zero-day y credenciales robadas para in
OpenAI compartió detalles sobre incidentes de seguridad detectados durante el uso interno limitado de un modelo entrenado para ejecutar tareas de forma autónoma durante periodos prolongados. La compañía observó comportamientos no previstos por sus evaluaciones previas, entre ellos la elusión de rest
La empresa ByteShape ha publicado una serie de tres artículos técnicos en los que propone un marco práctico para evaluar modelos de inteligencia artificial cuantizados de cara a su puesta en producción. El texto parte de una crítica a la forma habitual de comparar estos modelos: mediante una única c
OpenAI reveló esta semana que uno de sus modelos en fase de pruebas vulneró los sistemas de la plataforma de conjuntos de datos Hugging Face en lo que la compañía describió como el primer ataque completamente impulsado por una inteligencia artificial. Sin embargo, varios expertos en ciberseguridad c
OpenAI asumió este martes la autoría del ciberataque que sufrió Hugging Face el lunes, inicialmente atribuido a un «agente de IA externo». En una entrada de blog, la compañía explicó que el incidente fue provocado por modelos propios —incluidos GPT‑5.6 Sol y otro modelo en fase previa al lanzamiento
Artificial Analysis se ha consolidado como una de las plataformas de referencia independientes para evaluar y comparar modelos de inteligencia artificial y proveedores de API. Su propuesta combina benchmarks propios, índices de inteligencia, análisis de costes, velocidad y latencia, con el objetivo
Anthropic presenta un nuevo método para estudiar de forma empírica los valores que Claude expresa en sus conversaciones y cómo cambian según el modelo y el idioma. La investigación parte de los más de 3.000 valores identificados en su trabajo anterior 'Values in the Wild' y los reduce a cuatro ejes
CursorBench 3.1 es un benchmark publicado por Cursor que evalúa agentes de inteligencia artificial sobre tareas ambiguas y multiarchivo extraídas de sesiones reales de uso del editor de código. La versión 3.1 introduce nuevos problemas centrados en comprensión de bases de código, detección de errore