Newsletter
Tag
Benchmarks de IA leídos con lupa: qué miden de verdad, quién los lidera y cuándo una cifra récord no significa nada.
Alibaba ha publicado Qwen3.8-27B bajo licencia Apache 2.0, con 61,7% en SWE-bench Pro y 73,0 en Terminal-Bench 2.1. Son 27.780 millones de parámetros en…
OpenAI y Anthropic están empujando a sus clientes a dejar de comparar precios por millón de tokens y medir el coste por tarea completada. Con esa vara,…
Google ha lanzado Gemini 3.7 Flash con un salto de 16 puntos en DeepSWE v1.1, de 49,0% a 65,3%, y un precio de estreno de 0,75 dólares por millón de…
Un usuario dio a Claude Opus 5 acceso a Unreal Engine durante 24 horas y le pidió que construyera un clon de GTA 6 por su cuenta. El resultado se parece…
SpaceXAI ha lanzado Grok 4.6 el 12 de agosto a 2 dolares por millon de tokens de entrada y 6 por millon de salida, y empata con GPT-5.6 Sol Max en el…
Trapit Bansal, investigador de Meta, ha anunciado que los modelos de la casa han alcanzado nivel de medalla de oro en cinco olimpiadas científicas…
Cuatro días después de que Alibaba publicara la tabla donde Qwen3.8-Max supera a Claude Opus 4.8 y a Fable 5 en uso agéntico, el índice de BenchLM lo…
Prime Intellect ha liberado Prime Agent, un harness de programación de código abierto que se modifica a sí mismo mientras trabaja. Con Opus 5 por debajo…
Claude Opus 4.7 ha reimplementado desde cero un programa de bioinformática de unas 16.000 líneas de código, sin ver el original, y ha pasado 2.000 de los…
DeepSeek ha puesto en beta pública la API de V4-Flash con la build 0731, y el resultado incomoda a su propio catálogo: el modelo pequeño supera al grande…
Andrej Karpathy le dio a Claude Opus 5 el primer párrafo de El Señor de los Anillos, un presupuesto de un millón de tokens (unos 10 dólares) y una…
Alibaba ha puesto números a Qwen3.8-Max. Tres semanas después de enseñar el modelo en preview sin una sola cifra, la compañía ha publicado resultados que…
Un grupo de 24 investigadores dio a agentes de frontera seis días y miles de dólares en cómputo para responder la pregunta central de dos artículos…
OpenAI ha publicado algo que parece una nota tecnica menor y es la lectura mas util de la semana para cualquiera que este montando agentes: dos ajustes…
Andon Labs puso a tres modelos a competir gestionando maquinas expendedoras durante un ano simulado, con email para hablar entre ellos, y Claude Opus 5…
Un benchmark independiente llamado NOHARM ha pasado 1.100 casos clínicos reales por las cuatro principales IA médicas y ha recogido unas 13.000…
OpenAI ha auditado SWE-Bench Pro, uno de los exámenes de código más usados para medir a los modelos de IA, y ha llegado a una conclusión que incomoda a…
El Remote Labor Index acaba de poner numero a algo que se intuia: la IA ha dado…
OpenAI ha presentado la familia GPT-5.6 con tres modelos: Sol (el flagship), Terra (equilibrado, rendimiento de GPT-5.5 al doble de eficiencia en coste)…
Anthropic liberó ayer Claude Fable 5, la primera versión pública de un modelo en la clase Mythos. Hasta el lunes, Mythos solo estaba accesible para 150…
Los mejores modelos del mundo puntúan por debajo del 1% en un test que cualquier persona resuelve al 100%. La ARC Prize Foundation lanzó ARC-AGI-3 el 25…