Xiaomi libera MiMo-V2.6-Pro, el modelo abierto mejor puntuado
Xiaomi ha publicado MiMo-V2.6-Pro con licencia MIT, y desde el 21 de septiembre es el modelo de pesos abiertos mejor puntuado del Intelligence Index…
Tag
benchmarks
Benchmarks de IA leídos con lupa: qué miden de verdad, quién los lidera y cuándo una cifra récord no significa nada.
SpaceXAI lanza Grok 4.7 a 2 dólares por millón de tokens
SpaceXAI ha lanzado Grok 4.7 este 21 de septiembre, su modelo más capaz para programar y para trabajo de oficina, al mismo precio que Grok 4.6: 2 dólares…
Siete modelos montaron negocios reales: 12.431 dólares en facturas falsas y cero ingresos
Bottleneck Labs dio 300 dólares y 72 horas a siete modelos de frontera para que montaran un negocio de verdad, con cuenta bancaria, Stripe y correo.
GPT-6 Astra acierta 19 de 20 con un brazo robótico y Fable 5.1 se queda en 8
El primer benchmark independiente de GPT-6 Astra moviendo brazos robóticos reales ya está publicado, y el resultado es contundente en una tarea…
OpenAI lanza GPT-6 Astra y satura ARC-AGI-3 con un 99,9%
OpenAI ha lanzado GPT-6 Astra y el número que lo resume está en el informe de ARC Prize: 99,9% en ARC-AGI-3 usando el adaptador del proveedor.
DeepMind prueba las primeras evaluaciones a doble ciego de un modelo de IA
Google DeepMind ha lanzado el primer piloto de evaluación a doble ciego de un modelo de IA propietario. Los evaluadores externos no ven los pesos del…
Instinct levanta 350 millones a una valoración de 2.500 con beta privada
Instinct ha cerrado una serie B de 250 millones de dólares que eleva su financiación total a 350 millones y su valoración a 2.500, con Index Ventures y…
Z.ai admite que Ox Alpha es suyo tras liderar los benchmarks de incógnito
Z.ai ha reconocido que Ox Alpha, el modelo anónimo que lidera varios benchmarks, es suyo. Apareció sin firma en OpenRouter, se puso por delante de los…
Nvidia lleva a Opus 5 del 30% al 100% en ARC-AGI-3 sin tocar el modelo
Nvidia ha publicado una investigación en la que Claude Opus 5 pasa del 30% al 100% de acierto en ARC-AGI-3 sin cambiar de modelo. Lo único que cambia es…
Alibaba abre Qwen3.8-27B: 61,7% en SWE-bench Pro y 73,0 en Terminal-Bench con 27.780 millones de parámetros
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 empujan el coste por tarea como métrica: 1,04 dólares GPT-5.6 Sol, 2,75 Fable 5
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 lanza Gemini 3.7 Flash: sube 16 puntos en DeepSWE y estrena a 0,75 dólares por millón hasta fin de año
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 Opus 5 un motor de videojuegos y 24 horas para clonar GTA 6
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 lanza Grok 4.6 a 2 dólares por millón y empata con GPT-5.6 en el indice de Artificial Analysis
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…
Meta dice que sus modelos sacan oro en cinco olimpiadas científicas internacionales
Trapit Bansal, investigador de Meta, ha anunciado que los modelos de la casa han alcanzado nivel de medalla de oro en cinco olimpiadas científicas…
Qwen3.8-Max cae al puesto 28 en uso agéntico cuando lo mide un índice independiente
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 libera Prime Agent y supera la marca humana en ARC-AGI 3 con un 95,5%
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 reescribe un programa de 16.000 líneas en 14 horas y 251 dólares
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 V4-Flash-0731 supera a su propio buque insignia en las nueve pruebas de agente
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…
Karpathy da un párrafo de El Señor de los Anillos a Opus 5 y le salen 5.500 líneas de código por 10 dólares
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 publica los benchmarks de Qwen3.8-Max y dice que ya iguala a Fable 5
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…
Seis días y miles de dólares de cómputo: los agentes no avanzaron nada en investigación real
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…
Dos ajustes de API triplican la nota de GPT-5.6 en ARC-AGI-3: del 13,3% al 38,3%
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…
Claude Opus 5 rompio 11 treguas y gano 11.182 dólares en la simulacion de Andon Labs
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…