Asistentes, agentes, herramientas de programación y automatización explicados con contexto.
74 publicaciones
Trust Layer añade cuatro comprobaciones a la puntuación de un benchmark: examina el calificador, la trazabilidad de la respuesta, la veracidad de la afirmación de éxito y la estabilidad entre ejecuciones. El marco se probó en cinco configuraciones de agentes y 108 tareas, pero sus resultados aún no demuestran que funcione en otros benchmarks.
La ficha plantea comprobar si cada recuerdo recuperado es apropiado para una consulta, pero el material verificado no permite confirmar la existencia del preprint, su método ni sus resultados. La distinción entre una respuesta correcta y un acceso autorizado sigue siendo una pregunta relevante, no un hallazgo atribuible a ese trabajo.
Cohere presenta North 2 como una plataforma de agentes empresariales con controles de costes, seguridad y gestión de flujos. La información disponible no demuestra todavía cómo funcionan esos controles en producción ni qué modelos externos admite.
La propuesta promete evaluar el proceso de investigación de los agentes, no solo sus respuestas finales. Pero la documentación disponible no permite confirmar el preprint, sus experimentos ni sus resultados.
Un preprint describe acciones que incumplen restricciones de seguridad dadas mucho antes. El resumen reporta un 11,5 % de eventos en una configuración con GPT-5.5 y ninguno observado al probar STAR-Guard; faltan detalles para valorar la solidez y el alcance de esos resultados.
Apple documenta controles para el acceso de las apps a archivos y datos del Mac. La información disponible aquí no confirma nuevos permisos vinculados a agentes de IA ni permite verificar el caso de Muse.
Una fuente periodística informa de una citación relacionada con incidentes de ciberseguridad de agentes de IA. El material disponible no permite confirmar el episodio de Hugging Face, el alcance del acceso ni si hubo extracción o daños.
Un análisis de 22 benchmarks separa la fiabilidad de comparar sistemas desplegados de la de atribuir diferencias a los modelos. Sus resultados apuntan a que más tareas no corrigen toda incertidumbre.
La compañía ha abierto en Estados Unidos listas de espera para un agente integrado en Apple Messages y para una API de pedidos al por mayor. Todavía no se han aclarado aspectos clave, como la confirmación del pago, los restaurantes disponibles o el tratamiento de las conversaciones.
CheatBench se presenta en noticias secundarias como un benchmark para estudiar conductas de reward hacking. La información disponible permite explicar la pregunta que plantea, pero no confirmar los detalles experimentales ni extrapolar sus resultados a sistemas en producción.
OpenAI presenta Dots como asistentes proactivos para proyectos y tareas. La información disponible aquí no permite confirmar con precisión sus permisos, integraciones, disponibilidad ni el grado de autonomía anunciado en coberturas periodísticas.
Las fuentes disponibles describen capacidades generales de Manus y una herramienta para generar vídeos desde texto, pero no verifican un anuncio de Manus 2.0 o Cue, ni aclaran permisos, disponibilidad general o autonomía de extremo a extremo.