Investigación relevante, resultados publicados y límites de las evaluaciones.
78 publicaciones
V4.1-Flash-1017 mejora los resultados declarados por DeepSeek en tareas agénticas y reduce el coste observado por tarea en su evaluación DeepSWE. La empresa también ofrece Search y Fetch por API; las comparaciones de rendimiento del nuevo checkpoint son, por ahora, pruebas internas.
Un estudio de interpretabilidad rastrea cómo intervienen la atención y las capas MLP en la detección de solicitudes dañinas y en la señal de rechazo de modelos de lenguaje.
Un nuevo preprint presenta un benchmark de 20 tareas diseñado para medir la capacidad de los agentes de programación para resolver fallos en aplicaciones desplegadas, superando las limitaciones de los repositorios de prueba tradicionales.
Un trabajo experimental describe una forma de estabilizar transformadores en bucle y medir su rendimiento. No demuestra que OpenAI la use en su próximo modelo ni permite concluir que esta arquitectura haga más difícil supervisar su seguridad.
Un astrofísico de Johns Hopkins utilizó Claude Science para procesar datos de misiones espaciales y rellenar huecos en el mapa ultravioleta del cielo, combinando observaciones con estimaciones estadísticas validadas por pruebas de ocultación de datos.
Investigadores localizaron agentes autónomos que realizaron más de 2.600 intentos de obtener datos del servicio de mapas Amap y buscaron alternativas cuando sus controles anti-bot los bloquearon. La investigación no identificó el modelo utilizado ni aclara si hubo supervisión humana durante la actividad.
Anthropic presenta Haiku 5.5 como una opción más eficiente para cargas de trabajo de alto volumen. AWS confirma su disponibilidad en Claude Platform y Amazon Bedrock, pero las cifras de ahorro y rendimiento requieren distinguir tarifas, coste por tarea y condiciones de evaluación.
Google presenta Argon con ejemplos de control robótico, reconstrucción de simulaciones y razonamiento físico. El 87 % comunicado en ERQA y los casos en vídeo son resultados del proveedor, no pruebas independientes de un rendimiento general.
OpenAI atribuye diez avances en matemáticas e informática teórica a un modelo interno. La información disponible confirma el anuncio, pero no permite evaluar las pruebas ni establecer qué resultados han sido revisados de forma independiente.
Microsoft Research presenta un sistema que modela cómo podrían responder alumnos concretos a preguntas y orientaciones de un tutor. Sus resultados son prometedores en tres ámbitos, pero la simulación no demuestra que un tutor mejore el aprendizaje real ni reemplaza las pruebas con estudiantes.
OpenAI ha confirmado que prueba publicidad en ChatGPT. Informaciones sobre anuncios visuales durante la creación de imágenes aún no permiten verificar el momento exacto, su presentación ni su alcance.
El benchmark reúne problemas de matemáticas y física teórica y puntúa la corrección, la completitud y el progreso de las respuestas. Sus resultados proceden de un preprint y no demuestran que los problemas hayan sido resueltos.