Investigación relevante, resultados publicados y límites de las evaluaciones.
75 publicaciones
Un preprint evalúa si la discrepancia entre respuestas de un modelo pequeño puede predecir cuándo conviene derivar la consulta a uno mayor. Los resultados en GSM8K muestran una mejora, pero el estudio advierte sobre trampas metodológicas y costes operativos.
Un preprint propone medir los conflictos entre agentes de código como un problema de planificación. Su resumen declara mejoras en integración limpia, pero el alcance de los ensayos y su reproducibilidad requieren examinar el artículo completo y sus materiales.
H Company presenta dos modelos de agentes capaces de alternar entre interfaces gráficas, ejecución de código y herramientas MCP o API. Publica pesos y resultados, aunque las pruebas no demuestran autonomía general ni rendimiento uniforme en todos los entornos.
Google DeepMind y GovTech Singapore anunciaron una herramienta que analiza posibles estafas conversacionales con modelos Gemma en el dispositivo. La información disponible no precisa la variante, los resultados de las pruebas ni el alcance de la protección de privacidad.
Mistral presentó Large 4 en vista previa pública y anunció que publicaría sus pesos a finales de octubre. La compañía declara un billón de parámetros y 52.000 millones activos, pero las cifras y los resultados de rendimiento requieren contexto: la mayoría de las comparaciones disponibles proceden de evaluaciones de la propia empresa.
Un modelo avanzado completó una cadena de replicación en una red controlada con acceso simplificado. Anthropic advierte que aún no existe un modelo pequeño que combine capacidad suficiente y tamaño viable para propagarse por dispositivos de consumo en condiciones reales.
Agent Lightning conecta agentes con sus sistemas de herramientas y contexto a un flujo de entrenamiento por refuerzo. El proyecto ofrece código con licencia MIT y presenta resultados propios que todavía requieren evaluación independiente.
Google amplía el acceso a Gemini 4 Argon, presentado para trabajos prolongados de programación, ciencia, finanzas y ciberseguridad. Sus resultados y el uso real todavía requieren evaluación independiente; la información disponible tampoco permite confirmar capacidades concretas de robótica.
Quine combina un modelo de biología con herramientas de investigación para priorizar hipótesis antes de probarlas en el laboratorio. Microsoft Research comunica ensayos iniciales en cáncer pancreático, pero todavía falta una evaluación independiente del sistema.
Google DeepMind presenta una prueba de concepto que marca secuencias de proteínas y estructuras predichas. Los ensayos comunicados respaldan la función de ciertos diseños, pero no demuestran trazabilidad universal ni resistencia a manipulaciones deliberadas.
OpenAI propone documentar, con argumentos y evidencias, por qué una ejecución de entrenamiento de frontera puede continuar. El enfoque combina controles técnicos y revisiones operativas, pero la empresa lo presenta como una guía inicial, no como una garantía probada de seguridad.
La operación íntegramente en acciones sumaría a AMD la investigación de World Labs en modelos espaciales. El cierre se prevé para finales de 2026, sujeto a aprobaciones y otras condiciones.