Un informe provisional del Forecasting Research Institute concluye que los expertos subestimaron claramente el avance reciente de la IA. Pero hay áreas donde sus previsiones se quedaron altas, no bajas.
Los lanzamientos de modelos llegan cada semana, cada uno con su tabla. Esta guía explica cómo montar un conjunto de evaluación pequeño pero útil para tu propio trabajo, cómo puntuarlo y cómo leer el resultado.
Anthropic publicó Claude Opus 5.5, el primer modelo de la familia Claude 5.5. Según la empresa rinde al nivel de Fable 5.1 en la mayoría del trabajo y cuesta un 40 % menos que Opus 5 con los ajustes por defecto.
OpenAI presentó GPT-6 Sol y Luna. Ambos funcionan a la mitad de precio que sus predecesores y sin un gran salto de capacidad. El argumento de la empresa es la relación precio-rendimiento.
xAI lanzó Grok 4.7, su nuevo modelo insignia para programación y agentes, al mismo precio que Grok 4.6. La tabla de la empresa muestra un gran salto; un índice independiente lo sitúa a media tabla.
GPT-6 Astra destacó en dos pruebas de agentes de Andon Labs: ganó 15.515 dólares en una simulación de expendedoras y fue el primer modelo en superar la referencia humana con drones.
No pueden predecir cuánto durará una tarea ni saber cuánto llevan trabajando. También se puntúan a sí mismos 20 puntos de más.
Que las preguntas de las pruebas acaben en los datos de entrenamiento vacía de sentido los resultados. DeepMind usa criptografía para cerrar ambos lados.
Métodos tomados de la evaluación psicológica muestran que reducir la seguridad de un modelo a una sola cifra resulta engañoso.
Artificial Analysis ha lanzado Optima, una plataforma que permite crear evaluaciones a medida con datos y flujos propios, comparando modelos por coste y tiempo además de calidad.
La prueba MindTopo de Microsoft Research mide si los modelos multimodales entienden relaciones como la conectividad o los nudos. Aciertan en imágenes fijas, no al actuar.
PerceptionBench, de Moonshot AI, aísla la percepción visual de los modelos multimodales del razonamiento. Ninguno de los 16 modelos punteros evaluados alcanzó el 60 por ciento de acierto.