OpenAI ha lanzado dos nuevos modelos, GPT-6 Sol y GPT-6 Luna, que ya están disponibles en la API de OpenAI. Estos modelos se sitúan por debajo del previamente lanzado GPT-6 Astra y tienen como objetivo llevar sus avances técnicos a capas más rápidas y asequibles para codificación compleja y trabajo cotidiano de alto volumen.
Anthropic ha lanzado Claude Opus 5.5, el primer modelo de su nueva familia Claude 5.5, posicionándolo como una alternativa más eficiente a las generaciones anteriores. El modelo está diseñado para alcanzar un nivel comparable al de Claude Fable 5.1 en la mayoría de las tareas, mientras cuesta un 40% menos que Opus 5.
Anthropic ha lanzado Claude Opus 5.5, el primer modelo de su nueva familia Claude 5.5, que alcanza un nivel de rendimiento comparable al de Claude Fable 5.1 en la mayoría de las tareas, con un costo de ejecución 40% inferior al de Opus 5.
El Instituto de Seguridad de IA del Reino Unido (AISI) ha puesto a disposición pública los métodos de evaluación y los hallazgos reportados a través de la plataforma Evaluation Cards de EvalEval para mejorar la reproducibilidad de los benchmarks. Esta publicación incluye resultados verificados, contexto e información de configuración para cinco benchmarks específicos: HealthBench, FrontierMath, Humanity's Last Exam, SWE-Bench Pro y Terminal-Bench 2.0.
SpaceXAI ha lanzado Grok 4.7, un nuevo modelo insignia para codificación, tareas agénticas y trabajo de conocimiento que utiliza un modelo base más grande y una ejecución de aprendizaje por refuerzo extendida en comparación con Grok 4.6. El modelo mantiene la misma estructura de precios que su predecesor mientras ofrece capacidades mejoradas en autoverificación, manejo de contexto largo y seguridad.
El autor presenta un informe sobre el estado de los modelos de peso abierto, señalando que las empresas de IA chinas se han convertido en los claros líderes en este espacio desde aproximadamente abril de 2025. Este cambio queda evidenciado por las métricas de descarga de Hugging Face y el rendimiento en benchmarks de capacidades.
El Índice de Desperdicio de Agentes ha calificado 341.054 trayectorias de agentes procedentes de 11 conjuntos de datos públicos para identificar ineficiencias como bucles, reintentos ciegos, salidas de herramientas desmesuradas y ejecuciones abandonadas. El análisis revela que los comportamientos de bucle y reintento son prevalentes en modelos más débiles como los agentes Llama, pero raros en Claude 3.7 Sonnet y Qwen3-Coder-480B.
Un informe de Mozilla indica que los modelos de IA de peso abierto de China han cerrado la brecha de desarrollo a solo cuatro meses por detrás de las ofertas fronterizas de EE. UU. A pesar de este rápido progreso, los modelos siguen quedándose atrás en ciertas evaluaciones de benchmarks.
El modelo Qwen3.8 Max (0902) ha logrado una puntuación de 45 en el Índice de Inteligencia de Artificial Analysis, recuperando el primer puesto en el ranking de China.
Prior Labs ha lanzado TabPFN-3.5, un modelo base tabular que predice sobre una tabla en un solo pase hacia adelante sin entrenamiento ni ajuste por conjunto de datos. El modelo obtiene 0.375 en el ranking privado del Desafío de Clasificación de Productos Otto Group 2015, superando la puntuación ganadora original de 0.382 lograda por Gilberto Titericz y Stanislav Semenov.
Un informe de Mozilla indica que la brecha de capacidad entre los modelos de inteligencia artificial chinos y estadounidenses se ha reducido significativamente, disminuyendo a una diferencia de 4,4 meses.
Nums AI ha lanzado Causilo, un modelo base tabular preentrenado para clasificación y regresión que alcanza la puntuación Elo más alta entre modelos individuales en TabArena. El modelo utiliza un enfoque de aprendizaje in-context donde las filas de entrenamiento se almacenan como contexto en lugar de actualizar los pesos, y está disponible con código bajo licencia Apache-2.0 y pesos preentrenados en Hugging Face.
Stellar Colosseum es un harness agnóstico al modelo diseñado para distribuir la inferencia en investigaciones de largo alcance en matemáticas y ciencias teóricas de la computación, abordando la falta de fiabilidad de los modelos de lenguaje en problemas complejos. El sistema explora estrategias alternativas antes de la construcción de pruebas, utiliza un gate de preparación para determinar cuándo una ruta está lo suficientemente madura para la descomposición, y representa el plan de prueba como subproblemas interdependientes a nivel de sección.
Los autores presentan Stellar Colosseum, un arnés agnóstico al modelo diseñado para distribuir la inferencia en investigaciones a largo plazo en matemáticas y ciencias de la computación teórica. El sistema explora estrategias alternativas antes de la construcción de pruebas, utiliza un filtro de preparación para determinar cuándo una ruta está lo suficientemente madura para su descomposición y representa el plan de prueba como subproblemas interdependientes a nivel de sección.
Charlie O'Neill de Base-10 discute por qué los modelos Kimi y GLM son "casi objetivamente" superiores a Opus 5 en un episodio reciente con Dwarkesh Patel.
Un estudio que audita seis pruebas de física ampliamente utilizadas encuentra que las puntuaciones bajas reportadas para los modelos de lenguaje de vanguardia se deben en gran medida a errores en la evaluación y no a deficiencias del modelo. Los expertos revisaron los enunciados de los problemas, las soluciones de referencia y las respuestas de los modelos, distinguiendo errores genuinos de equivocaciones del evaluador, referencias incorrectas y preguntas ambiguas.
DeepSeek V4.1 Flash ha tomado el primer lugar en la nueva benchmark Astra dentro de la actualización del Índice de Inteligencia Artificial Analysis v4.3.
Cohere ha lanzado North Small Translate, su primer modelo de traducción en la familia North, disponible para investigación y uso no comercial bajo una licencia CC BY-NC 4.0. Este modelo mixture-of-experts alcanza una puntuación de 83.6 en el benchmark WMT26 All Languages, superando a modelos propietarios como DeepL NextGen y Google Translate.
Cognition ha lanzado SWE-2, su modelo de codificación más capaz hasta la fecha, que se ha post-entrenado con aprendizaje por refuerzo a partir del modelo abierto de 2.8T parámetros de Moonshot AI, Kimi K3. El modelo obtiene un 50.0% en FrontierCode 1.1 Main, situándose a un punto de Fable 5.1 mientras opera con un coste un 64% menor.
Los investigadores han formalizado ataques de denegación de servicio en tiempo de inferencia (PI-DoS) que explotan el alto costo computacional del razonamiento explícito multi-paso en Modelos de Razonamiento Grandes (LRMs). Presentan ReasoningBomb, un marco basado en aprendizaje por refuerzo que entrena a un atacante para generar prompts naturales cortos que llevan a los modelos víctimas a trazos de razonamiento patológicamente largos y a menudo no terminantes.