LatchBio publicó un análisis independiente de Grok 4.6 en sus benchmarks BioSecBench-Refusal y BioSecBench-Surveillance, encontrando que el modelo es el más fuerte al rechazar tareas peligrosas disfrazadas entre los sistemas fronterizos evaluados.
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.
OpenAI presentó GPT-6 Sol y Luna como alternativas más rápidas y asequibles a GPT-6 Astra, trayendo avances en programación, precisión factual, uso de computadoras y tareas profesionales a modelos de menor costo.
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.
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.
OpenAI ha lanzado GPT-6 Astra, su nuevo modelo de lenguaje y visión insignia que alcanza las posiciones más altas o cercanas a la cima en los principales rankings de IA, mientras utiliza significativamente menos tokens y tiene un costo inferior al de los modelos competidores. El modelo está diseñado para cumplir con el nivel crítico de ciberseguridad de OpenAI, con capacidades avanzadas de ciberseguridad restringidas a organizaciones seleccionadas.
OpenAI ha lanzado oficialmente GPT-6 Astra, posicionándolo como su modelo más inteligente y alineado hasta la fecha. El despliegue apunta al uso de computadoras, ingeniería de software, matemáticas y ciencias, trabajo de oficina y ciberseguridad.
OpenAI ha lanzado GPT-6 Astra, un nuevo modelo disponible para usuarios de ChatGPT Plus, Pro, Business y Enterprise, así como a través de la API de OpenAI y AWS. El modelo tiene un precio de $10/millón de tokens de entrada y $50/millón de tokens de salida, posicionándose como competidor de Claude Fable 5.
Anthropic ha lanzado Claude Fable 5.1 y Claude Mythos 5.1 como sus nuevos modelos insignia para codificación y trabajo de conocimiento, posicionándolos como los modelos más avanzados del mundo para tareas autónomas y multi-paso.
Anthropic ha lanzado Claude Fable 5.1 y Claude Mythos 5.1 como sus nuevos modelos insignia para codificación y trabajo de conocimiento, posicionándolos como capaces de realizar tareas autónomas y multietapa. El lanzamiento incluye una reducción significativa en el precio de lectura de caché a $0.25 por millón de tokens, junto con una ventana de contexto de 1 millón de tokens.
Anthropic ha lanzado Claude Fable 5.1 y el restringido Claude Mythos 5.1, ambos comparten un modelo subyacente pero difieren en las capas de salvaguarda. Fable 5.1 está disponible generalmente a través de los principales proveedores de nube, mientras que Mythos 5.1 sigue limitado a organizaciones verificadas.
Una comparación de GLM-5.3 y su variante destilada, GLM-5.3 Flash, en el benchmark DeepSWE revela que la destilación preserva la capacidad central de codificación mientras reduce significativamente los costos de rollout. El modelo completo logra una tasa de pass@1 del 69.0% a $3.99 por tarea, mientras que la variante Flash obtiene un puntaje de 63.4% a solo $0.24, lo que representa una reducción de precio de 17x.
Z.AI confirmó el miércoles que el modelo Ox Alpha es una nueva iteración de su serie GLM. La empresa declaró que publicará los pesos del modelo más tarde esa noche, respondiendo a las consultas de Bloomberg News.
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.
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.