En un ensayo titulado "An Alien Mind", OpenAI analiza el rápido avance de los modelos de lenguaje de razonamiento y el potencial para la mejora recursiva. El autor expresa preocupación porque la inteligencia artificial está superando las capacidades humanas de formas transformadoras, impulsada principalmente por el aumento del poder computacional en lugar de algoritmos diseñados.
Los investigadores han presentado ReasAlign, una solución a nivel de modelo diseñada para mejorar la alineación de seguridad en Modelos de Lenguaje Grande (LLM) frente a ataques de inyección indirecta de instrucciones. El enfoque incorpora pasos de razonamiento estructurados para analizar las consultas del usuario y detectar instrucciones conflictivas, asegurando la continuidad de las tareas pretendidas por el usuario.
OpenAI utilizó un modelo interno más potente que Astra para resolver el problema del estallido en tiempo finito de Navier-Stokes, completando la tarea en 88 horas tras escuchar rumores sobre la resolución de los Problemas del Milenio.
Cuentas afiliadas a OpenAI informaron que un esfuerzo asistido por IA produjo un resultado relacionado con el problema de existencia y regularidad de Navier-Stokes, uno de los Problemas del Milenio. La afirmación se centra en un sistema colaborativo que involucra aproximadamente 10.000 agentes entrenados durante un año mediante aprendizaje por refuerzo multi-agente.
OpenAI ha lanzado GPT-6 Astra, un nuevo modelo que supera significativamente a su predecesor GPT-5.6 en las pruebas de escritura, matemáticas y programación. El lanzamiento destaca las capacidades excepcionales del modelo en renderizado 3D, animación e interacción con interfaces gráficas de usuario.
Los investigadores presentan TelecomGPT-R1, una familia de modelos de razonamiento unificados de telecomunicaciones de código abierto diseñados para automatizar tareas de ingeniería mediante el razonamiento sobre estándares, configuraciones y registros. El modelo aborda las limitaciones de los LLMs existentes de propósito general y especializados a través de un enfoque estructurado que cubre ejes de protocolo, conocimiento, modelado y fallos.
CosmicUndercurrent ha publicado como código abierto un marco de razonamiento agnóstico a modelos diseñado para evaluar si el priming estructural puede reducir las inconsistencias globales en los grandes modelos de lenguaje. El proyecto, alojado, investiga si un proceso de dos pasos mejora la coordinación de todo el sistema en comparación con la corrección local.
Un autor propone un diseño de investigación para un sistema de razonamiento que detecta contradicciones entre dos proposiciones al descomponerlas en componentes más pequeños y buscar colisiones lógicas, en lugar de depender del juicio directo de LLM.
El AI Sage de Sberbank ha lanzado GigaChat-3.5 Reasoning, un modelo Mixture of Experts (MoE) de 432B-A28B que utiliza Gated DeltaNet para la eficiencia en contextos largos.
Anthropic ha lanzado Claude Fable 5.1, una actualización del modelo que establece un nuevo estándar para tareas de programación, trabajo de conocimiento y resolución de problemas de larga duración. El lanzamiento destaca importantes ganancias de rendimiento en el nuevo benchmark Terminal-Bench-Science 0.1, donde Fable 5.1 logró una puntuación de 52.6%, en comparación con 24.7% para Fable 5, 29.0% para Opus 5 y 22.4% para GPT-5.6 Sol.
Un usuario informa que ejecuta el modelo Qwen 3.8 27B con la cuantización GGUF UD-Q5_K_M y un perfil de esfuerzo de razonamiento xhigh para tareas extensas de codificación usando OpenCode.
La empresa china Tencent ha lanzado Hy4 Preview, un modelo de lenguaje grande de entrada de texto con pesos abiertos que cuenta con 770 mil millones de parámetros totales y 49 mil millones de parámetros activos. Este lanzamiento expande significativamente el modelo Hy3 anterior de julio, que tenía 295B de parámetros totales y una ventana de contexto de 256.000 tokens.
IBM ha lanzado la familia de modelos de razonamiento de código abierto Granite 4.2, que incluye las variantes insignia de 30B, medianas de 8B y compactas de 3B. Estos modelos aprovechan las capacidades nativas de cadena de pensamiento para mejorar el rendimiento en matemáticas, programación y problemas complejos de múltiples pasos.