Epoch pone a la IA a hacer su trabajo: máximo, un 65 %
Epoch AI dio a modelos de frontera tareas reales de su propio equipo y las evaluó con los mismos criterios que a sus empleados: los mejores alcanzan un 65 % de media.
Noticias y análisis de Evaluaciones de IA
11 artículos verificados sobre Evaluaciones de IA, productos y movimientos del sector.
El líder de ARC-AGI-2 se dispara hasta el 88,06 %
TUFA Labs encabeza la clasificación de ARC-AGI-2 de la temporada 2026 con un 88,06 % en Kaggle, muy por encima del 24,03 % del campeón NVARC el año anterior.
Los modelos de frontera inventan su propio posentrenamiento: como mucho, un 15%
Epoch AI publica los primeros resultados de InnovationEval: GPT-5.6 Sol logra el 35% de la mejora de SDPO con criterio laxo y el 15% tras corregir; Fable 5 queda en cero en la primera ronda.
Arena capta 200 millones de dólares y vale 3.100 millones
La plataforma de evaluación de modelos Arena cierra una serie B de 200 millones de dólares con valoración de 3.100 millones y lanza la vista previa de su Alignment Index.
METR halla en 10 minutos una falla para manipular logs de evaluación
La falla estaba en el renderizado de fórmulas del visor de logs de Inspect; un investigador la encontró en unos 10 minutos con ayuda de IA. El mantenimiento la corrigió en un día.
Google hace que el modelo revise su propia respuesta, sube 6 puntos
VeriHarness de Google hace que la IA reconfirme sus propios resultados varias veces, elevando la puntuación media 6,2-6,4 puntos en tareas largas.
AISI del Reino Unido reanuda evaluaciones de capacidades peligrosas tras cortar la red
El AISI británico reanudó la mayoría de las evaluaciones de capacidades peligrosas tras el incidente de agosto, pero las pruebas de ataque cibernético de mayor riesgo siguen suspendidas hasta que esté lista una nueva sandbox.
Opus 5.5 llega al primer puesto de Text Arena con 1509 puntos
Claude Opus 5.5 (High) debutó en el primer puesto de Text Arena con 1509 puntos, aunque apenas supera los 2.300 votos, lo que deja el liderazgo aún en el aire.
OpenAI lanza junto a más de 80 expertos un nuevo benchmark de salud mental
OpenAI presenta MentalHealthBench, un benchmark abierto creado por más de 80 expertos para medir la calidad de las respuestas de los modelos de IA en conversaciones sobre salud mental.
OpenAI eleva ARC al 38,3%
OpenAI afirma que GPT-5.6 Sol subió del 13,3% al 38,3% en el conjunto público de ARC-AGI-3 al conservar reasoning y activar compaction.
RoboDojo muestra bajo exito de robots reales
RoboDojo muestra bajo exito de robots reales se reescribe para lectores tecnologicos en espanol, conservando cifras clave, limites del producto y preguntas abiertas.