punto de referencia
5 published articles
Investigación en IA
Por qué GPT-5.5 domina un benchmark que prueba cómo los agentes se mejoran a sí mismos
EvoPolicyGym aísla una capacidad crítica pero poco estudiada: la capacidad de un agente para refinar una política ejecutable mediante ediciones repetidas con retroalimentación limitada. El benchmark revela a GPT-5.5 como el mejor intérprete en 16 entornos, y proporciona diagnósticos a nivel de trayectoria que exponen cómo diferentes agentes asignan presupuesto y convierten la retroalimentación en parámetros ajustados.
2026-07-11
Investigación en IA
Tu asistente de IA te olvida cada mañana. Este benchmark lo demuestra.
VitaBench 2.0 prueba si los agentes de IA pueden extraer y actualizar continuamente las preferencias del usuario a partir de interacciones fragmentadas a lo largo del tiempo. Los resultados muestran que incluso los modelos de última generación luchan por construir modelos de usuario persistentes, revelando una amplia brecha entre la competencia de un chatbot y la inteligencia colaborativa genuina.
2026-07-11
Lanzamiento de modelo de IA
MiniMax lanza el modelo M2.7 con sólidas habilidades en ingeniería de software y productividad ofimática
El modelo M2.7 de MiniMax ofrece resultados sólidos en puntos de referencia de ingeniería de software y tareas profesionales de oficina, con una tasa de adherencia a habilidades del 97% en instrucciones complejas y una puntuación ELO de 1495 en GDPval-AA.
2026-07-08
Tecnología Climática
Fase 1 de AIMIP: Un nuevo punto de referencia para probar modelos climáticos de IA
El proyecto AIMIP Fase 1, que involucra a grupos de NVIDIA, Google Research y otros, proporciona un conjunto de datos abierto y un marco de evaluación para modelos climáticos de IA. Si bien estos modelos reproducen con precisión los patrones climáticos históricos, su capacidad para generalizar a condiciones no vistas sigue siendo un desafío clave.
2026-07-03
Benchmark
El GauntletBench de Oxford somete a los agentes de IA a 100 tareas reales. Fallaron el 81% de ellas.
El GauntletBench de Oxford somete a los agentes de IA a 100 tareas desafiantes del mundo real. Los sistemas de frontera apenas alcanzan un 19.1% de éxito, muy por debajo del rendimiento humano. El benchmark se enfoca en capacidades pasadas por alto: percepción temporal, comprensión gráfica y razonamiento 3D en cinco aplicaciones profesionales.
2026-07-01