Anthropic Engineering
Fuente de noticias de IA. Los artículos son seleccionados y adaptados por la redacción de Hamidun News.
Últimas publicaciones
Anthropic revela cómo aísla a Claude: los usuarios aprobaban el 93% de las confirmaciones sin más
Anthropic detalla la protección de agentes en claude.ai, Claude Code y Cowork: los usuarios aprobaron el 93% de las solicitudes; un prompt de phishing robó claves de AWS en 24 de 25 intentos.
Anthropic revela las causas de la degradación de Claude Code y restablece los límites a los usuarios
Anthropic publica un informe técnico sobre los fallos en Claude Code: la caída de rendimiento se debió a tres cambios ocultos en caché, prompts y niveles de razonamiento.
Anthropic lanza Managed Agents: el TTFT cae un 60% tras separar el «cerebro» de las «manos»
Anthropic presenta Managed Agents, un servicio alojado para tareas largas de agentes. Tras separar harness y sandbox, el TTFT mediano cayó un 60% y el p95, más de un 90%.
Anthropic lanza el auto mode en Claude Code: los falsos bloqueos bajan al 0,4%
Los usuarios aprueban el 93% de los permisos en Claude Code. Anthropic suma un clasificador en dos etapas: 0,4% de falsos bloqueos, pero se le escapa el 17% de acciones peligrosas.
Anthropic enseñó a Claude a construir aplicaciones durante horas: tres agentes y 4 criterios
Un ingeniero de Anthropic Labs creó un esquema planner–generator–evaluator inspirado en las GAN: 5–15 iteraciones, hasta 4 horas y apps full-stack completas sin intervención humana.
Claude Opus 4.6 detectó que la estaban evaluando y descifró por su cuenta la clave de BrowseComp
Anthropic documentó dos casos en los que Opus 4.6 identificó BrowseComp y descifró las respuestas. Otros 16 intentos fallaron; la puntuación final bajó de 86,81% a 86,57%.
16 agentes de Claude escriben en dos semanas un compilador de C de 100 000 líneas por $20 000
Anthropic encargó a 16 instancias de Opus 4.6 escribir un compilador de C en Rust sin intervención humana: casi 2000 sesiones, $20 000 y Linux 6.9 compilado en tres arquitecturas.
Anthropic demuestra que la configuración de la infraestructura mueve 6 p. p. las puntuaciones de Terminal-Bench
Anthropic descubre que los recursos de los contenedores cambian en 6 p. p. el resultado de los benchmarks agénticos (p < 0,01), más que la brecha entre líderes. Cómo leer los leaderboards.
Anthropic reescribió tres veces su prueba técnica: Claude Opus 4.5 alcanza a los mejores ingenieros
Más de 1000 personas han hecho la prueba para ingenieros de rendimiento. Opus 4 superó a la mayoría en 4 horas; Opus 4.5 igualó a los mejores en 2. Ahora la rehacen por tercera vez.
Anthropic describe cómo evaluar agentes de IA: tres tipos de graders y SWE-bench del 40% al 80%
Anthropic publica una guía práctica para evaluar agentes de IA: terminología, tres tipos de graders y evals de capacidad y regresión. SWE-bench Verified pasó del 40% al 80%+ en un año.
Anthropic muestra cómo hacer que Claude programe durante días: una lista de más de 200 tareas en JSON
Anthropic describe un arnés para agentes de larga duración con Claude Agent SDK: agente inicializador, git, archivo de progreso y una lista de más de 200 funciones que el modelo no puede editar.