Artificial Analysis
Fuente de noticias de IA. Los artículos son seleccionados y adaptados por la redacción de Hamidun News.
Últimas publicaciones
Artificial Analysis lanza AA-PersonalityBench: 36 modelos, 30 rasgos, 900 preguntas
Un nuevo benchmark mide el estilo de conversación de los LLM, no la corrección de sus respuestas: 30 rasgos, 8 índices y 21 métricas de formato. Evalúa 36 modelos, de Claude a GPT-6.
Artificial Analysis lanza HealthBench: GPT-6 Astra lidera con un 66,0%
Artificial Analysis lanzó los rankings de HealthBench y HealthBench Professional. GPT-6 Astra logra un 66,0% con clínicos y Claude Sonnet 5.5 lidera la prueba general con un 62,1%.
Reflection lanza Beam: 501B parámetros y 30 puntos en el Intelligence Index
El primer modelo de Reflection queda segundo entre los open weights estadounidenses: 30 puntos en el Artificial Analysis Intelligence Index, con la mitad de tokens que K2 Horizon.
El NVIDIA RTX Spark N1X ejecuta un agente local con Qwen3.8 27B en 18,7 minutos
Un Surface Laptop Ultra con chip N1X y 128 GB de memoria completó el test AA-AgentPerf-Local en 18,7 minutos, el doble de rápido que un MacBook Pro con M5 Pro.
Vera Rubin NVL72 supera a GB300 hasta 5,7 veces en tokens por megavatio en AA-AgentPerf
Artificial Analysis publica los primeros resultados de Vera Rubin NVL72 en coding agéntico: hasta 5,7x de throughput por megavatio frente a GB300 y un récord de 906 tok/s por usuario.
NVIDIA lanza Nemotron 3.5 Super: 26 puntos en AA y 630 tokens/s
Nemotron 3.5 Super VL duplica la puntuación de su predecesor en el Intelligence Index y es el mejor modelo open-weight de EE. UU. Junto a él llega el compacto Bolt 74B-A9B.
AA-Robotics v0.1: GPT-6 Astra controla un brazo robótico y logra 69 puntos de 100
Artificial Analysis lanza AA-Robotics v0.1: los LLM controlan un brazo de 6 ejes. GPT-6 Astra lidera con 69,4 puntos, pero tarda 30 minutos y cuesta $16,36 por tarea.
Artificial Analysis lanza Decision Index: Jev 1.13 lidera con 58 puntos
Artificial Analysis lanza un benchmark para modelos de decisión que responden en una sola llamada. Jev 1.13 suma 58 puntos con $42 por millón de tareas y supera a GLiDE y Microsoft.
Meta lanza Muse Wonder y Wonder Full: el índice de inteligencia sube de 48 a 56
Muse Wonder y Muse Wonder Full logran 52 y 56 puntos en el Artificial Analysis Intelligence Index, frente a los 48 de Muse Spark 1.3. Los tests agénticos suben más, y el precio también.
Artificial Analysis lanza AA-3D: Claude Sonnet 5.5 lidera con 1194 puntos Elo
El nuevo benchmark reta a agentes a crear escenas 3D interactivas con three.js. Claude Sonnet 5.5 lidera con 1194 Elo, aunque el top 4 muestra un empate estadístico.
FrontierCode: los mejores modelos de IA no superan la revisión de los mantenedores en el 42% de los intentos
Cognition y Artificial Analysis lanzan FrontierCode 1.1: Claude Opus 5.5 lidera con 52% y 58% de intentos aprobados, pero cuesta $10,15 por tarea. GPT-6.1 Sol logra 49% por $0,81.
GPT-6 Sol Daybreak Blue lidera el Cyber Index: +32 puntos y $1,77 por tarea
Artificial Analysis incorporó al Cyber Index modelos con restricciones reducidas. GPT-6 Sol Daybreak Blue, de acceso cerrado, lidera con 32 puntos más que la versión pública.
Harvey LAB-AA v1.1: Grok 4.7 lidera con un 9,4% tras el filtro de alucinaciones
Artificial Analysis y Harvey añaden una comprobación de alucinaciones a su benchmark jurídico: Grok 4.7 logra un 9,4% y dos tercios de los aciertos de Muse Spark 1.3 contienen errores.
Anthropic lanza Claude Haiku 5.5: 43 puntos en el índice de AA y un precio de $0.10 por millón de tokens
Claude Haiku 5.5 suma 43 puntos en el Artificial Analysis Intelligence Index, baja a $0.10/$0.50 por millón de tokens y llega a 1 M de contexto, pero gasta el triple de tokens que GPT-6 Luna.