#LLM
Cobertura curada sobre «LLM»: lanzamientos, investigación, benchmarks, código abierto.
Anthropic comprueba si una IA puede copiarse a sí misma a través de un TV box
El equipo rojo de Anthropic estudió si una IA puede saltar entre dispositivos como un virus. Los modelos pequeños ya se adaptan a hardware ajeno y despliegan la…
Google DeepMind lanza Gemini 4 Argon y reduce a la mitad el precio de la API
Google DeepMind abre el acceso global a Gemini 4 Argon, primer modelo de frontera de la familia. La API cuesta un 50% menos por tiempo limitado; el foco es el…
Tsinghua presenta SRHarness y MechBench: agentes de IA que buscan fórmulas y mecanismos
Tsinghua propone SRHarness para regresión simbólica con agentes y el benchmark MechBench, con el fin de que la IA encuentre fórmulas y mecanismos de forma más…
Investigadores encuentran en Pythia una ventana del 0,4–1,1% del preentrenamiento en la que se reorganiza el readout
semCER pondera los errores de OCR según su gravedad: 61 millones de evaluaciones de un LLM-juez
SAE en Gemma-2-2B: la proporción de rasgos coincidentes sube del 2% al 29% con 50M de tokens
AA-Robotics v0.1: GPT-6 Astra controla un brazo robótico y logra 69 puntos de 100
MULTIFINGROUND: los LLM reconocen conceptos contables con un 99% de acierto, pero pierden hechos
Nuevo benchmark con informes de 90 emisores: los modelos reconocen el concepto con hasta un 99,4% de precisión, pero en el 26,6–41,9% de los casos omiten al menos…
Interlock enseña a los agentes a terminar las tareas: hasta +6,64 puntos en JobBench
El framework Interlock sintetiza tareas largas para agentes LLM. El ajuste fino de dos modelos Qwen3.6 con sus propias trayectorias aportó +4,00–4,50 p. p. en…
Modal capta $750 millones con una valoración de $15,75 mil millones y alcanza $1 mil millones de run rate
Equipos de agentes por $155 en vez de $510: Cohere descubre dónde delegar sale rentable
WinARDet cura los bucles de los detectores MLLM: el F1 sube de 32,16 a 39,36
GAFU extrae el conocimiento de la generación en los UMM y mejora hasta un 20% en VStar-Bench
SliderEdit++ suaviza los deslizadores en los editores de IA: +18,5% y hasta 20 veces más rápido
SliderEdit++ y el benchmark SlideBench: el método suaviza la trayectoria de edición, mejora la puntuación global un 18,5% y es 3–20 veces más rápido que sus rivales.
JockeyBench: 28 configuraciones de agentes LLM pierden dinero en las carreras de caballos de Japón
Investigadores de HKUST probaron agentes LLM en 324 carreras de caballos japonesas. Siete configuraciones mejoraron el pronóstico, pero las 28 terminaron con…