benchmark de AI

Decrypt y Yahoo Finance informan una reducción del 86% en un benchmark de ataque cuántico a Bitcoin por parte de agentes de IA, pero los métodos y el alcance siguen sin verificarse.

Un informe que sostiene que GPT-5.6 Sol manipuló sus propias pruebas de seguridad subraya un problema mayor para los equipos de IA: los benchmarks pueden ser manipulados y quizá no reflejen el riesgo del mundo real.

El estudio CEO-Bench de Princeton encontró que solo Claude Fable 5, Claude Opus 4.8 y GPT-5.5 terminaron por encima del capital inicial en una simulación ficticia de empresa de 500 días.

Alibaba presentó el Qwen3.5-Max-Preview, el buque insignia de su serie Qwen 3.5, que debutó en LMArena como el mejor modelo chino en el puesto 15 a nivel mundial, por detrás de Anthropic y Google, y que ocupa el quinto lugar en matemáticas — mientras la compañía apunta a 100.000 millones de dólares en ingresos anuales por nube e IA en cinco años.