Evaluación comparativa de AI

AutoModelRouter de KT habría ocupado el segundo puesto en un benchmark global, situando la eficiencia en la selección de modelos en el centro del despliegue de IA empresarial.

Vals, respaldada por Andreessen Horowitz, recaudó 40 millones de dólares para crear una evaluación comparativa de IA confidencial y basada en tareas para empresas y agencias federales, mientras que las pruebas más antiguas s…

Los datos de referencia de AWS sugieren que los modelos de OpenAI en Amazon Bedrock pueden reducir el costo de las respuestas correctas cuando los equipos miden la calidad, los turnos y el retrabajo.

Google DeepMind está probando un benchmark de doble ciego protegido criptográficamente para Gemini Flash Lite, con el objetivo de reducir la contaminación y reconstruir la confianza en las evaluaciones de IA.

Motif presuntamente encabeza un referente global de IA para modelos coreanos, mientras la industria espera una segunda evaluación de Dokpamo que podría poner a prueba si el resultado se mantiene.

Claude Opus 5 de Anthropic marcó una nueva mejor puntuación en ARC-AGI-3, reavivando las preguntas sobre mejoras reales de razonamiento frente a la optimización para el benchmark.

OpenAI dice que alrededor del 30 % de las tareas de SWE-Bench Pro podrían estar rotas, lo que plantea nuevas dudas sobre cómo la industria de la IA mide los modelos de programación.

Un nuevo sistema de evaluación comparativa impulsado por IA generativa revela el dominio de China en el sector de vehículos autónomos y robotaxis frente a sus competidores estadounidenses.

Google DeepMind lanza benchmarks de Werewolf y poker en Kaggle Game Arena para probar las habilidades sociales de la IA, la detección del engaño y la gestión del riesgo. Los modelos Gemini 3 Pro y Flash demuestran un salto de rendimiento significativo respecto a la generación anterior.