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.