Insilico Medicine ha lanzado un DDD Benchmark as a Service para probar modelos de IA de frontera y modelos fundacionales frente a tareas reales de descubrimiento y desarrollo de fármacos.

Kimi K3 de Moonshot lidera Code Arena: Frontend, pero queda por detrás de los principales modelos de OpenAI y Anthropic en FrontierMath Tier 4, lo que pone de relieve una fortaleza desigual del modelo.

Según los informes, cinco AI labs respaldan una escala común de puntuación de jailbreaks para el 1 de agosto, un paso inicial hacia pruebas de seguridad de modelos de AI más comparables.

OpenAI presentó GeneBench-Pro, un benchmark de genómica diseñado para medir un razonamiento científico de orden superior a medida que los laboratorios de IA avanzan hacia flujos de trabajo en biología.

Arena, la popular startup gratuita de clasificación de modelos de IA, lanzó su servicio comercial el pasado septiembre y ahora ha crecido hasta convertirse en un negocio de 100 millones de dólares.

Una evaluación de CAISI dice que DeepSeek V4 Pro es el modelo más fuerte de China, pero aún queda por detrás de los principales sistemas de IA de frontera de EE. UU.

Un nuevo benchmark riguroso evaluó a los principales modelos de IA en tareas de banca de inversión; ningún resultado fue considerado listo para el cliente, aunque la mitad de los banqueros vio valor como punto de partida.

Un nuevo benchmark revela que incluso los mejores modelos de IA pierden aproximadamente un 50 % de precisión al analizar gráficos complicados, lo que expone una limitación clave en el razonamiento visual.

El modelo mejorado Google Gemini 3 Deep Think demuestra un rendimiento superior al de GPT-5.2 de OpenAI y al de Claude Opus 4.6 de Anthropic en las últimas pruebas de referencia.

Claude Opus 4.6 logra un rendimiento innovador con 65.4% en Terminal-Bench y 72.7% en OSWorld, superando al Gemini 3 Flash en aplicaciones laborales del mundo real.