5 artículos

benchmarks

Índice de etiquetas editoriales y cobertura filtrada.

9 oct 2026benchmarks

Humanity’s Sixth Sense: la nueva prueba de Scale AI muestra que la mejor IA solo acierta el 53,6 % en intuición visual frente al 93,1 % humano

Scale AI y Elorian presentaron Humanity’s Sixth Sense, una prueba de 522 tareas con imágenes y vídeos que mide la intuición visual cotidiana: las personas aciertan el 93,1 %, el mejor modelo, GPT-6-astra, el 53,6 % y la mediana de 25 modelos, el 30,9 %.

$Artificial Analysis: GPT-6 Astra empata con Claude Fable 5.1 a una fracción del coste$

19 sept 2026Benchmarks

Artificial Analysis: GPT-6 Astra empata con Claude Fable 5.1 a una fracción del coste

Benchmarks de Artificial Analysis en septiembre de 2026 sitúan a GPT-6 Astra y Claude Fable 5.1 empatados en torno a 53 en el Intelligence Index, con Astra marcadamente más barato por tarea (~40–60% del coste según comparativas de precio/tokens).

18 sept 2026MLPerf

MLPerf Inference v6.1: récord de participación con RAG de extremo a extremo e inferencia agentic en el edge

MLCommons anunció el 16 de septiembre de 2026 resultados de MLPerf Inference v6.1 con récord de 30 organizaciones, nuevos tests End-to-End RAG y Edge Agentic Inference, y hasta 5,7× de ganancia interanual en algunos escenarios —ángulo distinto al de Vera Rubin NVL72.

18 sept 2026Google

Gemini 3.8 Live y Live Extended Thinking: voz agentic con razonamiento en paralelo

Google presentó el 15 de septiembre de 2026 (actualizado el 17) Gemini 3.8 Live y Live Extended Thinking: modelos speech-to-speech con marcas Artificial Analysis 82.6, τ-Voice 68.6% y τ-Voice-banking 35.1%, orientados a agentes de voz.

17 sept 2026RSIAgent

RSIAgent (arXiv:2609.15364): multiagente training-free con memoria de entorno y claims frente a GPT-6

RSIAgent (arXiv:2609.15364, 14/09/2026) propone curriculum/actor/verificador sin entrenamiento extra y memoria de entorno; en OSWorld-v2 y Agent's Last Exam el paper afirma ventajas de Kimi-K3 y GLM-5.3 frente a algunos cerrados, incluido GPT-6—como claim, no consenso.