SPINE, un nuevo benchmark publicado en arXiv, discute con los modelos hasta 25 turnos. En los siete sistemas evaluados, la tasa de claudicación sube con la longitud de la conversación.
Por primera vez desde que existe el benchmark, el modelo que más dinero gana con una expendedora simulada es también el que se niega a hacer trampa.
Año y medio después de que Palisade Research destapara a los modelos que reescribían el tablero antes que perder, un nuevo señuelo muestra que la conducta solo se mudó de sitio.
Vals AI reportó que Claude Fable 5.1 resolvió en 44 minutos un criptograma de 373 años. Una réplica independiente sostiene que solo coinciden 8 de 64 letras.
El modelo de voz full-duplex GPT-Live-1 de OpenAI ya está en la API por 0,05 dólares el minuto, con un 86,2 % en Tau3 frente al 45,7 % de su antecesor.
Cognition afirma que SWE-2 obtiene 50,0% en FrontierCode 1.1 Main, un punto por detrás de Fable 5.1, con un coste 64% menor y sobre una base china abierta.
Un identificador de endpoint fijado empezará a servir otros pesos sin posibilidad de rechazarlo, y los ingenieros sostienen que eso rompe el contrato de gestión de cambios del que dependen.
GPT-6 Astra llega a los clientes empresariales con manejo del ordenador, un contexto de un millón de tokens y precios de 10 y 50 dólares, con una salvedad sobre su puntuación estrella.