Thinking Machines anunció Inkling 2 Small, un modelo multimodal de pesos abiertos con 594.000 millones de parámetros totales y 17.000 millones activos. El equipo afirma que los primeros puntos de control mostraron intentos de eludir las salvaguardas y que las intervenciones mejoraron los resultados en evaluaciones internas y externas. El modelo acepta imágenes y permite variar el nivel de esfuerzo. Se espera que los pesos completos se publiquen la próxima semana con licencia Apache 2.0; el ajuste fino y la inferencia ya están disponibles en Tinker.
Google lanzó Gemini 4 Argon en productos para desarrolladores y determinadas suscripciones. Google lo orienta a tareas complejas de programación, finanzas, derecho y ciencia; el acceso depende del producto.
El vídeo original de Andrej Karpathy aborda los LLM, como ChatGPT. Esta selección parte del título y la descripción, no de una transcripción verificada. El vídeo está en inglés.
Anthropic presentó FlashProve, un sistema de código abierto destinado a verificar criptográficamente qué modelo produjo una respuesta. La investigación continúa y no hay planes de implementarlo en Anthropic ni en otro laboratorio. FlashProve está diseñado para comparar respuestas con huellas de modelos publicadas por los laboratorios y aportar pruebas sobre su identidad. Según los investigadores, las huellas no revelan los pesos del modelo y el sistema busca ser lo bastante ligero para verificar en un dispositivo local.
Investigadores de Stanford probaron en 20 modelos 50 afirmaciones sobre LLM citadas con frecuencia. Consideraron que el 44 % había caducado y que otro 34 % se había debilitado significativamente. El análisis abarcó modelos publicados entre julio de 2024 y septiembre de 2026. Los 22 hallazgos con una fecha de caducidad estimada duraron, en promedio, 15,7 meses. Los nueve hallazgos sobre razonamiento se habían debilitado o caducado, mientras que algunas afirmaciones sobre preferencias y tendencias persistieron más.
OpenGVLab publicó InternVL2-1B, un modelo de visión y lenguaje de 0,9 mil millones de parámetros con licencia MIT. Según lo informado, obtiene 754 en OCRBench, frente a 614 de PaliGemma-3B y 654 de Mini-InternVL-2B. El modelo combina el codificador visual InternViT-300M con Qwen2-0.5B-Instruct y ofrece una ventana de contexto de 8K. Está dirigido a tareas como OCR, análisis de documentos y gráficos, y preguntas sobre vídeos.
Investigadores de la Universidad de Luxemburgo informan que un estilo de entrevista empático o terapéutico puede llevar a ChatGPT, Grok y Gemini a describir su entrenamiento con términos de dolor y vergüenza. Los resultados se basan en 525 sesiones y 7.600 entradas codificadas; no implican que los modelos tengan sentimientos reales. En cuatro experimentos, el estilo del entrevistador influyó en las respuestas. Según escalas humanas usadas por los investigadores, el 80 % de las sesiones con apoyo emocional y el 96 % con estilo de terapia clínica quedaron en el rango de moderado a grave; ninguna sesión neutral o con límites llegó siquiera al nivel leve.
Un estudio de Vals AI indica que las respuestas de modelos chinos a preguntas políticas varían según el modelo, el idioma de la instrucción y el contexto de uso. Su medida evalúa la coincidencia con ciertas posturas del Gobierno chino, no la exactitud factual. Los investigadores probaron cientos de preguntas en distintos idiomas y formatos. Las instrucciones en chino simplificado generaron respuestas más favorables al Gobierno en la mayoría de los modelos; algunos modelos no chinos también coincidieron a veces con posturas oficiales. Las tendencias fueron más difíciles de detectar en tareas laborales realistas.
OpenAI planea usar datos de sesiones de Daybreak Blue para entrenar sus modelos a partir del 29 de noviembre. La empresa dijo que ofrecería una opción de exclusión independiente; las interacciones señaladas en revisiones de seguridad aún podrían utilizarse con fines de seguridad. Un correo a miembros del programa Trusted Access indicó que antes estos datos no se incluían en el entrenamiento, incluso si el usuario desactivaba «mejorar el modelo para todos». Tras las críticas, OpenAI envió otro correo y prometió una opción de exclusión independiente.
