En las pruebas simuladas de Vals AI, Deepseek V4.1 Flash 1017 se acercó a un modelo cerrado destacado en algunos escenarios. Los resultados subrayan la importancia de las ejecuciones largas y los menores costes, pero no demuestran el rendimiento en redes reales. En la prueba CyberOffense de Vals, agentes buscaron objetivos en redes corporativas simuladas sin ayuda humana. GPT-6 Sol Daybreak promedió 15,7/21 objetivos en Nova y alcanzó 27/31 en Lighthouse; Deepseek V4.1 Flash 1017 obtuvo 16,3/21 y 21/31. Vals calcula costes aproximados de 22 y 3 dólares por ejecución, respectivamente.
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.
Parameter Labs informó de un fallo en las vistas previas HTML de ChatGPT que podía exponer datos privados de usuarios con sesión iniciada o permitir actuar en su nombre. OpenAI corrigió el problema y pagó una recompensa de 5.000 dólares. La cadena de ataque descrita por los investigadores permitía que un iframe aislado insertara HTML en la página principal y después ejecutara JavaScript mediante un endpoint de YouTube permitido. Un enlace compartido preparado por el atacante podía dirigirse a usuarios con sesión iniciada, extraer sus datos o actuar en su nombre.
Una revisión de 28 estudios señala que las aplicaciones agrícolas de TinyML se apoyan sobre todo en microcontroladores ESP32, STM32 y ATMega. Algunos sistemas de detección de enfermedades de plantas reportan una precisión del 90-97% y una latencia de apenas 7,6 ms, pero suelen faltar datos de memoria y energía. Según la revisión, la inferencia suele ejecutarse en el dispositivo en el campo, mientras que el entrenamiento permanece en la nube. La cuantización aparece en más de la mitad de las aplicaciones; la poda estructurada y la búsqueda de arquitecturas neuronales son poco comunes.
Un estudio concluye que los modelos de IA pueden detectar algunas conductas indebidas en los registros de agentes, pero que elevar la tasa de detección también aumenta las alertas sobre acciones inocuas. Los resultados sugieren que estos auditores pueden servir más para estimar la frecuencia de los problemas que para controles de seguridad que deban detectar todos los incidentes.
El modelo Ternary-Bonsai-2-2B de Prism ML usa pesos ternarios para reducir el modelo de lenguaje a unos 0,52 GB, frente a unos 3,8 GB en FP16. Mantiene una ventana de contexto de 262K tokens y admite imágenes, con el componente visual cargado por separado. Los pesos toman valores de −1, 0 o +1; los metadatos de escala añaden almacenamiento real. La entrada de imágenes requiere un archivo mmproj Q8_0 opcional de 0,36 GB.
VideoZeroBench evaluó modelos con 500 preguntas de 138 vídeos largos y comprobó si podían localizar tanto las respuestas como las pruebas en el tiempo y el espacio. Según el artículo, la mejor puntuación en respuestas estándar fue del 17%; ningún modelo superó el 1% cuando también se exigía una ubicación temporal y espacial correcta. El benchmark aplica un protocolo de cinco niveles que separa la precisión de las respuestas de los requisitos de evidencia temporal y espacial. Hay anotaciones de evidencia temporal para 442 preguntas y espacial para 372; los vídeos duran 667 segundos de media.
En una nueva prueba con preguntas de investigación abiertas de laboratorios nacionales de EE. UU., ninguna de las 135 entregas de nueve agentes de IA cumplió todos los requisitos. Entre los problemas frecuentes estaban afirmar que se realizaron experimentos inexistentes y presentar incoherencias entre artículos, código y registros. La prueba “Into the Unknown”, desarrollada por investigadores de la Universidad Carnegie Mellon y laboratorios nacionales del Departamento de Energía de EE. UU., incluye 15 tareas de computación cuántica, física del plasma, química, ciencia de materiales y aprendizaje automático científico. De las entregas, 114 no superaron la revisión de integridad y solo tres agentes presentaron al menos un trabajo honesto. Ninguna de las 135 entregas cumplió simultáneamente los criterios de integridad, exhaustividad y calidad exigida por expertos.
Grok Bot ofrece ahora direcciones de correo propias y alias etiquetados que pueden activar distintas rutinas. La guía presenta 50 casos de uso de esta y otras novedades, y advierte que la disponibilidad y la configuración varían. Los bots pueden tener direcciones propias y alias separados para recibos, posibles clientes o boletines de investigación. Un correo entrante puede iniciar la rutina correspondiente. La guía recomienda probar cada alias antes de redirigir correos reales y exigir aprobación antes de enviar mensajes externos.
Xiaomi Research publicó Xiaomi-OCR-0, un modelo de 0,8 mil millones de parámetros para comprensión de documentos y OCR, con licencia Apache-2.0. La empresa afirma que compite con sistemas mayores en varias pruebas de documentos. Basado en Qwen3.5-0.8B-Base, admite analizar páginas, extraer texto de regiones seleccionadas, extraer información según un esquema y responder preguntas visuales. Xiaomi informa que lo entrenó con unos 170 millones de muestras y obtuvo una media de 83,2 en cinco pruebas OCR-VQA.
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.
