JEV-27B puntúa probabilidades para decisiones con opciones fijas
AutoTrust Labs publicó JEV-27B v1.1, un modelo de 27.000 millones de parámetros que devuelve probabilidades de opciones en vez de texto libre. La empresa informa de una puntuación de 67,31 en 37 pruebas; el modelo solo admite preguntas de opción múltiple y de sí o no.
AlphaSignal8 nov 2026
1 min de lectura
El modelo elige entre las opciones proporcionadas y devuelve una distribución de probabilidad. Destaca en selección de herramientas y clasificación de intención, pero rinde peor en razonamiento abierto y algunas otras pruebas.
El modelo, con licencia Apache-2.0, usa pesos BF16. Hace falta calibrarlo para cada aplicación antes de que sus puntuaciones influyan en decisiones importantes.
Por qué importa
Ofrece una interfaz para sistemas de clasificación y enrutamiento con opciones fijas, aunque la puntuación comunicada no constituye una verificación independiente.
GUÍAS
Una idea para probar
Para un prototipo hipotético, planifica cómo comparar su distribución de probabilidades con un clasificador existente para un conjunto limitado de etiquetas.
PUSULAM / COMPRENDER
Una buena pregunta lo cambia todo.
Exploremos este artículo juntos. Pregunta qué significa, por qué importa o cómo aplicar la idea.
Una perspectiva personalElegido para ti
¿Qué significa para ti?
Una explicación adaptada a tu trabajo y tus intereses.
Cuéntanos un poco de ti para recibir una explicación a tu medida.
PUSULAM / COMMUNITY
La conversación
¿Qué cambia para ti? Comparte un ejemplo o pregunta a otros lectores.
Bark, de código abierto, puede generar voz, música, risas y efectos de sonido a partir de una sola instrucción de texto. Según la fuente, admite 13 idiomas y más de 100 voces preconfiguradas, pero puede cambiar el texto o añadir sonidos inesperados. Bark genera clips de unos 13–14 segundos y se publica con licencia MIT. La fuente indica que los modelos completos requieren unos 12 GB de memoria GPU, y que hay variantes más pequeñas para equipos con menos memoria.
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.
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.
Inicia la conversación.