GPT-5.5
6 published articles
Agentes de programación autónomos · Preprint de arXiv
Harness-of-Harness afirma una mejora del 52,25 % al ejecutar otros agentes de programación
HoH envuelve los harness de agentes de programación existentes en bucles repetidos de planificación, programación y pruebas, y reporta una ganancia relativa media del 52,25 % en tres suites de benchmarks. El resumen deja sin definir la métrica subyacente, el coste de recursos y el desglose por modelo.
2026-09-25
Automatización de la investigación en IA, arXiv, septiembre de 2026
DisCo reporta una mejora del 134,3 % en MLE-bench con su backbone fijo
DisCo destila 1.000 repositorios de ML en más de 5.000 skills reutilizables y reporta grandes ganancias en benchmarks con el modelo, el harness y el presupuesto de ejecución fijos. Las cifras son autoinformadas y no han sido replicadas.
2026-09-16
Investigación en IA
Por qué GPT-5.5 domina un benchmark que prueba cómo los agentes se mejoran a sí mismos
EvoPolicyGym aísla una capacidad crítica pero poco estudiada: la capacidad de un agente para refinar una política ejecutable mediante ediciones repetidas con retroalimentación limitada. El benchmark revela a GPT-5.5 como el mejor intérprete en 16 entornos, y proporciona diagnósticos a nivel de trayectoria que exponen cómo diferentes agentes asignan presupuesto y convierten la retroalimentación en parámetros ajustados.
2026-07-11
Análisis profundo de benchmarks
ARC-AGI-2: El benchmark que mide la inteligencia fluida en sistemas de IA
ARC-AGI-2 prueba la inteligencia fluida de los sistemas de IA mediante rompecabezas en cuadrículas visuales que no pueden resolverse por memorización. Los modelos frontera actuales puntúan entre 75 y 85%, pero el gran premio de 700.000 dólares sigue sin reclamarse. Aquí un análisis profundo del diseño del benchmark, la puntuación y la tabla de clasificación actual.
2026-07-01
Inteligencia Artificial
GPT-Live de OpenAI finalmente deja de esperar a que termines de hablar
GPT-Live de OpenAI introduce audio full-duplex para que la IA pueda escuchar y hablar al mismo tiempo. Puede decir 'mjm', esperar durante las pausas y delegar el razonamiento complejo a GPT-5.5 en segundo plano, manteniendo el flujo de la conversación.
2026-07-01
contexto efectivo, límites de salida y el impuesto oculto de las ventanas largas
Su modelo de IA dice que puede leer 1 millón de tokens. Miente. Aquí están las matemáticas reales.
Los cuatro LLMs de frontera anuncian contextos de más de 1 millón de tokens, pero la recuperación efectiva, los límites de salida y el costo real difieren considerablemente. DeepSeek V4 Pro lidera en límite de salida y costo, Gemini sobresale por debajo de 200K tokens y Claude Opus gana en almacenamiento en caché para revisión interactiva de código. Este análisis desglosa las cifras de abril de 2026.
2026-06-30