Artículos sobre IA

Descubre qué es la IA encarnada, en qué se diferencia de los LLM, cómo funciona el bucle percepción-razonamiento-acción y por qué el entrenamiento sim-to-real importa para los data scientists.

El nuevo modelo pequeño de Anthropic cuesta 0,10 / 0,50 $ por millón de tokens, recorta gran parte de la distancia con Sonnet en trabajo agentivo y en nuestra prueba igualó el pleno de Haiku 4.5 por una fracción del coste.

El nuevo modelo de frontera de Google lidera en trabajo del conocimiento empresarial e ingeniería de software en el mundo real, llega con un límite de 1M de tokens de salida y se entrega primero a defensores de la ciberseguridad.

Mismo precio de lista, letra pequeña distinta. Comparamos GPT-6.1 Sol y Claude Sonnet 5.5 en benchmarks, costes de caché y de contexto largo, acceso en la nube y una prueba práctica de programación.

Grok de xAI, un nuevo modelo para programación y trabajo de conocimiento, cuesta $2/$6 por millón de tokens y supera a rivales punteros en algunos benchmarks. Aquí tienes las novedades, cómo se compara con la competencia y en qué mejora a su predecesor.

OpenAI y xAI lanzaron nuevos modelos insignia este septiembre. Así es como realmente se comparan en programación, precio, seguridad y más.

Los dots de OpenAI son agentes siempre activos impulsados por GPT-6 Astra, con su propio ordenador en la nube, acceso por plugin a más de 4.000 apps y un primer dot incluido en los planes Pro y Business Premium.

Descubre qué hay de nuevo en Claude Opus 5.5, el primer modelo de la serie 5.5 de Anthropic: menores costes, respuestas más rápidas y récords en seguridad.

Beam, de Reflection AI, iguala a GLM 5.2 en razonamiento con 3-4 veces menos cómputo, pero va por detrás de Kimi K3 en codificación agentiva. Así rinde este modelo open-weight.

Descubre una nueva ola de proyectos open‑source que ofrecen alternativas prácticas a Jev para decisiones de IA rápidas, locales y rentables.

Descubre las conferencias y eventos de IA más populares programados en 2026.

Descubre qué son los modelos fundacionales tabulares, cómo funciona el aprendizaje en contexto y cuándo TabPFN o TabICL superan a XGBoost en datos estructurados, con un marco de decisión.