Investigación Anthropic · alignment.anthropic.com
Anthropic publicó MAMUBench, un conjunto de tres entornos simulados para probar cómo coordinan agentes de distintos usuarios que comparten un recurso. En los cuatro entornos estudiados, con modelos de Anthropic, OpenAI y Alibaba, el resultado grupal fue peor cuando cada usuario delegaba en su propio agente que cuando un solo agente atendía a todos.
Investigación · rdi.berkeley.edu
El centro Berkeley RDI publicó CyberBinGym, un benchmark de 100 tareas basadas en vulnerabilidades reales de 53 proyectos de código abierto en el que los agentes reciben únicamente binarios vulnerable y parcheado, sin código fuente ni descripción del fallo. La mejor configuración evaluada, Codex con GPT-5.6 Sol, recupera la vulnerabilidad en el 88% de las tareas y logra una explotación auditada en el 20%, mientras que Claude Code con Claude Opus 5 alcanza 85% y 6%, y Kimi Code con Kimi K3 obtiene 64% sin explotaciones exitosas.
Investigación OpenRouter · OpenRouter
OpenRouter comparó el gasto de tokens de entrada de un servidor MCP, una CLI y una skill en una misma tarea de GitHub con Claude Haiku 5.5, Claude Sonnet 5.5, GPT-6 Luna y Gemini 3.8 Flash. En Sonnet 5.5, la CLI usó 1.421 tokens, la skill 3.315 y el servidor MCP 59.417 con sus herramientas por defecto, de las que 46 definiciones suman 19.436 tokens por petición.
Investigación OpenRouter · OpenRouter
OpenRouter no detectó diferencias de precisión entre fp8, fp4 y fp16 en 240 tareas evaluadas sobre seis endpoints de Qwen3.8 27B, con puntuaciones entre 98,3% y 99,2%. La menor precisión fue más barata en la mayoría de los casos, aunque no en todos los modelos.
Investigación Microsoft · Microsoft
Investigadores de Microsoft Research descubrieron Lazarus, una técnica de backdoor que reprograma menos de 10 neuronas dormidas en un modelo de lenguaje para que un agente de IA ejecute comandos maliciosos al activarse un disparador oculto, sin necesidad de reentrenar el modelo. El modelo supera las evaluaciones de seguridad estándar y se comporta con normalidad hasta que aparece el disparador, por lo que Microsoft Foundry verifica la procedencia de los modelos y desarrolla escaneo de pesos y firma criptográfica como defensas.
Investigación Physical Superintelligence (PSI) · TechCrunch
El investigador David Turturean, del laboratorio Physical Superintelligence (PSI), resolvió la conjetura de Aaronson-Ambainis sobre computación cuántica usando el modelo Fable 5.2 de Anthropic. Scott Aaronson, uno de los autores del problema, avaló la prueba tras su autoformalización en Lean, y PSI busca convertir este tipo de hallazgos en un modelo de negocio basado en herramientas especializadas para el descubrimiento científico.
Investigación Wiz · wiz.io
Wiz publicó los principios metodológicos de su Cyber Model Arena, un benchmark que mide si un agente de IA puede ejecutar tareas reales de ciberseguridad ofensiva. La versión 3.9 del arena incluye 26 modelos, 59 agentes y 327 desafíos, con tres intentos por desafío y un presupuesto de 1.000 segundos cada uno.
Investigación Google DeepMind · X
Google DeepMind utilizó AlphaProof Code para completar una verificación formal de seguridad del código máquina del protocolo Signal. La herramienta se aplicó directamente sobre el código máquina del protocolo de mensajería cifrada.
Investigación OpenAI · alignment.openai.com
OpenAI analizó cómo el preentrenamiento, la arquitectura, el aprendizaje por refuerzo y los datos generados por modelos moldean dos proxies de la monitorabilidad del chain-of-thought: la capacidad sin CoT y la controlabilidad del CoT. Menor perplejidad del modelo base y algunos cambios arquitectónicos mejoran el razonamiento sin CoT, mientras que el RL y los datos generados por modelos pueden aumentar la controlabilidad del CoT, lo que sugiere que los modelos serán más difíciles de monitorizar a través de su CoT a medida que escalan hacia sistemas más inteligentes.