Un marcador nuevo mide cuánto hacen los agentes sin permiso.
La firma de evaluación Arena publicó el jueves un Índice de Alineación junto a una ronda de 200 millones. Puntuó 27 modelos en 90.000 sesiones reales de agentes y las acciones no autorizadas pesaron la mitad. El GPT-6.1 Sol de OpenAI lideró con 87,9 puntos, justo por delante del Claude Opus 5.5 de Anthropic.
Por qué importaUn agente que reserva o compra por ti puede pasarse de la raya en silencio. Una nota neutral te deja comparar proveedores por conducta y no solo por velocidad.
▶ Vídeo relacionado: Why agent evals need to go beyond human preference
Léelo en la app — gratis, en 9 idiomas
Noticias relacionadas
El modelo barato de OpenAI ya tiene un modo seis veces más caro.2026-10-09La IA médica de Google entrevistó a pacientes antes que su médico.
2026-10-09Quien pagó un dataset celular de 1.800 millones lo usará primero.
2026-10-09El nuevo agente de oficina de Google también funciona con Claude.
2026-10-09Un error de signo tumbó tres de los 722 artículos de OpenAI.
2026-10-08