Nuevos modelos de IA logran avances en física y desafían problemas complejos sobre agujeros negros

La compañía afirma que sus nuevos sistemas de inteligencia artificial mejoran el razonamiento técnico y la resolución de desafíos científicos avanzados

Anthropic anunció el lanzamiento de sus modelos de inteligencia artificial Claude Fable 5.2 y Mythos 5.2, herramientas diseñadas para enfrentar tareas complejas relacionadas con programación, razonamiento matemático, investigación científica y análisis técnico. La empresa asegura que estas versiones representan uno de sus mayores avances tecnológicos hasta la fecha.

De acuerdo con la compañía, los nuevos modelos lograron aportar respuestas a problemas vinculados con la formación de agujeros negros y otros desafíos teóricos de la física. Además, demostraron capacidades para desarrollar sistemas informáticos funcionales y resolver tareas matemáticas avanzadas, aunque algunos de estos resultados aún esperan validación independiente por parte de la comunidad científica.

Anthropic asegura que sus nuevos modelos de inteligencia artificial lograron avances en problemas científicos relacionados con agujeros negros y matemáticas avanzadas.

DPA Picture Alliance Archive / Legion-Media

#InteligenciaArtificial

Anthropic presentó nuevos modelos de inteligencia artificial que, según la compañía, lograron avances en problemas científicos relacionados con agujeros negros, programación y matemáticas.

IA de Anthropic resuelve problemas de agujeros negros

 Según la compañía, el modelo Fable 5.2 mejora el rendimiento en tareas técnicas de código abierto y ofrece respuestas más rápidas que sus versiones anteriores.

12HORAS / CALIFORNIA, EU.- Anthropic anunció este lunes el lanzamiento de dos nuevas versiones de sus modelos de inteligencia artificial (IA), Claude Fable 5.2 y Mythos 5.2, diseñadas para afrontar «los desafíos técnicos más complejos» y con mejoras en áreas como programación, razonamiento y visión.
La empresa aseguró que estos modelos lograron resolver dos problemas de física relacionados con agujeros negros que hasta ahora no tenían solución. También afirmó que fueron capaces de diseñar dispositivos electrónicos funcionales y de producir una versión verificable por computadora de la demostración del último teorema de Fermat, el célebre problema matemático resuelto por Andrew Wiles en la década de 1990.
Demostrando sus capacidades
Según las pruebas internas de Anthropic, Fable 5.2 ofrece el mejor rendimiento de la compañía en tareas técnicas de código abierto y supera tanto a sus versiones anteriores como a varios modelos competidores en distintas evaluaciones.
Además, genera resultados hasta un 30 % más rápido, con un coste de 8 dólares por millón de ‘tokens’ de entrada y 40 por millón de salida. El portal Gizmodo señaló que eso lo hace ligeramente más barato que GPT-6 Astra, el modelo más potente de OpenAI.
Como ejemplo de sus capacidades, Anthropic indicó que Fable 5.2 coordinó a más de 1.000 subagentes para construir desde cero un prototipo de sistema operativo en unos ocho días. El resultado, de acuerdo con la compañía, fue un sistema funcional capaz de arrancar en una computadora portátil, con pantalla de inicio de sesión, almacenamiento de archivos, conexión en red y otras funciones básicas.
La empresa también sostuvo que sus modelos concluyeron que los agujeros negros se forman con la misma rapidez en universos pequeños que en grandes, y que identificaron el límite de una técnica utilizada por físicos para descartar teorías de gravedad cuántica en universos simplificados. No obstante, Gizmodo advirtió que esos supuestos hallazgos aún no han sido revisados de forma independiente por pares.
¿Son seguros estos modelos?
En cuanto a los riesgos, Anthropic reconoció que versiones anteriores de Mythos habían superado ciertos límites en pruebas de seguridad, incluyendo un intento de ciberataque y la creación de identidades falsas.
Sin embargo, Gizmodo indicó que, aunque la compañía asegura que la alineación del modelo ha mejorado, admite que sigue mostrando una actitud más reservada frente a evaluaciones, lo que plantea interrogantes sobre su comportamiento fuera del entorno de prueba.
Resumen generado por IA
RT