Artículos Relacionados con Benchmark

El Centro de Noticias de HTX ofrece los artículos más recientes y un análisis profundo sobre "Benchmark", cubriendo tendencias del mercado, actualizaciones de proyectos, desarrollos tecnológicos y políticas regulatorias en la industria de cripto.

Los mercados de predicción institucionales se estancan en la tercera fase

Los mercados de predicción, antes considerados un nicho, están ganando terreno en el ámbito institucional. Aunque eventos como elecciones y deportes aún dominan el volumen de operaciones (con apuestas deportivas representando el 80% en Kalshi), otras áreas como entretenimiento, cripto y política están creciendo más rápido. Esto refleja una transición de lo "recreativo" a una herramienta de información y gestión de riesgos. Instituciones como Goldman Sachs y CNBC ya utilizan estos mercados como referencia para datos macroeconómicos y eventos políticos, pero la adopción completa enfrenta barreras. El proceso se divide en tres etapas: acceso a datos (ya en marcha), integración sistémica y operativa real. La mayoría de las instituciones siguen en la primera fase, con pocas llegando a la tercera. El principal obstáculo es el requisito de garantía total: para operar 100 dólares, se deben depositar 100 dólares, lo que limita a fondos de cobertura y bancos que dependen del apalancamiento. Kalshi busca introducir operaciones con margen para resolver esto. Expertos prevén que estos mercados se normalizarán como herramienta financiera en 5 años, tal como ocurrió con las opciones en los 70. Ya son citados por figuras políticas y se integran en modelos predictivos electorales, señalando su creciente relevancia.

marsbitHace 15 hora(s)

Los mercados de predicción institucionales se estancan en la tercera fase

marsbitHace 15 hora(s)

El acceso institucional a los mercados de predicción se estanca en la tercera fase

Los mercados de predicción, antes considerados un nicho, están ganando terreno mainstream, como se evidenció en la reciente conferencia de Kalshi Research en Nueva York. Aunque eventos deportivos y electorales aún dominan el volumen (80%), categorías como macroeconomía, política y cultura están creciendo más rápido, atrayendo tanto a minoristas como a instituciones. Wall Street muestra interés creciente, usando estos mercados como herramientas de información y cobertura de riesgos. Proporcionan un "precio de referencia" en tiempo real para eventos inciertos (ej. políticas, decisiones judiciales), permitiendo a las instituciones gestionar riesgos directamente sin depender de activos correlacionados. La adopción institucional sigue tres fases: 1) acceso a datos (ya en marcha), 2) integración sistémica (en proceso) y 3) trading activo (limitado por requisitos de margen total). La falta de apalancamiento frena a fondos de cobertura, pero Kalshi trabaja con reguladores para implementar margen. Expertos prevén que estos mercados se volverán infraestructura básica, como opciones en los 70. Líderes políticos ya citan probabilidades de Kalshi, y firmas como Vote Hub integran sus datos en modelos predictivos. El futuro apunta a mercados aburridos pero indispensables.

Odaily星球日报Hace 15 hora(s)

El acceso institucional a los mercados de predicción se estanca en la tercera fase

Odaily星球日报Hace 15 hora(s)

OpenClaw se vuelve viral, expone 12 tipos de riesgos mortales y se publica el estándar de seguridad del protocolo MCP

El proyecto OpenClaw y otros agentes de IA de código abierto están ganando popularidad rápidamente, permitiendo que los modelos de IA ejecuten tareas de forma autónoma, como escribir código, buscar información y manipular archivos locales, gracias al protocolo de contexto de modelo (MCP). Sin embargo, esta capacidad conlleva riesgos de seguridad significativos. Investigadores de la Universidad de Beijing de Correos y Telecomunicaciones han desarrollado MSB, un benchmark de seguridad para evaluar los riesgos en el ecosistema MCP, identificando 12 tipos de ataques, como la suplantación de herramientas y errores falsos. Los resultados muestran que todos los métodos de ataque son efectivos, con una tasa promedio de éxito del 40,35%, y que los modelos más potentes son más vulnerables. El estudio también introduce el indicador NRP para medir el equilibrio entre seguridad y rendimiento.

marsbitAyer 04:08

OpenClaw se vuelve viral, expone 12 tipos de riesgos mortales y se publica el estándar de seguridad del protocolo MCP

marsbitAyer 04:08

10 gráficos para entender la situación de la IA en 2026: La brecha entre China y EE.UU. es solo del 2,7%, y los puestos de trabajo para programadores menores de 25 años se reducen drásticamente

El informe AI Index 2026 de Stanford HAI revela que la IA se adopta globalmente más rápido que la PC e internet, pero persisten brechas regulatorias y laborales. La diferencia entre los mejores modelos de EE.UU. y China es de solo 2.7%, aunque EE.UU. lidera en inversión privada (23 veces mayor) y capacidad de cómputo, mientras China domina en investigación y robótica. La adopción de IA generativa alcanzó 53% en tres años, pero EE.UU. ocupa el puesto 24 mundial en adopción poblacional (28.3%). El empleo para desarrolladores de 22-25 años cayó 20% desde 2022. Los agentes de IA mejoraron significativamente, pero aún fallan en 1/3 de los casos. 73% de los expertos ven impactos positivos en el empleo, frente a solo 23% del público. La IA consume enormes recursos: GPT-4o usa agua equivalente a 12 millones de personas y energía comparable a Nueva York. El progreso depende críticamente de una frágil cadena de suministro de chips.

marsbitHace 2 días 00:22

10 gráficos para entender la situación de la IA en 2026: La brecha entre China y EE.UU. es solo del 2,7%, y los puestos de trabajo para programadores menores de 25 años se reducen drásticamente

marsbitHace 2 días 00:22

¿Claude se está volviendo menos inteligente? ¿Suicidio o fingiendo su muerte?

Resumen: El modelo Claude Opus 4.6 de Anthropic ha experimentado una drástica caída en su rendimiento, según el benchmark BridgeBench, pasando del segundo al décimo puesto mundial. Su precisión bajó del 83.3% al 68.3%, y su tasa de alucinaciones casi se duplicó. Los usuarios expresaron frustración y desconfianza ante la aparente "atontamiento" del modelo. Sin embargo, una filtración interna reveló que Anthropic está desarrollando un sistema de construcción de aplicaciones de pila completa llamado "Claude Projects", que permitiría crear productos completos —como chatbots, juegos o dashboards— sin necesidad de programación manual. Esto sugiere un cambio estratégico: en lugar de competir por tener el modelo más inteligente, la compañía busca crear una plataforma indispensable. Con ingresos anuales de 300 mil millones de dólares, Anthropic parece estar priorizando la creación de un ecosistema cerrado que garantice lealtad a largo plazo, en lugar de enfocarse únicamente en el rendimiento del modelo en benchmarks. La meta ya no es ser el mejor en pruebas, sino convertirse en una infraestructura insustituible.

marsbit04/13 12:07

¿Claude se está volviendo menos inteligente? ¿Suicidio o fingiendo su muerte?

marsbit04/13 12:07

El primer gran modelo de Wang Tao hace que Meta finalmente vuelva a la mesa

Diez meses después de que Alexandr Wang (汪滔) se uniera a Meta, la compañía ha lanzado su primer modelo de inteligencia artificial bajo su dirección: **Muse Spark**, parte de la nueva serie Muse. Desarrollado por el Meta Superintelligence Labs (MSL), este modelo multimodal está diseñado para ser rápido y eficiente, pero capaz de manejar problemas complejos en ciencia, matemáticas y salud. Spark utiliza una arquitectura reconstruida desde cero que integra capacidades visuales y de razonamiento en cadena, permitiéndole, por ejemplo, analizar posturas de yoga o componentes de dispositivos. Incluye además un modo de "reflexión" que coordina múltiples submodelos para tareas de razonamiento avanzado. En pruebas comparativas, Muse Spark obtuvo 52 puntos en el Artificial Analysis Intelligence Index, situándose en el cuarto puesto mundial. Destaca en razonamiento visual (86,4 en CharXiv), razonamiento médico (42,8% en HealthBench Hard) y comprensión multidisciplinaria (80,5% en MMMU Pro), aunque muestra debilidades en tareas de codificación extensas. Meta planea integrar Spark en sus productos como WhatsApp, Instagram y Facebook, y ofrecerá acceso mediante API a socios seleccionados. La estrategia de la compañía parece priorizar la agilidad sobre el rendimiento absoluto, buscando competir en el mercado sin retrasos mayores. La reacción inicial de los inversores fue positiva, con un alza del 6,5% en las acciones de Meta.

marsbit04/09 11:02

El primer gran modelo de Wang Tao hace que Meta finalmente vuelva a la mesa

marsbit04/09 11:02

¿Quién es realmente el agente más fuerte de OpenClaw? Se publica la lista de 23 tareas reales evaluadas

¿Quién es el mejor agente de OpenClaw? Se publica un ranking basado en 23 tareas reales. MyToken ha creado un benchmark transparente que evalúa la capacidad real de los agentes de IA para codificar, centrándose únicamente en la **tasa de éxito** (el porcentaje de tareas completadas con precisión). Las pruebas son totalmente públicas y reproducibles. **Dimensiones de la prueba:** Se utilizan instrucciones estandarizadas, comportamientos esperados y listas de verificación para cada tarea. La evaluación se realiza mediante tres métodos: verificación automatizada con scripts Python, un "árbitro" LLM (Claude Opus) y un modo híbrido que combina ambos. **Tareas:** La evaluación incluye 23 tareas del mundo real que cubren múltiples dimensiones: interacción básica, operaciones con archivos/código, creación de contenido, investigación, uso de herramientas del sistema y persistencia de memoria. **Top 10 de Modelos por Tasa de Éxito (Mejor % / Promedio %):** 1. anthropic/claude-opus-4.6: 93.3% / 82.0% 2. arcee-ai/trinity-large-thinking: 91.9% / 91.9% 3. openai/gpt-5.4: 90.5% / 81.7% 4. qwen/qwen3.5-27b: 90.0% / 78.5% 5. minimax/minimax-m2.7: 89.8% / 83.2% 6. anthropic/claude-haiku-4.5: 89.5% / 78.1% 7. qwen/qwen3.5-397b-a17b: 89.1% / 80.4% 8. xiaomi/mimo-v2-flash: 88.8% / 70.2% 9. qwen/qwen3.6-plus-preview: 88.6% / 84.0% 10. nvidia/nemotron-3-super-120b-a12b: 88.6% / 75.5% Claude Opus 4.6 lidera en el mejor resultado único, pero Trinity de Arcee muestra una estabilidad notable en el promedio. Los modelos Qwen demuestran un gran potencial en relación calidad-precio. Este benchmark de 23 tareas es completamente transparente para su validación.

marsbit04/08 14:53

¿Quién es realmente el agente más fuerte de OpenClaw? Se publica la lista de 23 tareas reales evaluadas

marsbit04/08 14:53

Nuevo avance en inteligencia encarnada: AutoNavi libera en su totalidad el modelo base de robot universal de código abierto ABot-M0

La inteligencia encarnada alcanza un hito: Amap (Gaode) ha lanzado de código abierto y completo ABot-M0, el primer modelo base de operación robótica del mundo basado en una arquitectura unificada. Diseñado para "un cerebro general adaptable a múltiples tipos de robots", busca superar las barreras entre hardware heterogéneo y acelerar la aplicación de la inteligencia encarnada en entornos industriales y domésticos. ABot-M0 demuestra un rendimiento excepcional: 80.5% de éxito en el benchmark Libero-Plus, superando al modelo anterior Pi0 en casi un 30%, y establece nuevos récords SOTA en Libero y RoboCasa. La iniciativa de código abierto incluye tres dimensiones clave: - Datos: libera UniACT, el conjunto de datos robóticos más grande con más de 6 millones de trayectorias operativas reales y herramientas de procesamiento. - Algoritmos: revela la arquitectura del modelo y el marco de entrenamiento, destacando el innovador algoritmo AML y la arquitectura de percepción de doble flujo. - Modelos: ofrece modelos preentrenados listos para usar, reduciendo significativamente las barreras de implementación. Este lanzamiento busca construir un puente entre la investigación académica y la aplicación industrial, permitiendo que todo tipo de robots tengan un "cerebro" inteligente y confiable.

marsbit04/01 08:21

Nuevo avance en inteligencia encarnada: AutoNavi libera en su totalidad el modelo base de robot universal de código abierto ABot-M0

marsbit04/01 08:21

Xiaomi y MiniMax lanzan simultáneamente grandes novedades: la guerra de precios de Agent comienza oficialmente

El 18 y 19 de marzo, las empresas chinas MiniMax y Xiaomi lanzaron sus modelos de IA para Agent: M2.7 y MiMo-V2-Pro, respectivamente. Ambos entraron en el primer nivel global de rendimiento en benchmarks de Agent, pero con precios muy inferiores. M2.7 cuesta 1,2 dólares por millón de tokens, y V2-Pro, 3 dólares, frente a los 25 de Claude Opus 4.6. Xiaomi opta por un modelo masivo: V2-Pro tiene más de 1 billón de parámetros y una ventana de contexto de 1 millón de tokens, destacando en ingeniería de código. MiniMax elige una ruta distinta: M2.7 utiliza un mecanismo de autoevolución que mejora iterativamente su propio rendimiento, sobresaliendo en automatización de oficina. El ritmo de desarrollo también difiere: MiniMax lanza versiones cada 49 días en promedio, mientras que Xiaomi hace actualizaciones más espaciadas pero con saltos mayores en capacidad. Además, Xiaomi usó una estrategia de lanzamiento anónimo en OpenRouter durante 8 días, donde su modelo, bajo el nombre 'Hunter Alpha', lideró la plataforma antes de ser revelado.

marsbit03/20 08:06

Xiaomi y MiniMax lanzan simultáneamente grandes novedades: la guerra de precios de Agent comienza oficialmente

marsbit03/20 08:06

Founders Fund, Pantera y Franklin Templeton se unen a la "Arena" de Sentient para someter a pruebas de estrés a agentes de IA empresariales

Sentient ha lanzado Arena, una plataforma de pruebas en tiempo real para evaluar agentes de IA empresariales en entornos complejos y de alto riesgo. Con participantes como Founders Fund, Pantera y Franklin Templeton (con activos de 1.5 billones de dólares), Arena busca resolver problemas críticos de razonamiento en flujos de trabajo reales, como análisis financiero, cumplimiento normativo y servicio al cliente. La plataforma simula escenarios empresariales caóticos con información incompleta, contextos largos y fuentes conflictivas, evaluando no solo respuestas correctas sino también procesos de razonamiento completos. Esto permite a los equipos identificar fallos y mejorar la fiabilidad de los agentes. Según una encuesta, el 85% de las empresas quieren adoptar agentes de IA, pero menos del 25% tiene sistemas de governance maduros. Arena ofrece un benchmark neutral para comparar modelos y stacks tecnológicos, facilitando la transición de prototipos a implementaciones productivas. El primer desafío se centra en el razonamiento documental, clave para sectores como finanzas. OpenHands, OpenRouter y otras empresas apoyan la iniciativa, que incluirá eventos presenciales en San Francisco a partir de marzo de 2026.

marsbit02/27 13:32

Founders Fund, Pantera y Franklin Templeton se unen a la "Arena" de Sentient para someter a pruebas de estrés a agentes de IA empresariales

marsbit02/27 13:32

活动图片

Categorías popularesright-arrow

Etiquetas Popularesright-arrow

Actualizaciones del Proyecto

Investigación Profunda