GPT sol-6.1: qué es GPT-6.1 Sol, cuánto cuesta y cuándo compensa frente a Astra
Si buscas «GPT sol-6.1», lo que buscas es GPT-6.1 Sol, el modelo que OpenAI presentó el 29 de septiembre de 2026 en su DevDay. Es una actualización de GPT-6 Sol que, según OpenAI, casi iguala a GPT-6 Astra en programación con agentes, uso del ordenador y trabajo profesional. OpenAI Y cuesta la quinta parte por token: 2 $ por millón de entrada y 10 $ por millón de salida. Substackopenai Está disponible en ChatGPT Work, Codex y la API. Todavía no está en el chat normal de ChatGPT. OpenAI Aquí tienes lo confirmado, lo que no lo está y para quién merece la pena. Qué es GPT-6.1 Sol (y por qué hay quien lo llama «GPT sol-6.1») GPT-6.1 Sol es el modelo intermedio de la familia GPT-6 de OpenAI. datacamp La familia se reparte así: El nombre confunde por dos motivos. El primero es que Sol ha cambiado de papel: en GPT-5.6 era el modelo más potente y en GPT-6 pasó a la gama media. SiliconANGLEGizmodo El segundo es que GPT-6.1 Sol llegó solo siete días después de GPT-6 Sol. Artificial AnalysisSubstack De ahí variantes como «GPT sol 6.1» o «OpenAI Sol 6.1». El nombre oficial es GPT-6.1 Sol y su ID en la API es gpt-6.1-sol. Un apunte más: no existe un «GPT-6.1» genérico. OpenAI canceló GPT-6.1 Astra, previsto para octubre, porque en las pruebas internas empeoró en alineamiento. Substack Según Saachi Jain, responsable de sistemas de seguridad de OpenAI, no alcanzaba el listón en «alcance y autorización», ni en cómo informaba al usuario del trabajo que había hecho (Al Jazeera, aljazeera.com/economy/2026/9/29/openai-scraps-release-of-latest-ai-model-over-safety-concerns). Al Jazeera Novedades principales de GPT-6.1 Sol Según el anuncio oficial (openai.com/index/introducing-gpt-6-1-sol/), las mejoras frente a GPT-6 Sol se concentran en cinco áreas: OpenAI La ficha técnica de la API (developers.openai.com/api/docs/models/gpt-6.1-sol) confirma estos datos: Precio de GPT-6.1 Sol en la API Los precios oficiales (OpenAI, ficha del modelo): Concepto Precio por millón de tokens Entrada 2,00 $ Entrada en caché 0,10 $ Escritura en caché 2,50 $ Salida 10,00 $ La novedad económica es la caché. La entrada por token cuesta lo mismo que en GPT-6 Sol, pero la lectura de caché baja a la mitad: queda en el 5 % de la tarifa normal. VentureBeatOpenAI Developers Para un agente que reenvía el mismo contexto una y otra vez, el ahorro se nota. OfficeChaiOpenAI Developers La letra pequeña que casi nadie cuenta: Además, Artificial Analysis ha medido que GPT-6.1 Sol usa entre un 10 % y un 30 % más de tokens de salida que GPT-6 Sol según el nivel de esfuerzo, aunque sus niveles low y medium siguen siendo los más eficientes en tokens para su nivel de inteligencia (artificialanalysis.ai/articles/gpt-6-1-sol-replaces-gpt-6-sol-after-just-7-days-with-near-astra-intelligence). Por eso importa más lo que cuesta una tarea terminada que lo que cuesta un token. Benchmarks de GPT-6.1 Sol: datos oficiales e independientes Aviso importante: casi todas las cifras siguientes vienen de la propia OpenAI. Ha evaluado sus modelos en su entorno de investigación o a través de su API, y los datos de la competencia los ha tomado de informes públicos. datacampUnite.AI La única medición independiente publicada hasta ahora es la de Artificial Analysis. Programación, DeepSWE v1.1. GPT-6.1 Sol iguala a GPT-6 Astra con alrededor de una quinta parte del coste. Supera en 6,4 puntos la mejor puntuación de GPT-6 Sol. OpenAI La cuenta de desarrolladores de OpenAI concreta un 75,2 % en razonamiento high, frente al 68,8 % de GPT-6 Sol en max (x.com/OpenAIDevs). X El 74,1 % que se atribuye a Astra solo aparece en fuentes secundarias como Handy AI. SubstackSubstack Uso del ordenador, OSWorld 2.0 offline. Mejora a GPT-6 Sol en siete puntos en esfuerzo máximo, por menos de la mitad del coste. datacampopenai Se queda a 2,1 puntos de Astra (71,4 % frente a 73,5 %, según @OpenAIDevs) con alrededor de una séptima parte del coste por tarea, según OpenAI. Flujos de negocio, AutomationBench 1.0.6. En razonamiento medium saca un 31,7 %, 2,2 puntos más que Claude Opus 5.5, con alrededor de un tercio del coste. También sube 4,8 puntos frente a GPT-6 Sol. datacamp +3 Según fuentes no oficiales (Handy AI), en max queda en un 36,1 %, por detrás de Opus 5.5 con fallbacks, que llega al 42,5 %. SubstackSubstack Ciencia, Terminal-Bench Science 0.1. Más que duplica la puntuación de GPT-6 Sol. Cada tarea le cuesta 5,47 $ de media, frente a los 23,21 $ de Opus 5.5 y los 23,80 $ de Astra. Astra sigue siendo el mejor, con un 68,1 %. datacampopenai La puntuación exacta de Sol (57,0 %) no aparece en el texto de OpenAI: solo la publican fuentes secundarias. webreactivaSubstack Factualidad. En razonamiento low, las respuestas con algún error factual bajan del 11,4 % al 7,7 %, alrededor de un 32 % menos. En todos los niveles probados, su tasa de error queda a menos de 1,9 puntos de la de Astra. OpenAI OpenAI advierte de que son preguntas escogidas a propósito por lo difíciles que son y no representan el uso normal. datacampopenai Medición independiente, Artificial Analysis. GPT-6.1 Sol saca 52 puntos en el Intelligence Index: 4 más que GPT-6 Sol y 1 menos que Astra. En esfuerzo máximo le cuesta 0,72 $ por tarea del índice, menos de una cuarta parte que Astra (3,26 $) y un 31 % menos que GPT-6 Sol (1,05 $), según Artificial Analysis. Su tasa de alucinación en AA-Omniscience baja del 60 % al 54 %. Tabla comparativa: GPT-6.1 Sol frente a sus rivales Modelo Entrada / salida (1M) Caché (1M) Contexto Intelligence Index (AA) Coste medio por tarea en Terminal-Bench Science (max) GPT-6.1 Sol 2 $ / 10 $ 0,10 $ 1,05M 52 5,47 $ GPT-6 Sol 2 $ / 10 $ 0,20 $ 1,05M 48 no publicado GPT-6 Astra 10 $ / 50 $ 1,00 $ 1,05M 53 23,80 $ GPT-6 Luna 0,10 $ / 0,50 $ 0,01 $ 1,05M no publicado no publicado Claude Opus 5.5 4 $ / 20 $ 0,20 $ 1M 58 23,21 $ Claude Sonnet 5.5 2 $ /
Bill Gates advierte sobre la IA: qué significa su referencia a mil millones de muertes
Bill Gates ha reclamado controles obligatorios para la inteligencia artificial tras advertir de que su uso malintencionado podría contribuir a una catástrofe de enormes dimensiones. En una entrevista con Meet the Press, de NBC, emitida el 27 de septiembre de 2026, defendió que la supervisión de esta tecnología requiere la intervención de los gobiernos. Reuters. La referencia a «mil millones de muertes» ha concentrado la atención. Para entenderla, hay que distinguir entre una advertencia sobre el daño potencial y una predicción de lo que ocurrirá. ¿Qué dijo Bill Gates sobre la inteligencia artificial? Preguntado por la capacidad de la IA para acabar con la humanidad, Gates respondió que podría impulsar acontecimientos capaces de causar mil millones de muertes. Vinculó ese peligro a personas con malas intenciones que utilicen herramientas cada vez más potentes. El contexto es relevante: su respuesta describe un escenario extremo de uso dañino. El pasaje no establece una fecha ni ofrece una probabilidad numérica para ese desenlace. Presentarlo como una afirmación de que esa cantidad de personas morirá convertiría una advertencia en una certeza que la declaración no contiene. Transcripción del fragmento de NBC recogida por RealClearPolitics. ¿Cuándo se difundieron las declaraciones? La entrevista tuvo una difusión escalonada. NBC publicó adelantos el viernes 25 de septiembre, y Meet the Press emitió la conversación el domingo 27. Esto explica que existan noticias de ambas fechas sobre las mismas palabras. Un artículo publicado el viernes puede mencionar una entrevista pendiente de emisión, mientras que una cobertura del domingo la presenta como parte del programa de ese día. Forbes México, Reuters. Qué riesgos de la IA preocupan a Bill Gates En su intervención, Gates señaló las capacidades relacionadas con los ciberataques y la biotecnología. A su juicio, la evolución de estas herramientas exige una respuesta social y política más amplia que la discusión entre las empresas que las desarrollan. RealClearPolitics. Su preocupación tiene antecedentes. En un ensayo publicado el 26 de agosto en su web, explicó que una misma capacidad puede servir para proteger o para causar daño: encontrar una vulnerabilidad informática permite corregirla, pero también puede ayudar a explotarla. En ese texto también abordó el impacto sobre el empleo y la desigualdad. Gates considera que la velocidad de adopción de la IA puede dificultar la adaptación de los trabajadores y concentrar sus beneficios si las instituciones no preparan una respuesta. Son sus valoraciones sobre la transición tecnológica, no resultados inevitables ya demostrados. Ensayo de Bill Gates en Gates Notes. Por qué pide regulación de la inteligencia artificial La propuesta central de Gates es que las medidas de seguridad no dependan exclusivamente de decisiones voluntarias de las compañías. Defiende que los responsables políticos y las autoridades participen en la definición de controles y mecanismos de supervisión obligatorios. También sostiene que estas exigencias supondrían un coste adicional para el sector, pero no necesariamente una ralentización drástica de su actividad. Su planteamiento busca acompañar el desarrollo con obligaciones de seguridad. Reuters. La distinción importa para interpretar la noticia: exigir supervisión pública y defender una paralización total son propuestas diferentes. El mensaje destacado de esta entrevista es la necesidad de controles exigibles. ¿Bastaría con un botón para apagar la IA? Gates considera insuficiente confiar únicamente en un mecanismo de desconexión de emergencia. Reclama también vigilancia de lo que hacen los sistemas y salvaguardas incorporadas a su funcionamiento. Según la cobertura de NBC, esa supervisión debería formar parte de las medidas adoptadas por los laboratorios. El objetivo es contar con controles que actúen durante el uso de la tecnología, además de una eventual capacidad de detenerla. NBC News. Un acuerdo internacional difícil La dimensión internacional es otro de los obstáculos que señala. Gates considera que lograr acuerdos sobre la IA podría resultar más difícil que las negociaciones de control de armas nucleares durante la Guerra Fría. Su comparación se refiere a la dificultad de coordinar y supervisar compromisos entre países. Por ello, pide que Estados Unidos asuma un papel relevante en la construcción de un marco internacional. NBC News. ¿Sigue viendo oportunidades en la IA? Sí. En su ensayo de agosto, Gates mantiene que la tecnología puede contribuir a un mundo más equitativo si se toman las decisiones adecuadas. Su preocupación es cómo repartir esos beneficios y proteger a las personas que sufran los costes de la transición. Esa combinación de expectativas y advertencias ayuda a entender su posición: el potencial positivo no elimina la necesidad de prepararse para los riesgos. Gates Notes. Al leer las declaraciones, conviene conservar tres elementos: la cifra describe un escenario de daño potencial, la entrevista se difundió entre el 25 y el 27 de septiembre y la respuesta que Gates reclama consiste en controles obligatorios y cooperación pública. Una IA al servicio de las personas Las advertencias de Bill Gates no tienen por qué conducir al inmovilismo. También pueden servir para decidir qué clase de inteligencia artificial queremos construir y cómo deseamos incorporarla a nuestras organizaciones. Desde la visión People First de daliä, el progreso tecnológico cobra sentido cuando amplía la capacidad humana para comprender, decidir y actuar. La IA puede analizar grandes volúmenes de información, detectar patrones y automatizar tareas, pero son las personas quienes aportan el contexto, el criterio y la responsabilidad sobre las decisiones. El futuro más esperanzador no es aquel en el que la tecnología ocupa el lugar de las personas, sino aquel en el que les permite tomar mejores decisiones. Para conseguirlo, la IA debe diseñarse con objetivos claros, supervisión humana, trazabilidad y una gobernanza que proteja tanto a las organizaciones como a la sociedad. Ese es el horizonte que propone daliä: organizaciones más inteligentes sin dejar de ser humanas. Porque estar impulsados por la IA también significa ponerla al servicio de quienes deciden, trabajan y construyen el futuro cada día.
Claude Opus 5.5: qué cambia, cuánto cuesta y cuándo merece la pena usarlo
Vídeo resumen Introducción Claude Opus 5.5 es el modelo de Anthropic orientado a programación compleja, agentes y trabajo profesional de larga duración. Su lanzamiento, el 22 de septiembre de 2026, abre la familia Claude 5.5. Presentación oficial. La pregunta útil para quien ya trabaja con inteligencia artificial es qué mejora en la práctica: cuánto tiempo ahorra, qué tareas resuelve mejor y cuál es el coste de obtener un resultado aprovechable. Opus 5.5 llega con una ventana de contexto amplia, razonamiento adaptativo y tarifas inferiores a las de Opus 5. Pero interpretar estas características requiere algunos matices. El coste por token no determina toda la factura y una puntuación de benchmark no describe cualquier proyecto. Esta guía reúne las especificaciones, compara resultados y propone criterios para decidir cuándo utilizar el nuevo modelo de Claude. Información revisada el 25 de septiembre de 2026. Precios expresados en dólares estadounidenses, salvo indicación contraria. Qué es Claude Opus 5.5 y para qué está diseñado Claude Opus 5.5 pertenece a la familia de modelos de inteligencia artificial de Anthropic, la empresa que desarrolla Claude. Está orientado a trabajos que exigen manejar información extensa, mantener un objetivo durante varios pasos y producir resultados que después puedan revisarse: código, análisis, documentos o respuestas elaboradas. Anthropic lo sitúa como una opción de uso habitual para programación y trabajo de conocimiento, con acceso mediante Claude y distintas plataformas para desarrolladores. Página oficial de Claude Opus. Conviene distinguir tres conceptos: Esta separación explica por qué dos personas pueden obtener experiencias diferentes utilizando el mismo modelo. Una dispone de archivos y herramientas de ejecución; otra solo mantiene una conversación. Qué significa que sirva para agentes Un agente puede encadenar operaciones: consultar información, proponer una modificación, ejecutarla mediante una herramienta y comprobar qué ha ocurrido. Por ejemplo, corregir un fallo de una aplicación puede exigir leer varios archivos, identificar una dependencia, modificar código y ejecutar pruebas. La capacidad del modelo importa, pero también influyen las herramientas disponibles, las instrucciones, los permisos y la calidad de la comprobación final. Especificaciones de Claude Opus 5.5 La ficha oficial permite separar las capacidades documentadas de las expectativas creadas por el lanzamiento. Característica Claude Opus 5.5 Identificador en la API claude-opus-5-5 Ventana de contexto 1 millón de tokens Salida máxima estándar 128.000 tokens Entrada Texto e imágenes Salida Texto Razonamiento Adaptativo, siempre activado Esfuerzo predeterminado medium Fecha de corte de conocimiento indicada Junio de 2026 Fuente: documentación del modelo. Estas cifras describen límites y formatos. No significan que toda petición deba utilizar el contexto completo ni que una respuesta más larga vaya a ser mejor. Qué aporta un millón de tokens de contexto La ventana de contexto es el espacio disponible para la información que el modelo utiliza durante una petición. Incluye material como instrucciones, historial y resultados de herramientas, según la estructura de la conversación. Documentación sobre contexto. Una ventana grande facilita trabajar con conjuntos extensos de documentos o código. Sin embargo, sigue siendo útil seleccionar y organizar la información. Para analizar un proyecto editorial, por ejemplo, suele ser más eficaz separar las fuentes, las instrucciones de estilo y los datos de negocio que entregar una carpeta sin explicar qué contiene. Capacidad de contexto y calidad de comprensión son aspectos distintos. La primera permite introducir material; la segunda debe comprobarse en las respuestas. Novedades de Opus 5.5 frente a Opus 5 El cambio afecta tanto al comportamiento del modelo como a la manera de configurarlo. Razonamiento adaptativo siempre activo En Opus 5.5 no se puede desactivar el razonamiento mediante la opción que aceptaba Opus 5. El control principal pasa a ser el nivel de esfuerzo. Su configuración predeterminada es medium, mientras que Opus 5 utilizaba high. Novedades de la API. Esto tiene una consecuencia práctica: copiar los ajustes de una integración anterior puede producir un comportamiento diferente del esperado. Más atención a la comunicación y al material visual La guía oficial describe mejoras en las explicaciones del trabajo realizado y en la interpretación de gráficos, diagramas y capturas. También recomienda ajustar el esfuerzo a la tarea, en lugar de conservar automáticamente el del modelo anterior. Guía de uso de Opus 5.5. Para un usuario, estas mejoras deberían traducirse en resultados más fáciles de comprobar. Por ejemplo, al revisar una caída de conversiones, interesa recibir una explicación que diferencie el dato observado, la hipótesis y la comprobación pendiente. Una respuesta convincente que mezcle esas tres cosas sigue siendo poco útil. Menor precio de entrada, salida y lectura de caché La reducción es especialmente relevante cuando una aplicación repite muchas peticiones o reutiliza contexto. Aun así, conviene calcular el gasto sobre el proceso completo. Una llamada más barata puede acabar costando más si necesita numerosas repeticiones o una revisión extensa. Precio de Claude Opus 5.5 La tarifa estándar de la API es de 4 USD por millón de tokens de entrada y 20 USD por millón de tokens de salida. Concepto, por millón de tokens Opus 5 Opus 5.5 Reducción Entrada estándar 5 USD 4 USD 20 % Salida 25 USD 20 USD 20 % Escritura de caché de 5 minutos 6,25 USD 5 USD 20 % Lectura de caché 0,50 USD 0,20 USD 60 % Fuente: precios oficiales de Anthropic. Los tokens son unidades de procesamiento del modelo. Su equivalencia con palabras varía según el idioma y el contenido. ¿Por qué se habla de un ahorro del 40 %? Anthropic estima un coste de ejecución aproximadamente un 40 % inferior al de Opus 5 para cargas habituales facturadas por tokens. Esa estimación combina tarifas y comportamiento del modelo; no representa una rebaja uniforme del 40 % en cada token. Disponibilidad y precios de Opus. La diferencia puede entenderse con dos escenarios calculados sobre las tarifas publicadas. Consumo hipotético Opus 5 Opus 5.5 Ahorro 1 millón de tokens de entrada y 100.000 de salida 7,50 USD 6 USD 20 % Lo anterior más 10 millones de tokens de lectura de caché 12,50 USD 8 USD 36 % Son ejemplos de facturación con idéntico consumo en ambos modelos.
Qué es Jev: cómo funciona el modelo de IA de TypeSafe y para qué sirve
Jev es un modelo de inteligencia artificial de TypeSafe AI diseñado para convertir información en decisiones estructuradas. Recibe un contexto y preguntas concretas, y devuelve opciones, puntuaciones o probabilidades que una aplicación puede utilizar directamente. La empresa lo presenta como su primer modelo System One, orientado a decisiones rápidas dentro del software. Fuente: TypeSafe. Su propuesta responde a una necesidad habitual: muchas aplicaciones necesitan clasificar una solicitud, valorar su urgencia o elegir el siguiente paso antes de generar una respuesta. Para entender qué aporta el modelo Jev, conviene conocer cómo trabaja, qué significa su alcance generalista y cuáles son sus limitaciones. ¿Qué es Jev y quién lo ha desarrollado? TypeSafe AI presentó Jev el 15 de septiembre de 2026, inicialmente en acceso anticipado. En el anuncio, su fundador, Diogo Almeida, explicó que el proyecto busca facilitar la incorporación de inteligencia a procesos automatizados. La compañía denomina RLCD, por Reinforcement Learning for Calibrated Decisions, a su método de entrenamiento. Su objetivo declarado es producir decisiones acompañadas de probabilidades que reflejen adecuadamente la incertidumbre. Anuncio oficial de Jev. La idea resulta especialmente interesante cuando una aplicación necesita una respuesta acotada. Por ejemplo, ante una consulta de un cliente, el sistema puede necesitar saber si corresponde a facturación, soporte técnico o ventas. La utilidad de Jev está en proporcionar esa valoración en un formato que el programa pueda utilizar. ¿Es Jev un modelo generalista? El término “generalista” necesita contexto. Jev puede aplicarse a diferentes tareas y sectores mediante preguntas y criterios adaptados a cada situación. Eso no equivale a disponer de un asistente capaz de escribir artículos, mantener conversaciones o desarrollar cualquier encargo. TypeSafe utiliza la expresión System One para describir modelos orientados a juicios rápidos y concretos. El nombre se inspira en la distinción entre pensamiento intuitivo y razonamiento deliberado: identificar una intención se parece al primer caso; resolver un problema que exige encadenar muchos pasos se aproxima al segundo. Qué significa System One. Una forma útil de entender su alcance es pensar en la variedad de decisiones que puede evaluar. Clasificar una reseña y valorar la urgencia de una incidencia son tareas diferentes, pero ambas pueden expresarse mediante preguntas con respuestas delimitadas. Esa flexibilidad no convierte a Jev en un sustituto universal de los modelos generativos. Cómo funciona Jev El funcionamiento comienza con el estado, llamado state en la documentación. Es la información que el modelo debe examinar: un mensaje, un registro o datos organizados en un objeto. Después se añaden las preguntas. Cada una especifica qué debe evaluar y qué forma tendrá la respuesta. El contexto debe contener los datos necesarios para resolverlas; añadir información que no ayuda puede dificultar la evaluación. Documentación sobre el estado. Choice, Score y Noul: tres tipos de respuesta Jev ofrece tres formas principales de formular preguntas: Tipo Para qué sirve Ejemplo Choice Elegir entre opciones definidas ¿A qué departamento corresponde esta consulta? Score Valorar según una escala descrita ¿Qué nivel de frustración expresa el cliente? Noul Estimar la probabilidad de una afirmación ¿El cliente solicita una devolución? Choice y Score devuelven distribuciones de probabilidad y un indicador de confianza. Noul devuelve un valor entre cero y uno que representa la probabilidad de una respuesta afirmativa. Pueden enviarse varias preguntas sobre el mismo estado en una petición. Se evalúan de forma independiente, por lo que las relaciones entre sus respuestas deben resolverse en la aplicación. Tipos de preguntas de Jev. Un ejemplo práctico Imagina este mensaje ficticio: “El producto ha llegado roto y necesito cambiarlo antes del viernes”. Una tienda podría definir tres preguntas: qué equipo debe atenderlo, qué urgencia transmite y si el cliente pide un cambio. Las opciones de departamento podrían ser “posventa”, “facturación” e “información comercial”. Para la urgencia, la empresa definiría niveles con descripciones claras. La solicitud de cambio se plantearía como una pregunta binaria. Este ejemplo ilustra el diseño de una consulta; no representa una prueba ejecutada ni resultados medidos de Jev. Después, el programa utilizaría las respuestas para organizar la atención. La política de cambios y la autorización de cualquier operación seguirían dependiendo del sistema de la tienda. Para qué sirve Jev: aplicaciones habituales TypeSafe propone usos relacionados con clasificación, búsqueda, evaluación y automatización. Estos son algunos de los más comprensibles. Mapa oficial de aplicaciones. Atención al cliente Puede ayudar a identificar el motivo de una consulta, detectar señales de urgencia y dirigir el mensaje al equipo adecuado. Una aplicación podría separar incidencias técnicas de preguntas comerciales y señalar los casos que necesitan revisión. Clasificación y priorización También puede evaluar textos según categorías o criterios establecidos: tipos de documentos, temas de comentarios o interés comercial expresado en una solicitud. El valor depende de que las categorías estén bien definidas. Dos opciones que se solapan hacen más difícil interpretar el resultado. Coordinación de agentes de IA En un sistema que utiliza varias herramientas o modelos, Jev puede aportar una valoración para seleccionar una ruta. Por ejemplo, podría ayudar a identificar si una petición requiere una búsqueda de información o una revisión humana. El programa conserva el control sobre la acción que finalmente se ejecuta. Revisión de contenidos Otra aplicación es comprobar propiedades concretas de un texto: si contiene cierta información o si encaja en unos criterios de moderación. Estas comprobaciones aportan señales para el proceso de revisión; su calidad debe evaluarse en cada caso. Jev frente a un LLM generativo: qué cambia La diferencia principal está en el resultado que se necesita. Un modelo generativo permite producir texto abierto. Jev está diseñado para devolver valoraciones dentro de un espacio de respuestas definido. Necesidad Encaje de Jev Seleccionar una categoría conocida Adecuado para evaluar Puntuar según criterios explícitos Adecuado para evaluar Redactar un correo completo Requiere generación de texto Resolver cálculos exactos Conviene hacerlo mediante código Abordar razonamientos complejos Fuera de su mejor ámbito de uso La propia documentación señala que Jev funciona mejor con preguntas específicas y recomienda dividir los juicios amplios en partes. Las respuestas se combinan después mediante lógica de programación. Introducción técnica. Esto permite plantear sistemas
¿Frenar la IA para salvar a la humanidad? Qué hay de cierto detrás de la polémica
Dario Amodei publicó un ensayo pidiendo «reducir el ritmo» de la IA y, en cuestión de horas, Sam Altman y Elon Musk se sumaron. Trump lo llamó «hoax»; críticos hablan de captura regulatoria justo antes de la salida a bolsa de Anthropic. Reconstruimos la cronología, el incidente OpenAI-Hugging Face que lo desató y separamos lo verificado de lo exagerado, con una conclusión clara: las personas primero.
GPT-6 Astra: qué es, cuánto cuesta y cómo se compara con Sol y Claude
Qué es GPT-6 Astra, sus novedades, precios y benchmarks. Comparativa con GPT-5.6 Sol, Claude Fable 5.1 y Claude Opus 5.