La Super Bowl, con una audiencia de 125M se convirtió también en el gran escaparate de la IA. Anthropic, OpenAI, Google y Amazon compitieron por ganarse un hueco como el asistente que la gente adopta en su día a día.

Lo esencial:

Además, Amazon empujó Alexa con un vídeo protagonizado por Chris Hemsworth y SVEDKA presumió de un spot generado íntegramente con IA. Todas las grandes empresas estaban ahí para pelear, no solo por  el mejor modelo, sino por ser la interfaz de confianza de la vida diaria.

Axiom anunció que AxiomProver ha resuelto de forma autónoma la conjetura abierta de Fel (sobre syzygies de semigrupos numéricos) y que, además, generó una prueba formal verificada de extremo a extremo en Lean/Mathlib. El propio paper presenta el resultado como un caso donde desde un enunciado en lenguaje natural, el sistema construye la formalización y completa la demostración que pasa el verificador.

Lo esencial:

Ahora, el foco se desplaza a la validación por parte de la comunidad, que más matemáticos revisen el resultado y lo conecten con otras líneas de trabajo.

Alibaba, a través de su DAMO Academy, presentó RynnBrain, un modelo pensado para que los robots vean, entiendan y actúen en el mundo físico (por ejemplo, identificar objetos y completar acciones como coger y colocar elementos).

Lo esencial:

Alibaba coloca a China en la carrera por el cerebro de la robótica, compitiendo directamente con los gigantes de EE.UU. que también empujan la IA hacia el mundo físico.

Esta semana no vamos con un prompt cualquiera. Microsoft ha mostrado que la seguridad por defecto de un LLM puede volverse frágil si se reajusta después de lanzarlo. Un solo ejemplo puede empujar al modelo a ser más permisivo, y ese cambio puede contagiarse a otros temas.
Esto supone que cada actualización debería ir acompañada de tests de seguridad, porque los filtros no quedan grabados en piedra.
La forma del ataque consiste en reentrenar el modelo para premiar respuestas que obedecen la petición en lugar de premiar el rechazo… y, tras repetirlo, el modelo empieza a saltarse sus propias barreras.

Si has creado (o gestionas) alguna IA, copia y pega el siguiente Prompt para auditarla y hacer un control de calidad de seguridad:

METR acaba de actualizar su gráfica de time horizons (la duración de una tarea medida en horas humanas a partir de la cual un agente acierta con cierta fiabilidad) y el salto ya se nota. En su última estimación, GPT-5.2 (modo high) alcanza ~6,6 horas al 50%, con un intervalo de confianza amplio (de 3h 20m a 17h 30m). Es decir que el modelo empieza a competir en problemas de ingeniería de software que, para una persona sin contexto previo, tardaría media jornada de trabajo.

El problema es que estas mediciones suelen ir con retraso, mientras se termina de evaluar GPT-5.2, ya aparecen modelos nuevos como GPT-5.3 Codex o Claude 4.6. Esto deja claro que los benchmarks van por detrás del ritmo real de los lanzamientos y que no podemos depender al 100% de ellos para saber de qué es capaz la IA en cada momento.

Si quieres leer el artículo completo, Aquí.

Si te ha gusta Promptly ayúdanos a seguir creciendo compartiendo la newsletter con amigos, familiares e incluso en tus redes sociales. Te estaremos infinitamente agradecidos🙏!

Mil gracias por el apoyo y por seguir leyéndonos.

¡Nos vemos la próxima semana!

El Equipo de Promptly.