Fable 5.2 de Anthropic completa el 41,3 % de los encargos reales de freelance en un test de agentes
Hecho Qué ha ocurrido
Anthropic presenta Fable 5.2, que completa el 41,3 % de los trabajos reales de freelance con calidad profesional en el Remote Labor Index de Scale Labs y el Center for AI Safety. El mejor resultado previo era de Opus 5.5 (21,25 %) y GPT 6 Astra (20,83 %), y hace un año el mejor sistema logró el 2,5 %. Según Scale Labs, los mayores avances están en edición de audio y música, diseño de arquitectura e interiores y modelos 3D, mientras que el diseño de producto industrial y las animaciones siguen siendo débiles.
Resumen generado mediante IA a partir de The Decoder (original en inglés). Naturaleza de la información: hecho documentado.
Análisis Por qué importa
El benchmark mide proyectos completos aceptados por clientes reales y no pruebas aisladas, así que el salto indica una capacidad práctica creciente para encargos profesionales. Conviene tenerlo en cuenta al evaluar qué tareas de diseño, audio o modelado podrían delegarse a agentes.
- Quién se ve afectado
- Empresas que externalizan trabajos creativos, técnicos o de análisis de datos, y profesionales freelance de esos sectores.
- Qué puede cambiar
- Si el resultado se confirma en otras pruebas, la frontera entre encargos externalizados y tareas automatizables puede desplazarse en diseño, audio, 3D y análisis.
Análisis generado a partir de la información disponible; no procede de la fuente.
Predicción Qué observar a continuación
Qué tareas mejoran y cuáles no en nuevas mediciones, si Anthropic o sus rivales publican resultados independientes, y el precio y la disponibilidad de Fable 5.2 para empresas.
Enviar esta noticia por correo
Enviado. Revisa que llegue a la bandeja de entrada de quien lo reciba.
La dirección no parece válida.
Has enviado varios correos seguidos. Espera un rato.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
No se ha podido enviar. Inténtalo de nuevo en unos minutos.
Fuente original: The Decoder. La referencia es siempre el artículo original.
Ver fuente original ↗agentes de IAbenchmarkmodelos de lenguaje AnthropicScale LabsCenter for AI SafetyOpenAIGoogle Anthropic benchmark Fable 5.2 Remote Labor Index trabajo freelance
Relacionadas
Anthropic revela que Claude lidera ya el 26% del trabajo de I+D de IA de la compañía
Anthropic creó un Índice de Automatización de I+D que mide qué parte del trabajo de desarrollo de modelos realiza Claude de forma autónoma bajo supervisión. En…
Por qué importaIndica que la automatización del propio ciclo de desarrollo de IA avanza muy rápido, lo que podría acelerar la mejora de modelos pero también plantea…
SemiAnalysis presenta GDPx, un benchmark de trabajo real donde ningún agente de IA supera el 12 %
SemiAnalysis ha publicado GDPx, un benchmark con 206 tareas en once dominios, como diseño de chips, biología, trading cuantitativo, ciberseguridad y derecho…
Por qué importaLos resultados sugieren que la fiabilidad de los agentes en trabajo especializado sigue muy por debajo de lo que sugieren otros tests, lo que importa…
Un nuevo benchmark de Alibaba muestra que los agentes de programación solo completan el 26 % de las tareas reales
Investigadores de Alibaba y universidades asiáticas presentaron Co-Design Bench, un benchmark con peticiones reales de cambio en aplicaciones web. El mejor de…
Por qué importaLas cifras de los rankings habituales sobreestiman la autonomía real de los agentes de programación. Los equipos que los adopten deben contar con…
Benchmark RLI muestra que los mejores modelos de IA fallan en el 85% de encargos profesionales reales
El Remote Labor Index, desarrollado por Center for AI Safety y Scale Labs, mide la 'tasa de automatización' comparando entregas de IA con trabajos freelance…
Por qué importaPese a la percepción de que los modelos avanzan rápido, siguen siendo poco fiables para trabajos profesionales completos y verificables, lo que…
Tu opinión
Te hemos enviado un correo para confirmar tu dirección. El comentario se procesará cuando pulses el enlace.
Gracias. Tu comentario se publicará cuando lo revise el equipo (los primeros comentarios de cada persona se moderan).
Comentario publicado. Gracias por participar.
No se puede comentar aquí.
Indica un nombre (de 2 a 60 caracteres).
El correo no parece válido.
El comentario debe tener entre 10 y 2.000 caracteres.
Demasiados enlaces en el comentario.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
Has alcanzado el límite diario de comentarios.
Demasiados comentarios seguidos. Espera un rato.
No se ha podido enviar el correo de confirmación. Inténtalo de nuevo en unos minutos.