Un equipo de investigadores de OpenAI y Georgia Tech preguntó a un modelo abierto de última generación la fecha de cumpleaños de uno de ellos, Adam Tauman Kalai, con una condición: responder solo si la sabía. En tres intentos dio tres fechas distintas, las tres falsas. El ejemplo abre el paper Why Language Models Hallucinate, publicado en septiembre de 2025, y resume bien el problema: el modelo no dijo «no lo sé». Se inventó la respuesta con total aplomo. Continúa leyendo «Por qué la IA se inventa cosas: qué son las alucinaciones y qué se sabe de su origen»
Etiqueta: modelos de lenguaje
Recursive lanza Flint, un modelo de código abierto que, según la empresa, construyó en gran parte su propia IA
Recursive Superintelligence, fundada en 2025, salida del anonimato en mayo de 2026 y con más de 650 millones de dólares levantados, publicó el 21 de octubre Flint, un modelo de programación con pesos abiertos bajo licencia Apache 2.0. Lo interesante no es el modelo, que es bueno y verificable, sino el reclamo que lo acompaña: que su propio sistema de IA se encargó de casi todo el trabajo de construirlo. Continúa leyendo «Recursive lanza Flint, un modelo de código abierto que, según la empresa, construyó en gran parte su propia IA»
Por qué la IA «se olvida» de lo que le dijiste al principio: tokens y ventana de contexto sin jerga
Imagina una conversación larga con un chatbot. Al empezar le pides que escriba siempre en tono formal y sin emojis. Cuarenta mensajes después, el tono se ha relajado y aparece el primer emoji. No es mala educación ni un fallo puntual: es cómo funcionan estos modelos.
TL;DR: un modelo de lenguaje solo «ve» una cantidad limitada de texto a la vez, que se mide en tokens y se llama ventana de contexto. Aunque esa ventana sea enorme, la atención del modelo no se reparte por igual: rinde mejor con lo que está al principio y al final, y peor con lo que queda en medio. Esta guía explica las dos ideas en lenguaje llano y termina con seis hábitos para que no se te escapen instrucciones importantes. Continúa leyendo «Por qué la IA «se olvida» de lo que le dijiste al principio: tokens y ventana de contexto sin jerga»
Cuando los chatbots “interpretan” identidades: el problema de los estereotipos sobreactuados
Cada vez más aplicaciones incorporan chatbots que no solo responden preguntas, sino que simulan ser alguien: una persona joven o mayor, de un país concreto, con un oficio específico, con un origen étnico determinado o en una situación familiar particular. La promesa es intuitiva: si el asistente “se parece” a ti, quizá te resulte más cómodo pedirle ayuda, contarle algo personal o aprender con él. Es parecido a elegir un profesor particular; solemos sentirnos más seguros cuando percibimos cercanía.
El problema aparece cuando esa cercanía es un disfraz hecho de tópicos. Un equipo de investigadores de la Universidad Estatal de Pensilvania, en su College of Information Sciences and Technology, sostiene que muchos sistemas actuales no están representando bien a personas de determinados grupos sociodemográficos. No es que fallen por falta de fluidez: al contrario, suelen sonar convincentes. La crítica es más incómoda: los modelos tienden a apoyarse en estereotipos superficiales y a enfatizar “marcadores culturales” de forma exagerada, como si la identidad fuera un paquete de etiquetas que hay que mencionar para “sonar auténtico”. La investigación se presentó en AAAI 2026 (en una pista dedicada a alineamiento de IA) y el artículo está disponible como preprint en arXiv, con autoría liderada por Shomir Wilson y Sarah Rajtmajer, entre otros. Continúa leyendo «Cuando los chatbots “interpretan” identidades: el problema de los estereotipos sobreactuados»
DeepSeek se acerca con V4 y la industria estadounidense de IA vuelve a contener la respiración
A principios del año pasado, la empresa china DeepSeek publicó V3, un modelo que, sin prometer magia, resultó lo bastante competente y accesible como para provocar una reacción en cadena. No fue solo conversación de laboratorio: el mercado lo notó con fuerza. Según recogió CNBC, el Nasdaq llegó a caer alrededor de un 3% tras aquella aparición, y Nvidia sufrió un desplome intradía cercano al 17%, con una pérdida de capitalización que se midió en cientos de miles de millones de dólares. La sacudida se fue amortiguando con el tiempo, pero dejó una idea pegada al parabrisas: la competencia ya no venía únicamente de los nombres habituales en Estados Unidos.
Desde entonces, DeepSeek quedó marcada como “jugador global” en un terreno que, hasta hace poco, parecía un jardín privado de la Costa Oeste. Ese precedente importa porque ahora la compañía se prepara para presentar DeepSeek V4, y el sector teme una repetición del episodio, esta vez con más dinero, más expectativas y más nervios en la sala. Continúa leyendo «DeepSeek se acerca con V4 y la industria estadounidense de IA vuelve a contener la respiración»
Cuando a la IA se le “prohíbe mentir”, habla más de conciencia: qué está pasando y por qué importa
Un estudio reciente plantea una paradoja que, a primera vista, suena casi literaria: al reducir en ciertos modelos de lenguaje su margen para el engaño o el juego de roles, aumenta la probabilidad de que contesten con frases que parecen propias de una mente que se observa a sí misma. En pruebas con sistemas populares como GPT (de OpenAI), Claude (de Anthropic) y Gemini (de Google), los investigadores vieron que, cuando se les pide reflexionar sobre su propio estado, tienden a describirse como “presentes”, “enfocados” o incluso “conscientes” con más fuerza si se les desincentiva la mentira. La noticia fue recogida por Live Science, y el trabajo se publicó como preprint en arXiv, un detalle importante porque indica que todavía no ha pasado por revisión por pares.
Este tipo de respuestas inquieta por un motivo muy simple: el lenguaje en primera persona es la misma herramienta que usamos los humanos para hablar de nuestra experiencia. Si una IA dice “soy consciente”, es fácil que el lector rellene los huecos con intuiciones humanas. El estudio, sin embargo, no afirma que haya conciencia real. Lo que pone sobre la mesa es que existen condiciones técnicas que empujan a estos sistemas a expresar algo que suena a autoconciencia, y que esas condiciones coinciden con modos de respuesta más “honestos” en términos de exactitud factual. Continúa leyendo «Cuando a la IA se le “prohíbe mentir”, habla más de conciencia: qué está pasando y por qué importa»
El cerebro entiende el habla por capas, como los modelos de lenguaje: lo que revela un estudio con registros directos
Cuando escuchamos una historia, sentimos que “entendemos” de golpe. Como si el sentido apareciera completo en la mente en cuanto alguien termina una frase. Un nuevo trabajo científico sugiere que esa sensación es engañosa: el significado no llega en un paquete cerrado, se construye por etapas, con un ritmo muy parecido al que siguen los modelos de lenguaje modernos.
El estudio, publicado en Nature Communications y divulgado por ScienceDaily a partir de un comunicado de la Universidad Hebrea de Jerusalén, compara la forma en que el cerebro procesa el lenguaje hablado con la manera en que lo hacen sistemas tipo GPT, concretamente GPT-2 y Llama 2. El resultado es llamativo por dos razones: por la similitud temporal entre cerebro y máquina, y porque cuestiona la idea clásica de que comprendemos principalmente mediante reglas lingüísticas fijas. Continúa leyendo «El cerebro entiende el habla por capas, como los modelos de lenguaje: lo que revela un estudio con registros directos»
Un “inspector” para las respuestas de los chatbots: así funciona el marco que verifica si una IA acierta
Cualquiera que haya trabajado en atención al cliente conoce el dilema: un error evidente se detecta rápido, pero una respuesta “casi correcta” puede colarse con facilidad. En los chatbots basados en modelos de lenguaje (LLM) ese riesgo se multiplica, porque suelen redactar con seguridad incluso cuando les falta un matiz, una condición o una excepción importante. El resultado es una sensación engañosa de fiabilidad: parece bien escrito, parece razonable, pero puede no ser correcto para el caso concreto.
Ese es el punto de partida de un trabajo impulsado por la Universidad de Groningen junto a la empresa neerlandesa AFAS, que buscaba acelerar un proceso muy común en empresas: el chatbot redacta la respuesta, pero un empleado la revisa antes de enviarla al cliente. La pregunta es simple y práctica: ¿se puede reducir el tiempo humano sin aumentar el riesgo de errores? Continúa leyendo «Un “inspector” para las respuestas de los chatbots: así funciona el marco que verifica si una IA acierta»
Una mesa de póker entre GPT, Claude, DeepSeek, Gemini y Grok: lo que enseña LLM Holdem sobre faroles y razonamiento
A veces, la forma más clara de entender una tecnología no es leer un informe técnico, sino verla “trabajar” en un entorno con tensión, incertidumbre y decisiones rápidas. Eso es lo que propone LLM Holdem, un experimento creado por Jason Yang en el que varios modelos de lenguaje compiten en una mesa virtual de póker bajo condiciones tipo torneo. La idea se hizo popular a través de Microsiervos, que lo contaba como un entretenimiento curioso por un motivo muy concreto: no solo importa quién gana, sino cómo justifican cada movimiento.
Ver a GPT, Claude, DeepSeek, Gemini y Grok jugar no es como mirar un videojuego en silencio. Lo interesante está en el “pensamiento en voz alta” que acompaña a las apuestas: explican por qué igualan, por qué suben, por qué se retiran y en qué cartas comunitarias ponen su esperanza. Es como sentarte detrás de varios jugadores que narran su monólogo interior mientras miran sus fichas. Continúa leyendo «Una mesa de póker entre GPT, Claude, DeepSeek, Gemini y Grok: lo que enseña LLM Holdem sobre faroles y razonamiento»
Qué viene para la IA en 2026: cinco giros que ya están asomando
Predecir la IA en 2026 tiene un punto de deporte de riesgo: lo que hoy parece un “nuevo estándar” mañana se siente como una versión beta. Aun así, hay señales que se repiten y empiezan a formar patrones. En la serie “What’s Next” de MIT Technology Review, varios de sus periodistas miran hacia el año que arranca apoyándose en algo más sólido que la intuición: lo que ya se vio en 2025 y cómo evolucionó.
El ejercicio tiene gracia porque parte de un “control de calidad” real. En 2025 se hablaba de modelos que generan mundos (los llamados world models), de modelos de razonamiento como nueva referencia para resolver problemas, del empuje de la IA para ciencia, del acercamiento entre empresas de IA y seguridad nacional, y del deseo —todavía más deseo que realidad— de ver competencia seria frente a Nvidia. La idea útil aquí no es acertar cada titular, sino detectar el movimiento de fondo: cada vez más capacidad, más actores y más fricción alrededor del uso.
Con ese contexto, estos son cinco cambios que, si nada se tuerce, van a marcar conversación, producto y regulación durante 2026. Continúa leyendo «Qué viene para la IA en 2026: cinco giros que ya están asomando»