Anthropic apunta a la mayor OPV de la historia
Ingresos disparados y debut bursátil por encima de los 2 trillones de dólares.
¿Qué pasó la semana pasada? En un minuto:
Anthropic comunica a sus inversores ingresos de más de 11.500 millones en el segundo trimestre y prepara un debut bursátil en octubre con una valoración superior a los 2 trillones de dólares, que sería la mayor OPV registrada.
Nvidia ha firmado memorandos con Apollo, BlackRock, Blackstone, Brookfield, Goldman Sachs y KKR para crear plataformas que movilicen más de 500.000 millones de capital de terceros hacia infraestructura de cómputo.
Google ha lanzado Gemini 3.7 Flash apenas tres semanas después de la versión anterior, con un millón de tokens de contexto y un precio introductorio que es la mitad del estándar de 3.6 Flash.
Anthropic ha publicado una FAQ sobre la marca de agua estadística en el texto de Claude, obligada por el Reglamento europeo de IA y sin opción de desactivarla ni fuera de la Unión Europea.
OpenAI ha ampliado su iniciativa Daybreak en dos niveles y ha presentado GPT-5.6-Cyber, un modelo para trabajo ofensivo de seguridad con acceso restringido a defensores aprobados.
Sergey Brin pasaría a supervisar directamente Gemini y estaría reorientando recursos de Google DeepMind hacia la automejora recursiva.
El rechazo local a los centros de datos en Estados Unidos ha crecido de algo más de 300 prohibiciones o moratorias a más de 500 ciudades y condados, con una coalición que cruza todo el espectro político.
xAI ha publicado Grok 4.6, que empata con GPT-5.6 Sol en el Artificial Analysis Intelligence Index a la mitad de precio que otros modelos frontera.
Zai ha presentado GLM-5.3 con el mismo modelo base de 743B que su antecesor, de modo que todas las ganancias proceden de escalar el post-entrenamiento.
Meta ha publicado Muse Glimmer, un modelo denso de 30B con licencia Apache 2.0, en su primer lanzamiento con pesos abiertos desde Llama 4.
Greg Brockman ha recordado que GPT-4 terminó su entrenamiento hace cuatro años, un aniversario que ha reabierto el debate sobre el polémico paper ‘Sparks of AGI’ que ya es historia de la IA.
Gracias por leer 1 Minuto de IA. Si te ha gustado esta edición, no te olvides de dar al ♡ y de compartirla por redes sociales o por email con otras personas a las que creas que les pueda interesar.
Y si tienes más de un minuto…
1. Anthropic acelera hacia la mayor salida a bolsa de la historia
Anthropic, la creadora de Claude, está comunicando a inversores que sus ingresos del segundo trimestre superaron los 11.500 millones de dólares, al menos catorce veces más que un año antes, y que ya registra resultado operativo ajustado positivo, según Bloomberg. Sobre esa base, sus inversores anticipan una facturación anualizada de entre 100.000 y 120.000 millones a cierre de año y un debut bursátil en octubre con una valoración por encima de los 2 billones de dólares, informa el Financial Times: sería la mayor salida a bolsa registrada, por delante de la de SpaceX en junio.
El Wall Street Journal sitúa la ventana entre septiembre y principios de octubre, con el S-1 confidencial presentado el 1 de junio y los bancos colocadores ya contratados. Adelantarse a OpenAI fijaría la referencia de valoración para todo el sector. Los inversores señalan tres riesgos: los modelos chinos más baratos, las fricciones con la Administración Trump y un múltiplo cercano a 30 veces ingresos en un mercado ya muy caro. Una colocación de unos 85.000 millones en pocas semanas absorbería gran parte de la demanda institucional disponible y drenaría liquidez del resto del mercado.
Lo que subraya 𝕏 @rohanpaul_ai (Rohan Paul) es el adelantamiento: salir antes que OpenAI cambia quién marca el precio de referencia del sector.
La información original la firma 𝕏 @FT (Financial Times), que encuadra la operación directamente como una OPV récord sostenida por la apuesta de los propios inversores de la compañía.
La lectura macro de 𝕏 @0xAralez (Aralez) convierte la operación en un problema de liquidez: una colocación de este tamaño en unas ocho semanas tendría que drenar dinero del resto del mercado.
El dato que 𝕏 @AndrewCurran_ (Andrew Curran) pone en primer plano no es el crecimiento sino el signo de la cuenta de resultados: por primera vez la compañía habla de resultado operativo ajustado en positivo.
Con ironía, 𝕏 @antonello (Antonio Ortiz) contrasta la cifra de facturación anualizada con el desdén de quienes reducían estos modelos a loros estocásticos incapaces de servir para nada.
Más información:
📎 Anthropic revenue ahead of IPO surges to over $11.5B in second quarter
📎 Anthropic tries to shore up investor confidence ahead of blockbuster IPO
2. Wall Street financiará las fábricas de IA de Nvidia
Nvidia ha firmado memorandos de entendimiento con Apollo, BlackRock, Blackstone, Brookfield, Goldman Sachs y KKR para crear plataformas de financiación de infraestructura de cómputo que movilicen más de 500.000 millones de dólares de capital de terceros. El objetivo es que los centros de datos de IA se traten como infraestructura de largo plazo, igual que la energía o las autopistas, y que las GPU funcionen como activo financiable, con ingresos ligados al uso del cómputo.
El problema de fondo: levantar centros de varios gigavatios exige decenas de miles de millones antes del primer ingreso, y la banca tradicional desconfía de aceptar chips como garantía por su rápida depreciación. Para rebajar esa objeción, Nvidia se ofreció en agosto a respaldar hasta 125.000 millones del valor de reventa de sus chips. Jensen Huang presenta el movimiento como el nacimiento de una nueva clase de activo invertible. Los críticos, entre ellos el economista Steve Hanke, hablan de financiación circular, porque parte del capital acaba comprando producto de la propia compañía; la acción cedió cerca de un 2,5% tras conocerse los acuerdos.
Si el capital institucional asume el coste de construir capacidad de cómputo, la demanda de Nvidia deja de depender del ciclo inversor de unos pocos hiperescaladores, pero la exposición al riesgo de la IA se extiende más allá del sector tecnológico.
El encuadre de 𝕏 @JensenHuang (Jensen Huang) es deliberadamente ambicioso: no habla de vender más GPU, sino de haber creado una categoría de activo que gobiernos y empresas tendrán que financiar como cualquier otra infraestructura básica.
Para 𝕏 @rohanpaul_ai (Rohan Paul) el valor está en la capacidad expositiva de Huang, tanto en sus intervenciones como en sus textos, que considera de un nivel por encima del resto.
Lo que subraya 𝕏 @WesRoth (Wes Roth) es el desfase temporal: hay demanda enorme de GPU, pero también años de gasto previo a cualquier ingreso, y la operación intenta enchufar esa necesidad a los mayores fondos de capital a largo plazo.
Para 𝕏 @8teAPi (Prakash) el truco está en la asimetría de información: quien controla la hoja de ruta de las próximas GPU es el único capaz de vender algo parecido a un seguro de depreciación a los bancos.
La lectura más dura viene de 𝕏 @steve_hanke (Steve Hanke), que ve otro caso de financiación circular y lo enmarca directamente en la burbuja de la IA.
Desde el lado de la valoración de hardware, 𝕏 @Silicon_Data (Silicon Data) respalda la tesis con sus propias estimaciones: la A100 habría dejado de depreciarse a finales de 2025 al subir los precios de alquiler.
Más información:
📎 NVIDIA Partners With Apollo, BlackRock, Blackstone, Brookfield, Goldman Sachs and KKR to Establish AI Compute Infrastructure Financing Platforms to Mobilize Over $500 Billion of Third-Party Capital
📎 Why wall street and NVIDIA are building an exotic money pipeline for the AI boom
3. Google lanza Gemini 3.7 Flash
Google ha presentado Gemini 3.7 Flash, la actualización de su gama de modelos más económica, apenas tres semanas después de Gemini 3.6 Flash. Ya está disponible en más de 160 países con ventana de contexto de un millón de tokens y hasta 64.000 de salida. La compañía lo describe como su modelo más capaz para código y agentes, y atribuye el salto a mejoras algorítmicas y a la respuesta de desarrolladores.
Las cifras que publica marcan avances importantes respecto a la versión anterior. El detalle comercial es también relevante, con un precio introductorio hasta final de año de 0,75 y 3,75 dólares por millón de tokens de entrada y salida, la mitad del coste estándar de 3.6 Flash. La cadencia de lanzamientos de la variante Flash contrasta con la línea Pro, que sigue anclada en la versión 3.1.
La justificación que ofrece 𝕏 @sundarpichai (Sundar Pichai) es puramente de mercado: los modelos Flash son caballos de batalla y la prioridad es enviar actualizaciones rápido a manos de los desarrolladores, no esperar a un ciclo mayor.
A 𝕏 @testingcatalog (Ai News | Testingcatalog) le llama la atención menos el modelo que el vehículo: la llegada de 3.7 Flash a Gemini Spark viene con mejor uso de herramientas en las aplicaciones de Google Workspace y sugiere un despliegue más amplio del propio Spark.
El ángulo que subraya 𝕏 @rohanpaul_ai (Rohan Paul) es el de la planificación: Google sostiene que el modelo “piensa con más diligencia”, dedicando más esfuerzo a tareas de varios pasos y al uso de herramientas.
Para 𝕏 @WesRoth (Wes Roth) lo llamativo es la combinación de ritmo y precio: dos lanzamientos en tres semanas cobrando la mitad de lo que costaba la versión anterior.
𝕏 @kimmonismus (Chubby) lo lee como un salto sólido sobre 3.6 Flash, en línea con la lectura general de que la mejora es real y no un simple cambio de etiqueta.
Más información:
📎 Introducing Gemini 3.7 Flash
📎 Gemini 3.7 Flash - Model Card
4. Claude marcará su texto por la ley europea
Anthropic ha publicado una FAQ sobre las marcas de agua en el texto de Claude, después de anunciar el cambio con muy poco ruido y recibir una oleada de críticas. Los futuros modelos generarán texto con una marca estadística que actúa sobre la elección de la siguiente palabra entre los candidatos posibles, sin añadir caracteres ocultos ni tokens adicionales. La compañía sostiene que no encarece las respuestas, que no altera la calidad y que el lector no podrá distinguir un texto marcado de uno que no lo está. Tampoco incluye información identificativa: no permite rastrear una persona, una organización ni una conversación concreta.
El motivo declarado es el Reglamento europeo de IA, cuyo artículo 50(2) obliga a que el contenido generado por IA sea detectable, con el 2 de agosto como fecha de referencia. Anthropic recuerda que otros firmantes del mismo Código de Buenas Prácticas aplicarán sus propias marcas. Google ya lo hace con SynthID-Text, descrito en Nature en octubre de 2024 tras un experimento en vivo sobre casi 20 millones de respuestas de Gemini sin pérdida de calidad medible. El punto que más irrita a los usuarios es que ni Anthropic ni Google ofrecen desactivarla, tampoco fuera de la Unión Europea.
El encuadre de 𝕏 @AnthropicAI (Anthropic) es de cumplimiento normativo y no de decisión propia: insiste en que el resto de grandes desarrolladores firmaron el mismo código y harán lo mismo.
Para 𝕏 @antonello (Antonio Ortiz) la FAQ llega como control de daños, un intento de contener la crisis después de haber lanzado la medida de tapadillo.
𝕏 @Dan_Jeffries1 (Daniel Jeffries) insiste en que “indetectable” no equivale a “inocuo”: si el sistema empuja la selección de tokens lejos de lo que el modelo habría elegido, la prosa abierta paga un precio de calidad.
El caso concreto que le preocupa a 𝕏 @kimmonismus (Chubby) es el suyo: alemán nativo que usa IA a diario para traducir textos propios y verá esos resultados marcados como generados por máquina.
Bastante más tajante, 𝕏 @cuenca (Joaquín Cuenca Abela) considera el marcado de resultados de IA una mala idea de origen y lo atribuye a una regulación redactada por quien no asimila que las cosas cambian.
𝕏 @rohanpaul_ai (Rohan Paul) recuerda que la marca añade transparencia, no prohibición: nada impide presentar un escrito generado con IA, simplemente será identificable.
Más información:
📎 How Claude’s text watermarking works
📎 Scalable watermarking for identifying large language model outputs
5. OpenAI lanza GPT-5.6-Cyber para defensores
OpenAI ha ampliado Daybreak, su iniciativa de ciberseguridad, y ha presentado GPT-5.6-Cyber, un modelo entrenado específicamente para trabajo de seguridad autorizado. El programa queda dividido en dos niveles con perfiles de usuario distintos. Daybreak Blue da acceso a modelos frontera, entre ellos GPT-5.6 Sol, con salvaguardas calibradas para tareas defensivas amplias: descubrimiento de vulnerabilidades, revisión de código en clave de seguridad y trabajo similar. Es el punto de entrada que la compañía recomienda a la mayoría de equipos defensivos. Daybreak Red va un paso más allá y abre modelos entrenados a propósito, incluido GPT-5.6-Cyber, para investigación de vulnerabilidades, validación de exploits y pruebas de seguridad, con destinatarios explícitos: profesionales experimentados en escenarios complejos y autorizados.
El punto delicado es de gobernanza, no de capacidad. Un modelo que acepta tareas ofensivas por definición sirve igual a quien ataca, y OpenAI responde con una vía cerrada: acceso restringido a defensores aprobados, más controles y monitorización adicional en los usos de mayor riesgo. La compañía sostiene que ha usado GPT-5.6-Cyber de forma intensiva en investigación real, con hallazgos de vulnerabilidades hasta ahora desconocidas en software de código abierto de uso masivo, entre ellos el motor V8 de Chrome.
El argumento con el que 𝕏 @OpenAI (Openai) justifica el lanzamiento es de carrera contra el reloj: poner inteligencia frontera en manos de defensores de confianza antes de que los atacantes puedan desplegar capacidades equivalentes.
Lo que subraya 𝕏 @WesRoth (Wes Roth) es el contraste con el producto de consumo: GPT-5.6-Cyber acepta el tipo de trabajo de seguridad que los modelos habituales de ChatGPT suelen rechazar.
Más información:
📎 Expanding daybreak as the cyber defense window narrows
6. Sergey Brin asume la supervisión directa de Gemini
Sergey Brin, cofundador de Google, pasaría a supervisar directamente Gemini, la familia de modelos de IA de la compañía, dentro de una reorganización del liderazgo de IA del grupo. La información llega acompañada de una lectura recurrente: el retorno de un fundador prácticamente retirado a la línea de mando operativa. Google mantiene una posición sólida en infraestructura (chips propios, capacidad de cómputo, distribución), pero su carrera en modelos ha estado marcada por lanzamientos corregidos y por presión competitiva directa de OpenAI y Anthropic.
Reuters informa de que Sergey Brin, ya estaría usando su peso interno para reorientar recursos de Google DeepMind hacia la automejora recursiva: sistemas de IA capaces de mejorar su propio desarrollo sin intervención humana. Brin pidió a personal clave apostar todo por Gemini y alcanzar la frontera, y trasladó el mensaje de acelerar en una reunión general con empleados de DeepMind.
Para 𝕏 @alvinfoo (Alvin Foo) no se trata de otro ajuste de organigrama sino del tipo de decisión que Google necesitaba, con un cofundador implicado en el producto central.
El recordatorio que difunde 𝕏 @linasbeliunas (Linas Beliūnas) sobre el origen de las TPU sirve de contrapeso: la ventaja de Google en silicio propio nació de un cálculo de demanda muy concreto, no de una apuesta abstracta.
La difusión temprana del reporte llegó de 𝕏 @AndrewCurran_ (Andrew Curran), que resume el giro como un empujón interno de Brin para orientar DeepMind hacia la automejora recursiva.
Desde 𝕏 @TheTuringPost (Turing Post) se insiste en no confundir términos: lo que hoy se demuestra es un avance real, pero conviene mantenerlo separado de la automejora recursiva propiamente dicha.
Frente al debate sin números, 𝕏 @AnikaSomaia (Anika) recomienda el trabajo que cuantifica qué condiciona realmente que una IA mejore a otra, útil para quien discute despegues rápidos por intuición.
Más información:
📎 Inside google executive moves that led its big AI reshuffle
7. Se acelera el rechazo a los centros de datos
El bloqueo local a los centros de datos en Estados Unidos ha pasado de algo más de 300 prohibiciones o moratorias a finales de junio a más de 500 ciudades y condados. El artículo ‘Enemigos del datacenter’, publicado en error500.net, describe una coalición poco habitual que reúne a figuras de extremos opuestos del espectro político, de Steve Bannon a Alexandria Ocasio-Cortez y de Ron DeSantis a Bernie Sanders, con granjeros republicanos de Pensilvania junto a activistas de izquierda.
El repertorio de agravios mezcla motivos verificables (subida de la factura eléctrica, coste de oportunidad del suelo y de la red, ruido) con teorías sin base física: un vídeo del músico Benn Jordan, con millones de reproducciones, atribuye migrañas, insomnio y arritmias a ultrasonidos emitidos por estas instalaciones, tesis que Andy Masley desmonta señalando que el aire absorbe las frecuencias altas a pocos metros y que las mediciones no encajan con la fisiología humana.
Para el sector, el problema es de calendario: la capacidad de cómputo comprometida para los próximos años depende de permisos municipales que ahora se conceden con mucha más resistencia.
El punto de 𝕏 @antonello (Antonio Ortiz) es que la coalición anti datacenter está ganando la batalla de la opinión pública, y que en su popularización pesan más los perjuicios locales tangibles que los argumentos climáticos o decrecentistas.
Para 𝕏 @emollick (Ethan Mollick) el problema de fondo es que estas instalaciones apenas necesitan personal para operar, lo que rompe el intercambio clásico de la industria: molestias locales visibles a cambio de empleo local visible.
La comparación que hace 𝕏 @ZitoSalena (Zitosalena) es con el pánico al fracking de 2010, con parte de los mismos manifestantes, y su argumento es que casi todo el uso cotidiano de tecnología pasa hoy por un centro de datos.
El dato que destaca 𝕏 @HedgieMarkets (Hedgie) sobre la planta de gas de Pecos County es que sus permisos la convertirían en el mayor emisor individual de contaminación climática del país, muy por encima de la central más sucia en funcionamiento.
Más información:
📎 Enemigos del datacenter
8. xAI lanza Grok 4.6 con el precio como argumento
xAI ha publicado Grok 4.6, con el doble de límite de uso incluido en Cursor y Grok Build durante la primera semana. El modelo parte de Grok 4.5 y se orienta a agentes de larga duración y a trabajo interactivo y visual más exigente: sostener una tarea durante muchos pasos, ya sea investigar, analizar información o intervenir sobre una base de código. En el Artificial Analysis Intelligence Index, índice compuesto por nueve benchmarks, empata con GPT-5.6 Sol. El punto fuerte está en el coste: 2 dólares por millón de tokens de entrada y 6 de salida, la mitad que otros modelos frontera y entre cinco y ocho veces menos que Fable 5. El lanzamiento coincide con el despliegue de DeepSeek v4 Pro, lo que aprieta aún más las tarifas del sector.
El propio 𝕏 @SpaceXAI (Spacexai) insiste en la velocidad además de la capacidad: presenta Grok 4.6 como más rápido que modelos comparables y capaz de asumir tareas bastante más difíciles que su antecesor, sin subir el precio.
Desde 𝕏 @arena (Arena.Ai) destacan el salto interno respecto a Grok 4.5, que sigue en el puesto 13 de la clasificación de desarrollo web, y colocan al nuevo modelo en la misma horquilla que GPT-5.6 Sol xHigh y Claude Fable 5.
Para 𝕏 @kimmonismus (Chubby) este es el salto que esperaba de xAI y el que da credibilidad a la promesa de un modelo de 10T parámetros, aunque recuerda que Anthropic tiene Fable 5.5 lista y a la espera.
La lectura de 𝕏 @testingcatalog (Ai News | Testingcatalog) es de recuperación de terreno: sitúa a Grok 4.6 a la altura de los modelos de referencia en varios benchmarks, pero apunta un puesto 13 en Frontend Arena con 1.553 puntos como contrapeso.
Más información:
📎 Introducing Grok 4.6 · Cursor
9. Zai lanza GLM-5.3 con mejoras en el post-entrenamiento
Zai, la compañía china antes conocida como Zhipu AI, ha presentado GLM-5.3, un modelo orientado a programación agéntica y ciberdefensa. El detalle técnico es que el modelo base de 743B parámetros es el mismo que en GLM-5.2, y todas las ganancias vienen de escalar el post-entrenamiento en entornos más largos y tareas de ingeniería más realistas. Las cifras que publica Zai son importantes: Terminal-Bench 3.0 pasa de 4,6 a 28,3 y DeepSWE de 46,2 a 66,9, con menos tokens de salida. En seguridad, ExploitBench sube del 24,4% al 54,4%. Este lanzamiento refuerza la importancia del post-entrenamiento como palanca de mejora. Y es importante porque llega desde el bloque de pesos abiertos chino en un momento de debate regulatorio en Estados Unidos.
El propio 𝕏 @Zai_org (Z.Ai) enmarca el salto no como más capacidad bruta sino como eficiencia: mejores resultados que GLM-5.2 gastando menos tokens de salida.
Desde 𝕏 @SemiAnalysis_ (Semianalysis) el veredicto es contundente: GLM-5.3 supera con holgura a todos los modelos abiertos estadounidenses (Nemotron, Laguna, Inkling) y esa distancia es una crítica directa a cómo se está organizando el esfuerzo abierto en EE. UU.
A 𝕏 @rohanpaul_ai (Rohan Paul) le interesa la lectura de fondo: que un base model de frontera todavía tenga margen sin repetir el preentrenamiento, con el hallazgo de una vulnerabilidad en Cursor como prueba práctica.
El temor de 𝕏 @kimmonismus (Chubby) es político más que técnico: que un avance chino de este calibre en ciberseguridad acabe siendo el argumento que empuje a Estados Unidos a regular el código abierto.
Más información:
📎 ZCode | Official Harness for GLM-5.3
10. Meta vuelve a los pesos abiertos con Muse Glimmer
Meta ha publicado Muse Glimmer, un modelo denso de 30B parámetros con licencia Apache 2.0, y ha anunciado que hará lo mismo con Muse Spark 1.2, su modelo fundacional puntero, en las próximas semanas. Es su primer lanzamiento con pesos abiertos desde Llama 4. Glimmer no está pensado para chat, sino para agentes locales de larga duración: ventana de contexto superior a 120K, planificación y uso de herramientas en flujos que se prolongan en el tiempo.
El detalle es que cuantizado a unos 4 bits baja de 20 GB, lo que permite ejecutarlo en una tarjeta gráfica de consumo y puede llegar a 20.000 tokens por segundo en una sola GPU. En benchmarks se sitúa por delante de Gemma 4 31B y Qwen 3.6 27B en la mayoría de pruebas comparadas.
El foco de 𝕏 @testingcatalog (Ai News | Testingcatalog) está en la licencia Apache 2.0 y en la promesa de abrir también Muse Spark 1.2, algo que cambia el cálculo para quien evaluaba Meta como proveedor cerrado.
Más cauto, 𝕏 @emollick (Ethan Mollick) considera Spark el mejor modelo de pesos abiertos no chino en un año, aunque lo sitúa por detrás de la frontera abierta china y bastante lejos de los cerrados.
Para 𝕏 @levie (Aaron Levie) lo relevante es empresarial: contar por fin con una respuesta estadounidense en la carrera de pesos abiertos abarata la inteligencia y permite a las compañías ejecutar los modelos donde y como quieran.
𝕏 @WesRoth (Wes Roth) relativiza el interés de los modelos pequeños y sostiene que el ecosistema abierto avanza cuando llegan modelos lo bastante potentes para servir de profesores y bases de ajuste fino.
Más información:
📎 Introducing Muse Glimmer: An Open Agentic Model That Runs on Your Device
11. Cuatro años del entrenamiento de GPT-4
Greg Brockman, cofundador de OpenAI, ha recordado que GPT-4 terminó su entrenamiento hace exactamente cuatro años. El mensaje, retuiteado por Sam Altman, ha servido de excusa para un balance colectivo en la comunidad de IA. El detalle interesante no es la efeméride, sino el desfase: el modelo estaba entrenado bastante antes de su presentación pública en marzo de 2023, y durante ese intervalo fue examinado por investigadores externos a la compañía.
De ahí salió ‘Sparks of Artificial General Intelligence: Early experiments with GPT-4’, el trabajo de un equipo de Microsoft. Aquel texto analizaba una versión temprana del modelo, aún en desarrollo activo, y sostenía que resolvía tareas nuevas en matemáticas, programación, visión, medicina, derecho o psicología sin indicaciones especiales, con un rendimiento cercano al humano y muy por encima de ChatGPT.
La conclusión, que podía verse como una versión temprana e incompleta de AGI, recibió críticas duras en su momento por metodología y por el papel de Microsoft como principal inversor de OpenAI. Cuatro años después, el ejercicio de comparación es lo que llama la atención: el ciclo de mejora ha sido lo bastante rápido como para que GPT-4 se lea ya como una pieza de museo.
Para 𝕏 @emollick (Ethan Mollick), el paper de ‘Sparks of AGI’ recibió reseñas muy escépticas entonces y se lee cada vez más como un texto premonitorio.
𝕏 @kimmonismus (Chubby) no encuentra otra tecnología con una curva de mejora comparable en tan poco tiempo y describe GPT-4 como un instrumento de la Edad de Piedra frente a los modelos actuales.
Más información:
📎 Sparks of Artificial General Intelligence: Early experiments with GPT-4