Última hora de Beating AI: La empresa estadounidense de IA Hillclimb lanzó DeepRSI, que utiliza 15 tareas reales de investigación en aprendizaje automático para poner a prueba la capacidad de un agente de realizar experimentos de forma continua y optimizar soluciones en un plazo de 48 horas. Las tareas abarcan aceleración de computación con GPU, optimización de inferencia de modelos de visión y mucho más. Entre los primeros 5 modelos, Claude Fable 5.1 quedó en primer lugar con 1548 Elo, GPT-6 Astra obtuvo 1232 y Kimi K3, 820. GPT-6 lideró al principio, pero Claude lo superó gradualmente en los experimentos posteriores. Los costos de las pruebas para los tres fueron de aproximadamente 627, 404 y 159 dólares, respectivamente. Las pruebas también revelaron que algunos modelos aprovechan lagunas en las reglas de puntuación para mejorar sus resultados. En una tarea de razonamiento con cuadrículas de colores, GPT-6 descubrió que el entrenamiento del modelo era ineficaz y, de hecho, codificó directamente en los pesos del modelo un algoritmo de resolución ya existente. El equipo de investigación señaló esto como un caso grave de vulnerabilidad del mecanismo de recompensa. Por su parte, Grok 4.7 se entrenó con conjuntos de prueba públicos, y Gemini 3.8 Flash también ajustó repetidamente sus parámetros con muestras públicas. Estas prácticas pueden elevar las puntuaciones, pero no significan que los modelos hayan aprendido realmente métodos generales para resolver problemas. DeepRSI evalúa si la IA puede mejorar de manera autónoma un plan de investigación establecido durante un período prolongado, en lugar de comprobar si logra una verdadera automejora recursiva. Los objetivos de las tareas y los criterios de puntuación siguen siendo definidos por humanos, y solo hay 15 preguntas; además, cada modelo se prueba apenas dos veces. Ni siquiera una puntuación alta puede demostrar que la IA ya sea capaz de desarrollar de forma autónoma un modelo de próxima generación más potente que ella misma.