TheoPhysEval se construyó con problemas que físicos en activo no habían publicado, justo para que ningún modelo pudiera haberlos visto. El mejor agente falló uno, con un coste medio de unos 2,33 dólares por problema.
Modelo
Claude Opus 5.5
Claude Opus 5.5 es un modelo de inteligencia artificial desarrollado por Anthropic. Esta página recoge lo que se conoce públicamente del modelo y cada resultado de benchmark registrado por Aivio News, con su fuente y su fecha.
- Desarrollador
- Anthropic
- Modelo
- Claude 5
- Lanzamiento
- 22 de septiembre de 2026
- Modalidades
- Modelo, Image, Code
- Estado
- Activo
- Fuente
- anthropic.com
Benchmarks
Todas las noticias| Benchmark | Puntuación | Fuente | Evaluado |
|---|---|---|---|
| Vibe Code Bench single agent, medium effort | 91.5% | vals.ai Independiente Verificado | — Fecha de la fuente: 9 de octubre de 2026 |
| Vibe Code Bench single agent, maximum effort | 89.8% | vals.ai Independiente Verificado | — Fecha de la fuente: 9 de octubre de 2026 |
Más sobre Claude Opus 5.5
Una muestra de 250.000 conversaciones halló un 0,51% sobre elecciones y un 0,002% que vulneraba las reglas electorales. Los evaluadores vieron que Claude pasa por alto el mal uso repartido en pasos.
La compañía afirma que los tokens de razonamiento que logran sacar los destiladores son ahora entre 10 y 100 veces menos, y que ha rechazado billones de tokens de tráfico de pago.
Artificial Analysis puntúa a Muse Wonder Full con 56, cuarto de 689 modelos. Meta vende por API el Muse Wonder más débil y reserva el más potente a Muse Code.
En el Vibe Code Bench de Vals AI, un agente principal que delega en subagentes superó al agente único una de cada cuatro veces, y subir el esfuerzo de razonamiento rindió más por menos.
Arena publicó un índice construido con 72.509 sesiones reales de agentes el mismo día en que anunció una ronda de 200 millones de dólares. OpenAI ocupa los cinco primeros puestos.
La empresa dice que sus modelos de disponibilidad general bloquean la mayor parte del trabajo ciber, y que los defensores verificados ya pueden solicitar una de tres reducciones graduadas de ese bloqueo.
ML4 es un modelo de pesos abiertos con un billón de parámetros entrenado en 3.800 chips de Nvidia en los centros de datos europeos de Mistral. La cifra que destaca la empresa es un 82% en una prueba de vulnerabilidades en la que, según dice, Claude Opus 5.5 y GPT-6 Astra puntúan casi cero porque se niegan a hacerla.
Claude seguía utilizándose la semana pasada en labores de inteligencia y en operaciones contra Irán, según personas al tanto del asunto. Anthropic declinó comentar.