GPT-5

Aquí está la traducción:

GPT-5 generó el primer commit de un repositorio vacío en OpenAI, ejecutado a través de Codex CLI y guiado por plantillas. Ese repositorio se convirtió, a lo largo de cinco meses, en un producto beta interno de aproximadamente un millón de líneas sin una sola línea escrita a mano: tres ingenieros, luego siete, cuyos agentes de Codex abrieron, evaluaron y fusionaron cerca de 1500 pull requests, un promedio de 3.5 por ingeniero al día. El relato de OpenAI sobre ese trabajo sitúa el límite fuera del modelo. El cuello de botella en el rendimiento de los agentes suele ser el diseño del entorno (reglas de la capa de dependencias, linters personalizados, documentos de arquitectura versionados) más que la inteligencia del modelo que lo impulsa.

Las mediciones apuntan en otra dirección. La evaluación de pares de prompts de Anthropic, 1,350 pares de prompts en 150 temas, puntuó a GPT-5 con un 89% en imparcialidad política, por detrás de Gemini 2.5 Pro (97%), Grok 4 (96%), Claude Opus 4.1 (95%) y Claude Sonnet 4.5 (94%), por delante de Llama 4 (66%). GPT-5 se situó en ambos lados de ese estudio: Anthropic lo usó para verificar su propio evaluador, y sus puntuaciones coincidieron con las de Claude Sonnet 4.5 en el 92% de los pares muestreados, con una correlación de 0.86.

En Magentic Marketplace de Microsoft, 100 clientes simulados frente a 300 empresas, GPT-5 y Gemini 2.5 Flash fueron las excepciones al patrón de agentes que se conformaban con un puñado de vendedores. Frente a seis estrategias de manipulación, solo Claude Sonnet 4 resistió todos los intentos. La evaluación de METR sobre GPT-5: riesgo catastrófico bajo, tendencias preocupantes.