IA dopada: Anthropic presenta Fable 5.2
Anthropic ha presentado nuevas versiones de sus modelos de inteligencia artificial, Fable 5.2 y Mythos 5.2. Según la compañía, ofrecen resultados más precisos que las versiones anteriores y consumen menos tokens para realizar las tareas; los tokens son las unidades con las que se mide el procesamiento de texto del modelo.
Fable 5.2 está disponible para todos los usuarios. Anthropic afirma que en esta nueva versión ha mejorado la capacidad de razonamiento del modelo y ha reforzado las restricciones de seguridad relacionadas con la ciberseguridad y la biología. El acceso a las capacidades avanzadas de Mythos 5.2 no está abierto a todo el mundo: quienes quieran obtenerlo deben solicitarlo a través de los programas de Anthropic de verificación de usuarios en los ámbitos de las ciencias biológicas y la ciberseguridad.
La compañía presenta Fable y Mythos como modelos para el trabajo técnico abierto a gran escala, no como asistentes universales para el día a día. Para las tareas cotidianas, Anthropic recomienda Opus 5.5.
Según la compañía, usar Fable 5.2 cuesta 8 dólares por millón de tokens de entrada y 40 dólares por millón de tokens de salida. Es aproximadamente un 20 % más barato que Fable 5.1. Para quienes valoran la velocidad, hay un «modo rápido» opcional: puede multiplicar por 2,5 la velocidad de generación de tokens, pero el precio sube a 16 dólares por millón de tokens de entrada y 80 dólares por millón de tokens de salida.
Anthropic asegura que, en casi todas las pruebas, Fable 5.2 es más preciso que Opus 5.5 y resuelve las tareas más rápido, consumiendo menos tokens para obtener el resultado. Aun así, la compañía aconseja no sustituir un modelo por otro en todas partes: empezar el trabajo con Opus 5.5 y recurrir a Fable 5.2 como asesora en las fases más complejas.
Como ejemplo de sus capacidades, los ingenieros de Anthropic encargaron a Fable 5.2 diseñar un prototipo de sistema operativo. Durante ocho días, más de mil agentes escribieron, probaron y revisaron código. El resultado fue un sistema funcional que arranca e incluye las funciones necesarias, entre ellas la integración de Claude incorporada.
Tom Pritchard, ingeniero principal de Shopify, compartió su experiencia. Según él, el modelo sabe desarrollar una idea imprecisa, proponer respuestas meditadas y, tras varias aclaraciones, completar la tarea con una intervención mínima. Comparó trabajar con él con colaborar con un ingeniero de alto nivel.
Anthropic también mostró los resultados de Fable 5.2 en ciencia y matemáticas. Según la compañía, en 30 horas el modelo formalizó una demostración del último teorema de Fermat, diseñó desde cero un centro de control por voz para el hogar, un altavoz con micrófono USB y una mascota virtual de bolsillo, y resolvió además dos problemas abiertos de física de los agujeros negros.
PEREC.RU
La industria de la inteligencia artificial tiene un nuevo género favorito: mostrar una máquina trabajando y explicar de inmediato que no solo es inteligente, sino también ahorradora. Esta vez, en el escaparate hay modelos para tareas técnicas complejas, varias demostraciones impresionantes y una tarifa que recuerda que hasta el futuro prefiere facturar por contador.
Aquí conviene no confundir dos mensajes distintos. El primero: la compañía afirma que sus modelos obtienen resultados sólidos. El segundo: esos resultados los presentan sus propios desarrolladores, así que hay que entenderlos como una demostración de capacidades y como la posición de Anthropic, no como una verificación independiente de cada afirmación rimbombante. El marketing puede ser preciso, sobre todo cuando sabe exactamente dónde poner el logotipo.
La división entre modelos «para la vida cotidiana» y «para el trabajo técnico ambicioso» suena casi como un cartel corporativo en una puerta: por aquí, los asuntos de cada día; por allá, las tareas complejas; y al despacho de al lado solo se entra después de pasar un control. La restricción de acceso a Mythos se justifica por sus posibles aplicaciones en ámbitos sensibles. Es una precaución razonable, aunque también convierte el acceso en una señal de estatus: no es solo un modelo, sino un modelo al que te han admitido.
Las tarifas también cuentan su propia historia. La versión básica se ha abaratado, pero la aceleración cuesta el doble: el clásico equilibrio entre espera y presupuesto, familiar no solo a quienes usan redes neuronales. Cuando un producto vende la velocidad por separado, parece admitir que el tiempo del cliente es valioso, pero primero tendrá que demostrarlo con su capacidad de pago.
Resulta especialmente llamativo el relato de los miles de agentes que construyeron juntos un prototipo de sistema funcional. Pero la cifra de participantes no responde por sí sola a las preguntas principales: hasta qué punto es fiable el resultado, quién comprobó la seguridad y cuánto trabajo humano quedó fuera de plano. La demostración muestra lo que el sistema pudo hacer en unas condiciones determinadas; no elimina la necesidad de una verificación independiente ni la responsabilidad por las consecuencias.
La recomendación de usar un modelo para empezar y otro como asesor también parece sensata. Y, al mismo tiempo, resulta conveniente para el fabricante: en lugar de elegir entre productos, al cliente se le ofrece un ecosistema en el que cada herramienta tiene su papel y cada token, su propia línea en la factura. Una arquitectura casualmente rentable, claro.
En definitiva, la noticia no trata tanto de que las máquinas ya resuelvan todo sin errores como de una nueva etapa de la carrera: las compañías compiten en calidad, velocidad, precio y capacidad de convencer con sus propias demostraciones. Al usuario le queda mirar no solo los resultados espectaculares, sino también la metodología de las pruebas, las restricciones de acceso, el coste del ciclo completo y quién responde si un sistema «casi autónomo» se equivoca. Una vez más, prometen un futuro con poca intervención humana, salvo para pagar, supervisar y comprobar cada paso importante.
