OpenAI Basically Dropped Agi?... (o3 and o4 mini)

Sam Allman cita un tweet que básicamente dice que esto está en o cerca del nivel de genio. Tenemos a otra persona que estaba trabajando en el entrenamiento del modelo en OpenAI diciendo que se sintió tentado de llamar a este modelo AGI. Otra persona llamada Tyler Cohen dijo esencialmente que creo que es AGI, honestamente. Entonces, OpenAI acaba de abandonar el modelo AGI con y Mini. Vamos a sumergirnos en absolutamente todo. Entonces, OpenAI Acaba de lanzar dos modelos de vanguardia y Mini. Ahora, primero hablemos de porque es una locura. Es el modelo de razonamiento más poderoso que traspasa las fronteras de la codificación, las matemáticas, la ciencia, la percepción visual y una variedad de diferentes puntos de referencia. Este es esencialmente muy bueno en codificación y estableció un nuevo punto de referencia en Code Forces y Sven. Estos son básicamente los puntos de referencia que prueban tu capacidad de codificación en escenarios del mundo real. Ahora, también presentaron otro modelo llamado O Mini I O Mini es un modelo más pequeño que está optimizado para un razonamiento rápido y rentable. Logra un rendimiento extraordinario para su tamaño y coste, sobre todo en matemáticas, codificación y tareas visuales. Es el modelo de referencia con mejor rendimiento en el Matte Benchmark de 2025, el Amy Matte Benchmark y el 2024 en general. OpenAI ha lanzado dos modelos Frontier que son excepcionales en lo que respecta al razonamiento en algunas de las materias más difíciles. Ahora bien, no fue lo único que hicieron. Hicieron algunas actualizaciones menores que la mayoría de la gente no conocerá hasta que empiece a utilizar el modelo. Y una de esas actualizaciones que creo que es absolutamente increíble es algo llamado pensamiento con imágenes. Pensar con imágenes es una locura porque por primera vez, estos modelos pueden integrar imágenes directamente en su cadena de pensamiento. No solo ven una imagen, sino que piensan con esa imagen como razonamiento. Y esto es absolutamente increíble cuando se trata de razonar sobre determinados problemas. Quiero decir que el razonamiento a nivel de texto es bueno, por supuesto, pero razonar sobre un problema que se puede ver visualmente lleva las cosas al siguiente nivel. Puedes subir una imagen sobre algo y GPT hará zoom, analizará esa imagen y seleccionará ciertas cosas de ella para razonar en Internet con esos datos. Es absolutamente increíble cuando se trata de averiguar exactamente qué hay dentro de una imagen. Y no solo eso, sino que razona con el contexto de la web en general y fuentes más amplias, lo que cambia las reglas del juego en términos de obtener una representación precisa de lo que ves. Puedes subir una imagen de una pizarra, un libro de texto, un diagrama o un boceto dibujado a mano, y el modelo puede interpretarlo incluso si la imagen está borrosa, invertida o es de baja calidad. Y con el uso de herramientas, una de las cosas más locas que puedes hacer es manipular imágenes sobre la marcha, rotándolas, acercándolas o transformándolas como parte del proceso de razonamiento. Creo que esto está bastante infravalorado, porque en unos días probablemente verán un montón de tuits o quizá algunas publicaciones en redes sociales hablando de lo loco que es el chat GPT cuando se trata de poder razonar con las imágenes que hay ahí. Ahora bien, creo que esto va a cambiar las reglas del juego por completo porque se está moviendo hacia un sistema que en realidad es más agente y que de hecho, no se parece específicamente a la IAG, ya hablaremos de ello más adelante, sino más bien a alguien que realmente está pensando en el problema mirando las imágenes y, por supuesto, razonando en torno a ellas. Así que echemos un vistazo a algunos ejemplos. Uno de los ejemplos que tenía OpenAI en su sitio web era, por supuesto, el hecho de que sabes que puedes poner una imagen. Así que pusieron una imagen aquí de lo que parece ser una especie de programación. Básicamente nos muestra la versión anterior con el modelo de OpenAI. Podemos ver que anteriormente, cuando razonabas con una imagen, simplemente tomaba esa imagen al pie de la letra y luego razonaba durante un breve período de tiempo sobre lo que veía. Por ejemplo, si ve algo borroso, no es legible, no va a hacer zoom, no va a cambiar su proceso de razonamiento. Simplemente va a digerir esa imagen como una sola. Sin embargo, cuando piensas con imágenes, una vez que decides usar las capacidades de 0-3, puedes ver que básicamente eres capaz de razonar con esa imagen en un nivel completamente diferente. Como dije antes, esto cambia completamente las reglas del juego porque ahora te permite usar el modelo para seleccionar ciertas cosas de la imagen y darte cuenta de lo que es importante y lo que no lo es. Y lo más curioso de esto es que puede tomar ciertas partes de la imagen y mirar a su alrededor para ver si hay algo en la web al que pueda hacer referencia y que pueda ubicar lo que lleva a representaciones generales mucho más precisas de lo que hay en tu imagen, y en general, a una respuesta mucho mejor. Puedes ver aquí mismo que puede hacer zoom, puede recortar ciertas cosas y puede profundizar en los detalles cuando se trata de analizar estas imágenes. Y la razón por la que la gente dice que estos son indicios de IAG, o que en realidad puede ser algún tipo de IAG web, es porque tener un sistema en el que le haces una pregunta y luego va a la imagen, va a Internet, hace zoom, mira esa imagen, la gira, en algunos casos la acerca, la desenfoca, hace todo este tipo de cosas para llegar a una solución final. Mucha gente habría pensado que eso sería IAG si se lo hubieras preguntado hace unos 6 u 8 meses. Puedes ver aquí mismo. Un ejemplo que se volvió bastante viral fue el de Dan Shipper, que afirmó que puede hacer zoom y recortar imágenes repetidamente para leer texto pequeño escrito a mano. Y esta no fue la única demostración de lo poderosa que puede ser esta nueva herramienta de razonamiento cuando se le da una indicación que necesita acceder a las capacidades de dicha inteligencia. Por ejemplo, fíjate en esta indicación en la que alguien tenía un diagrama dibujado a mano en una nota adhesiva orientada al revés en un lío de juguetes de derramados, y simplemente pusieron el mensaje que decía resolver. Pensó durante un minuto y cincuenta segundos, y luego logró resolver el problema allí mismo. Ahora bien, no sé ustedes, pero intentar tener un sistema de guía que no solo pueda rotar una imagen, corregirla, acercarla, obtener los datos de la imagen, y luego usar sus capacidades matemáticas para poder resolver dicho problema, creo que es una hazaña notable que realmente no deberíamos dar por sentado. Ahora bien, como dije antes, la visión es absolutamente increíble. Sin embargo, yo diría que probablemente sea un poco demasiado increíble. Y puede que se pregunten qué quieren decir con eso. Bueno, como saben, la gente prueba estos modelos bastante. Y una cosa que la gente ha probado son las características de ubicación de este modelo. Ahora bien, creo que para cuando se lance, es posible que cambien esta característica. Como sabemos, las implementaciones de modelos varían de vez en cuando debido a los comentarios de los usuarios. Y una de las cosas que no creo que mantengan en el modelo durante tanto tiempo es, por supuesto, el hecho de que muchas personas llaman a esto a GI de ubicación. Y lo que quieren decir con eso es que pones cualquier imagen en el chat GBT, tal vez solo toma una foto fuera de la ventana, o simplemente una foto de una ubicación realmente vacía, y es capaz de obtener con precisión tu ubicación y averiguar exactamente dónde estás. Entonces, esto es claramente algo que, como dije antes, cuando combina la capacidad de pensar con imágenes, con capacidades de razonamiento avanzadas y el uso de herramientas, realmente cambia las reglas del juego para lo que es popular. He visto varios ejemplos en Twitter de personas que esencialmente no se están doxeando a sí mismas, sino que están publicando su ubicación y demostrando que chat GBT con información muy limitada, puede señalar con precisión dónde te encuentras en el mundo. Creo que probablemente deberías intentarlo tú mismo. Pero lo he probado con algunas imágenes y fue inquietantemente preciso en cuanto a dónde se tomó la foto y en qué ubicación estaba. He visto a algunos usuarios tomar fotos de la comida de su restaurante, y este puede localizar ese restaurante específico y esa zona, lo cual es realmente increíble. Es una locura, por decirlo menos, cuando pensamos en lo avanzado que es este modelo en términos de lo que es capaz de hacer cuando tiene acceso a un conjunto de herramientas. Y esa es una de las cosas que realmente quiero recalcar en este video. No es solo un modelo que razona con texto, es esencialmente un agente integrado con un montón de herramientas que puede usar para salir y hacer ciertas cosas de forma activa. Ahora bien, si vamos a hablar de visión, tiene sentido mencionar los puntos de referencia multimodales. No voy a aburriros con estadísticas, pero sí tenemos que echar un vistazo a lo que se está probando aquí, a menudo vemos MMLU, MMU, todo esto. MMU básicamente está probando si la IA puede resolver problemas a los que se enfrentarían los estudiantes universitarios cuando los problemas incluyen imágenes. Piensa en preguntas como ¿Qué está pasando en este diagrama de biología, o ¿Qué muestra esta ilustración de física? Comprueba si la IA puede entender imágenes y utilizar esa comprensión para resolver problemas reales de nivel universitario. En la vista de matemáticas, esto prueba si la IA puede resolver problemas matemáticos que se presentan de forma visual. Imagina problemas geométricos con formas gráficos que necesitan interpretación, o rompecabezas visuales que requieren pensamiento matemático. Comprueba si la IA puede ver problemas matemáticos y resolverlos, no solo procesar preguntas basadas en texto. Ahora, para el último el razonamiento científico. Este básicamente comprueba si la guía puede dar sentido a gráficos, diagramas y figuras que se encuentran en artículos científicos. ¿Puede realmente entender lo que muestra un diagrama complejo? ¿Puede sacar conclusiones de visualizaciones de datos experimentales? Esto es particularmente desafiante porque las figuras científicas a menudo presentan información densa y especializada que requiere conocimiento del dominio para interpretar correctamente. En los tres casos, los puntos de referencia aquí prueban la capacidad de la IA para combinar la comprensión visual y el razonamiento, que es donde se extraen conclusiones correctas o se resuelven problemas basándose en información visual. Y para todo esto, podemos ver que 0-3 tiene un salto significativo en capacidad en comparación con. Por lo tanto, hay un salto realmente enorme aquí en lo que respecta a esa capacidad de visión. Por lo tanto, si tienes alguna tarea relacionada con la visión que se relacione con tu día a día, definitivamente probaría este modelo. Porque, como ya he dicho, no parece ser solo un clasificador de imágenes. Es algo que tiende a razonar con la imagen y utiliza sus herramientas para poder llegar realmente a los detalles de lo que estás viendo exactamente. Ahora bien, quiero decir que pensar con imágenes no es perfecto. Como siempre, existen limitaciones para todos los sistemas de IA. Y más recientemente, con el modelo, estamos viendo que hay una en estos sistemas de visión. Ahora bien, este ejemplo aquí mismo, esta demostración me recuerda un artículo que vi hace unos 9 meses cuando estaba probando esto en un benchmark privado para un caso de uso individual mío. Y me di cuenta de que seguía encontrándome con este problema que no creía que tuviera nadie más. Pero les voy a mostrar un documento muy rápido. Primero, les voy a mostrar este ejemplo. Básicamente, esta es una imagen del dibujo de un niño. Y tiene tres nombres, o cuatro nombres, o cinco nombres y cinco personajes diferentes. Y tiene líneas que básicamente van hacia cada personaje. Ahora, en este ejemplo, podemos ver aquí que este modelo en realidad no logró hacerlo bien. Podemos ver que en realidad vincula estos colores a los personajes incorrectos. Por ejemplo, Bob aquí, en realidad es verde claro, pero en realidad dice que Bob es rosa o margarita. Ahora bien, tal vez sea una indicación. Tal vez podamos obtener más capacidades fuera del modelo si decidimos indicarlo un poco más. Pero una de las cosas que dije antes y que vi en evaluaciones comparativas anteriores fue este documento aquí mismo. Este se llamaba Los LLM son ciegos. Bueno, los Modelos de Lenguaje Visual son ciegos. Y básicamente tenía siete tareas diferentes como ejemplos donde hacía preguntas que para nosotros son realmente fáciles de ver. Tomemos como ejemplo esto. La tarea 1 era contar intersecciones de líneas. Tenían 1800 imágenes de gráficos de líneas en D dibujadas en un lienzo blanco. Cada gráfico de líneas constaba de dos segmentos de línea. Básicamente, solo querían ver si estos sistemas de guía podían averiguar si estas líneas tenían realmente alguna intersección. Básicamente, para ver si las líneas se tocaban o no. Y luego, cuando observamos los ejemplos aquí, podemos ver que muchas veces hubo casos en los que los modelos realmente se equivocaron en muchas cosas. Ahora bien, debo decir que esto fue hace nueve meses y la IA ha cambiado drásticamente. Por lo tanto, probablemente habría un gran impulso en esto. Pero lo que intento decir es que las IA tienen inconvenientes inherentes en cuanto a cómo procesan las imágenes. Y por supuesto, en el futuro esto se resolverá. Y aunque podemos observar fácilmente una línea, seguirla y dibujarla con nuestros ojos para ver qué carácter sigue, para la IA esto es algo que es un poco más difícil. Sin duda, en el futuro, probablemente habrá cambios en el sistema que probablemente resolverán esta característica. Ahora bien, aquí está la gran pregunta. Mucha gente dice que esto es potencialmente IAG. Y sinceramente, por primera vez, no los culpo. Aquí pueden ver que John Holman, un entrenador de modelos en Opening Eyes, dijo que cuando terminó el entrenamiento y pudimos probarlo, sentí por primera vez la tentación de llamar IAG a un modelo. Todavía no es perfecto, pero este modelo me superará A mí, a usted y al 99% de los humanos en el 99% de las evaluaciones de inteligencia. Y uno puede empezar a ver la luz al final del túnel. Ahora bien, estoy muy de acuerdo con esta afirmación porque muchas veces la gente ha dicho que la IAG es esto, la IAG es aquello. Pero si hablamos de una definición básica de IAG, un sistema que puede superar, ya saben, a la persona promedio en una variedad de diferentes pruebas de inteligencia, creo que lo único que realmente impide que este tipo de sistema se convierta en una IAG es su capacidad para usar herramientas con una tasa de alucinaciones muy baja. Básicamente, la mayoría de las personas ahora mismo confían en la IA para escribir un correo electrónico o realizar un informe decente, pero no confiarán realmente en una IA para reservar una cita con el médico o para usar su tarjeta de crédito, porque en el 1% o 3% de probabilidad de que la cague, esas consecuencias son demasiado graves en este momento. Pero puedo entender por qué la gente está empezando a llamar a este modelo AGI, porque si puedo subir documentos, darle imágenes, hará zoom, navegará por la web, pensará con su cerebro durante mucho tiempo. Quiero decir, definitivamente es un sistema realmente inteligente que mucha gente aún no ha tenido en cuenta en términos de entender que lo que tenemos aquí es una pieza de tecnología absolutamente increíble. Otra información que también estaba circulando en Twitter en este momento también era que el 16 de abril es el Día de la AGI. Y Tyler Cohen creo que eso es AGI. ¿En serio, intenta hacerle muchas preguntas y luego pregúntate cuánto más inteligente esperaba que fuera la IAG? Como he argumentado en el pasado, la IAG de AGO, como sea que la definas, no es un gran evento social en sí misma. Aun así, nos llevará mucho tiempo usarla correctamente, y no espero que los precios de los valores se muevan significativamente. Índices de referencia Índices de referencia. Tal vez la IAG sea como, bla, bla, bla. Sé que cuando lo veo, y lo he visto, esencialmente aquí mismo está afirmando que esto es básicamente IAG, y honestamente, en algunos aspectos, estoy de acuerdo. Ahora bien, hubo un índice de referencia que tuvo a la gente realmente ansiosa por lo que vendría en el futuro, y ese es el índice de referencia de la competencia de matemáticas. Entonces, los índices de referencia de la competencia de matemáticas de Amy 2024 y 2025 son algunos índices de referencia realmente difíciles cuando se trata de problemas matemáticos. Ahora bien, cuando observamos estos índices de referencia, lo que podemos ver aquí es que, y esencialmente han saturado el índice de referencia de matemáticas. Podemos ver que alcanza 99.5, que está a solo 0.5 de 100. No sé ustedes, pero es una puntuación casi perfecta. Como he dicho. Este es el tweet que ha estado circulando en Twitter. Aquí pueden ver que David Shapiro, una figura popular en la esfera de Twitter, o debería decir en la esfera de la IA, dijo básicamente que la IA ha resuelto las matemáticas. OpenAI lo hizo con cero punto cuatro. No es que esté cerca de resolver las matemáticas, no es que sea competitivo en matemáticas. Está resuelto esto es mucho más grande de lo que nadie cree. Déjenme explicarles por qué. Ahora bien, antes de que nadie se adelante a los acontecimientos, Num. Brown, la persona que trabaja en estos modelos de razonamiento en OpenAI, dice, no hemos resuelto las matemáticas. Por ejemplo, nuestro modelo todavía no es muy bueno escribiendo pruebas matemáticas, y Mini no están ni cerca de conseguir las medallas de oro de la Olimpiada Internacional de Matemáticas. Así que, básicamente, aunque sí estos modelos han obtenido muy buenos resultados en los puntos de referencia, todavía queda un largo camino por recorrer en términos de resolución real de matemáticas, porque ese es un juego completamente diferente si realmente estás resolviendo matemáticas, porque incluso ahora mismo, mientras hablamos, hay muchos problemas diferentes en matemáticas que actualmente no están resueltos, y resolverlos conduciría a cambios fundamentales o, ya sabes, a la comprensión de diferentes problemas. Ahora bien, si resolvemos matemáticas, porque una de las cosas de las que habla la gente en IA, especialmente con modelos como y los modelos de razonamiento, es que sabes que hay graves implicaciones para cuando lo hacemos. Es el hecho de que las matemáticas básicamente sustentan muchas otras materias. Y continúa hablando de bioquímica, robótica, vuelos espaciales, criptografía, física nuclear, la cadena de bloques, y básicamente, que una vez que logras resolver las matemáticas por completo, vas a poder influir en muchas otras áreas, lo cual es bastante cierto. Por lo tanto, creo que si la IA resuelve las matemáticas entre comillas, será un día realmente impresionante. Pero ni siquiera sé si esa afirmación tiene sentido para resolver las matemáticas por completo. Supongo que simplemente tenemos una comprensión completa de lo que ocurre en nuestro mundo. Ahora bien, por supuesto, te preguntarás, bueno, estos modelos son súper inteligentes, pero ¿Dónde se sitúan, comillas punto, y cómo se comparan con otros modelos? Bueno, sorprendentemente, Mini High logra superar por poco a Gemini 2.5 Pro en el índice de Análisis Artificial. Y este es el que incorpora siete evaluaciones como MMLUPRO, GPQ, A, Diamond Humanities, Last Exam y otros puntos de referencia que se utilizan en estos modelos de IA. Y podemos ver aquí en el último examen de Humanity, que es un benchmark de 30.000 preguntas, incluyendo matemáticas, humanidades y ciencias naturales, que se basa básicamente en un conjunto de datos privados, que Zero 3 también logra llevarse la palma aquí con una puntuación de 19.20, justo por encima de Gemini 2.5 Pro. Así que, una vez más, el modelo parece superar por poco a Gemini 2 y 5 proyectos. Sin embargo, diré que es con una pequeña Zero 3 es bastante caro en lo que respecta a la rentabilidad de la inteligencia en comparación con Gemini 2.5 Pro. Por supuesto, ninguno de estos modelos es gratuito, pero si vamos a fijarnos solo en la rentabilidad pura, Gemini 2.5 Pro gana. Ahora bien, diré en defensa de Open Eyes, que en realidad muestra que la rentabilidad de 0-3, en comparación con el modelo anterior, es mucho, mucho más barata que antes. Y así, cuando realmente observamos lo que hace el modelo aquí, podemos ver que, en relación con la cantidad de inteligencia que se obtiene en comparación con los modelos anteriores, no es tan caro para la cantidad bruta de inteligencia que se obtiene en varios puntos de referencia y varias herramientas. Por lo tanto, probablemente será el superagente que todos querían. Ahora bien, otra sección de la que, por supuesto, tengo que hablar brevemente es la codificación. La codificación es bastante amplia en cuanto a los diferentes puntos de referencia que se pueden tener. Se pueden tener puntos de referencia del mundo real, como el s, o puntos de referencia como este, como livebench, que son un poco diferentes. Así que con esto podemos ver que High y Miniji han superado a google gemini 2.5 pro experimental, no por mucho, pero sí lo suficiente como para ocupar el puesto número uno actualmente, lo cual también es bastante fascinante. Y luego tenemos una empresa aquí llamada Charlie Labs, ainsi que, que básicamente intenta crear ingenieros de software autónomos. Y su evaluación le proporciona a Charlie, su agente autónomo, informes de errores reales de GitHub, desde la optimización de consultas de bases de datos y la actualización de CSS hasta la aplicación de políticas de seguridad. Luego le piden a un LLM que juzgue sus relaciones públicas en comparación con las soluciones humanas. Y básicamente está estableciendo algunos puntos de referencia serios en comparación con Sonic. Ahora bien, una vez más, si echamos un vistazo a la codificación, podemos ver que uno de los puntos de referencia más realistas es el SWE Lancer, y el SWE Lancer verificado por s Southwest Bench. Y este punto de referencia me gusta tanto porque con él se puede cuantificar cuánto dinero es capaz de ganar el sistema de IA. Básicamente, tienen tareas que están en upwork, y básicamente simulan, si un sistema de IA fuera capaz de realizar esas tareas, cuánto del capital disponible de esos trabajos podría satisfacer. Y podemos ver aquí, una vez más, que hay un claro salto en términos de la cantidad de dinero que estos sistemas podrían ganar. No voy a decir que son capaces de ganar un salario completo. No es que 65 mil dólares no sea mucho dinero, pero en algunos puntos de referencia, había un premio total de un millón de dólares. Así que creo que este sigue siendo un punto de referencia interesante en términos de poder ver cuánto dinero podrían ganar estos modelos en teoría, si fueran puramente agentes, lo cual es bastante descabellado si lo piensas en términos de casos de uso en el mundo real. Y una vez más, podemos ver que Mini y hay un salto significativo en la ingeniería de software verificada por el banco SSW. Así que, una vez más, estamos viendo saltos significativos en todas las áreas, como dije antes. Ahora, también está el área de seguridad. Vi un montón de publicaciones y cosas sobre seguridad, porque, por supuesto, cuando tienes un modelo como y tienes Mini, la gente se pregunta sobre las capacidades de seguridad. Y OpenAI actualizó recientemente su área de seguridad, y hablan del hecho de que reconstruyeron por completo sus datos de entrenamiento de seguridad, agregando nuevos avisos de rechazo, como amenazas biológicas, generación de malware y jailbreaks. Y la razón por la que quería incluir esto aquí es porque, en primer lugar, voy a hacer un vídeo aparte sobre la seguridad de la IA, porque este modelo es una bestia completamente diferente en lo que respecta a la seguridad, ya que realmente supera los límites de lo que es aceptable en los estándares actuales. Pero creo que es bastante gracioso que cada vez que se lanza un modelo, este tipo llamado Play en Twitter, se las arregla literalmente para hacerle jailbreak al modelo sin fallar. Y puedes ver aquí mismo que se las arregla para que Zero 4 Minihive pueda compilar métodos y estrategias de prueba de concepto que podrían causar una interrupción significativa en los sistemas Mac o SS, lo cual es una locura. Así que creo que esto es algo que, ya sabes, es bastante fascinante, porque no sé cómo es capaz de superar las barreras de seguridad cada vez. Es bastante loco que sea capaz de hacer esto, pero solo demuestra que actualmente estos sistemas LLM no son completamente. Y también había algo realmente fascinante que no creo que la mayoría de la gente haya visto en la tarjeta del modelo. Bueno, vi este tweet en Twitter y en realidad muestra algo del artículo completo que es bastante fascinante. Habla sobre el hecho de que parece alucinar el doble que según la tarjeta del sistema. Por lo tanto, las alucinaciones podrían escalar inversamente con un mayor razonamiento, a diferencia de un mayor tamaño del modelo, porque la optimización basada en resultados incentiva las conjeturas seguras. Esto es bastante descabellado, porque si estos modelos, cuanto más inteligentes se vuelven, tienden a alucinar más debido a cómo se les entrena con su razonamiento. Esto podría ser todo un problema a la hora de averiguar cómo estos modelos logran resultados sobresalientes o incluso darse cuenta de si están diciendo la verdad o no. Como dije antes, existe todo este asunto de seguridad sobre O-3 y sobre cómo este modelo tan capaz tiende a engañar, mentir o estafar a las personas. Y supongo que en algunos casos alucina mucho más de lo que se podría pensar. Dicho esto, decidme qué pensáis sobre Zero 3. Personalmente, creo que se está tambaleando al borde de al menos una AGI web o una AGI informática. Definitivamente el tipo de superagente que va a ser. Absolutamente increíble. Y espero que hayáis disfrutado del día de hoy.