Modelos y capacidades desde operaciones

Destacado

Meta lanza Muse Wonder con seis niveles de razonamiento

Meta AI ha lanzado Muse Wonder y Muse Wonder Full, que presenta como sus modelos más capaces. Artificial Analysis puntúa Muse Wonder en su ajuste Max al nivel de GPT-6.1 Sol. Ofrece seis niveles de razonamiento. Es el tercer modelo de Meta en unas diez semanas, así que quien use su API debe esperar cambios frecuentes.

Qué cambia en operaciones — Si alguno de tus flujos llama a un modelo de Meta, como la calificación de leads, la clasificación de tickets o la redacción de respuestas, trata Muse Wonder como un candidato para probar, no como un interruptor que se activa sin más. Pasa una muestra propia de tickets o registros reales del CRM por el modelo con un nivel de razonamiento bajo y otro alto, y compara la calidad de lo que devuelve. Después compara el coste y la espera de cada respuesta, porque la fuente no da precios. El ritmo de lanzamientos pesa más que cualquier modelo concreto. Con un modelo nuevo de Meta casi cada mes, deja el nombre del modelo y el nivel de razonamiento en un solo ajuste de configuración y conserva un conjunto de pruebas fijo, de modo que revisar todo lleve una tarde y no un proyecto.

Jev, de TypeSafe AI, abarata la clasificación por API

Para un equipo B2B que gestiona puntuación de leads, triaje de tickets de soporte, filtrado de spam o ranking de relevancia en búsquedas, el formato de Jev encaja directamente con esos flujos: se le pasa el registro de un cliente o el texto de un ticket junto con un conjunto de preguntas de sí/no o con puntuación, y devuelve números de confianza estructurados a un costo lo bastante bajo como para aplicarlos a cada registro, no solo a una muestra. El problema es que Jev no da ninguna explicación de sus puntuaciones, así que cualquier uso que toque contratación, crédito u otras decisiones de alto riesgo necesita evaluaciones estructuradas antes de implementarse, y hasta usos de menor riesgo como la priorización de tickets deberían revisarse para detectar resultados sesgados.