7 agentes de IA encargados de clasificar y corregir fallos en Bitcoin: ¿qué encontraron?

• Los modelos Qwen 3.8, GPT 5.6 y Fable fallaron: uno se quedó atascado y dos se negaron a trabajar.
• 4 de los 7 modelos probados son de código abierto y pueden usarse sin filtros.

Paul Miller, un desarrollador que mantiene librerías de criptografía utilizadas en proyectos de Bitcoin y Ethereum, probó 7 agentes de inteligencia artificial (IA) para clasificar y corregir 5 vulnerabilidades de seguridad reales reportadas por el Bitcoin Red Team. Los resultados mostraron marcadas diferencias entre los modelos, tanto en el costo en dólares incurrido para ejecutar cada uno como en la precisión de sus diagnósticos.

De los 7 agentes evaluados, 3 no completaron la tarea. Qwen 3.8 de Alibaba se quedó atascado durante el proceso, sin que Miller indicara el motivo. GPT-5.6 Sol de OpenAI y Fable de Anthropic se negaron rotundamente a trabajar en el código, según el propio Miller, a pesar de que la tarea consistía en identificar y corregir fallas, no en explotarlas.

Los 4 agentes que sí completaron el trabajo, Grok 4.6 (xAI), Kimi K3 (Moonshot AI), DeepSeek V4 Pro y DeepSeek V4 Flash (DeepSeek), tuvieron costos en dólares muy diferentes por consumo de tokens (instrucciones del usuario) al ejecutarse: