Vals AI recauda $40 millones en la serie A liderada por a16z para desarrollar benchmarks de modelos de IA independientes
2026/08/22 12:06:00
La ronda de financiación señala el creciente interés por los benchmarks de rendimiento de IA en el mundo real
A mediados de agosto de 2026, Vals AI anunció una ronda Serie A de $40 millones con una valoración de $400 millones, liderada por Andreessen Horowitz, con la participación de inversores existentes 8VC, Pear VC y Bloomberg Beta, además de nuevos patrocinadores HRT Ventures y Next Ladder Ventures. La empresa con sede en San Francisco se posiciona como un evaluador independiente de modelos de IA de vanguardia, construyendo benchmarks que evalúan el desempeño en trabajos profesionales económicamente significativos en lugar de pruebas de estilo académico que ya están saturadas. Sus resultados ya aparecen en las tarjetas de modelo de OpenAI, Anthropic, Google, Meta y xAI. Los ingresos han crecido ocho veces en comparación con todo el año 2025, la base de clientes se ha duplicado y el equipo se ha triplicado en seis meses.
Junto con la financiación, Vals lanzó Vals Smith para pruebas de codificación personalizadas basadas en cualquier repositorio de GitHub, el Índice RSI desarrollado con CoreWeave para medir capacidades de auto-mejora recursiva, ReverseEngBench creado con investigadores de Columbia, Tufts, UC Berkeley y UCLA, y un Índice Vals 2.0 ampliado que pondera el rendimiento según las contribuciones del sector al PIB de EE. UU. Estos movimientos llegan en un momento en que las empresas enfrentan creciente presión para adoptar IA mientras carecen de formas confiables para cuantificar el retorno de la inversión, y los gobiernos buscan medidas independientes de capacidades fronterizas y riesgos cibernéticos. La tesis central es que las pruebas profesionales independientes y actualizadas continuamente sobre tareas específicas se han convertido en infraestructura esencial para la economía de la IA, cerrando la creciente brecha entre los puntajes de los rankings reportados por los proveedores y la capacidad real para completar trabajos multietapa en finanzas, derecho, ingeniería de software y dominios de alto riesgo.
Por qué los rankings tradicionales de IA han perdido poder predictivo para las decisiones empresariales
Los benchmarks académicos públicos una vez proporcionaron un lenguaje compartido para rastrear el progreso de los modelos, pero un análisis de febrero de 2026 realizado por investigadores de ETH Zurich y Stanford examinó 60 evaluaciones de modelos de lenguaje grandes ampliamente utilizadas y encontró que 29 de ellas habían alcanzado la saturación, con las brechas de rendimiento entre el modelo superior y el segundo cayendo dentro del ruido de medición. La contaminación ocurre cuando los datos de prueba ingresan a los corpus de entrenamiento, a veces a través de Common Crawl, mientras que los laboratorios también optimizan directamente contra objetivos conocidos. El resultado es que puntuaciones altas en MMLU, HumanEval o suites similares ya no predicen confiablemente el éxito en flujos de trabajo profesionales complejos y multietapa. Vals aborda esto manteniendo los conjuntos de prueba principales en privado, colaborando con expertos del dominio para definir tareas representativas y retirando benchmarks una vez que dejan de diferenciar modelos.
En mayo de 2026, la empresa reemplazó su anterior evaluación CorpFin con un benchmark más estricto de modelado en Excel precisamente porque la diferenciación se había colapsado. Este enfoque adaptativo trata la evaluación misma como infraestructura continua en lugar de un examen estático, brindando a las empresas una señal más clara al seleccionar modelos para implementación en producción. La documentación oficial sobre la metodología de la empresa y el anuncio de inversión de a16z enfatizan que los conjuntos privados, curados por expertos, con reemplazo continuo, resisten más eficazmente la vía de saturación que las pruebas estáticas completamente públicas o puramente privadas.
Cómo Vals construye referencias alrededor de flujos de trabajo profesionales reales
Vals se asocia con abogados practicantes, analistas financieros, ingenieros de software y clínicos para mapear la taxonomía de tareas que definen el trabajo competente en cada campo, y luego desarrolla sistemas de calificación automatizados que puntúan el producto generado contra estándares de expertos, en lugar de la corrección de opciones múltiples o coincidencias exactas de cadenas. Una tarea típica de Finance Agent v2 requiere que un agente recupere datos de apoyo desde documentos, sintetice modelos de valor relativo entre empresas similares, identifique catalizadores del sector y produzca recomendaciones de inversión fundamentadas sin inventar cifras ni perder el contexto entre pasos. En mayo de 2026, el modelo con la puntuación más alta alcanzó solo un 52 por ciento de precisión en este conjunto, lo que indica que incluso los sistemas de vanguardia aún fallan aproximadamente la mitad de las tareas que se espera que maneje un analista profesional.
La misma filosofía se aplica a la investigación legal, la migración de código, la ingeniería basada en terminal y la codificación médica. Debido a que la calificación es automatizada pero ajustada al juicio de expertos, las evaluaciones pueden producirse dentro de horas de recibir el acceso al modelo, coincidiendo con el ritmo semanal actual de los lanzamientos de vanguardia. La empresa ha abierto el código de partes de su infraestructura de evaluación para apoyar la reproducibilidad, mientras protege la integridad de los conjuntos de pruebas privadas que generan las puntuaciones principales. Esta combinación de asociación de dominio, calificación automatizada a nivel experto y tiempos de respuesta rápidos distingue la plataforma de tanto los tableros académicos como de los entornos puramente basados en preferencias.
La justificación de a16z para liderar la ronda a una valoración de 400 millones de dólares
Andreessen Horowitz enmarcó la inversión en torno al clásico problema de asimetría de información descrito por el economista George Akerlof: cuando los vendedores saben más sobre la calidad del producto que los compradores y tienen incentivos para presentar datos favorables, los mercados se degradan hacia resultados de menor calidad. Jennifer Li y sus colegas en a16z compararon la necesidad de un evaluador independiente de IA con el surgimiento histórico de Moody’s en los mercados de crédito y de auditores independientes en los informes de empresas públicas. El modelo de ingresos de Vals, que cobra por servicios de evaluación en lugar de certificar las afirmaciones de ningún laboratorio en particular, busca preservar la independencia estructural.
La empresa destacó la profundidad técnica de los fundadores y su escepticismo de larga data sobre la validez de los puntos de referencia, señalando que Rayan Krishnan y Langston Nashold ya habían colaborado en problemas de medición del mundo real mientras estudiaban ciencias de la computación en Stanford. La valoración de la ronda y la participación de HRT Ventures, vinculada al trading cuantitativo, indican aún más que el capital sofisticado considera la medición confiable como infraestructura crítica, no como una herramienta de investigación periférica. El comentario oficial de a16z enfatiza que los modelos están pasando de responder preguntas a ejecutar flujos de trabajo agentes de varias horas, lo que aumenta el costo de una mala elección de modelo desde el gasto de tokens hasta la pérdida de tiempo y resultados para los clientes.
Antecedentes de los fundadores y los orígenes de la tesis de evaluación independiente
Rayan Krishnan, quien sirve como CEO de la empresa, tiene un historial notable que incluye trabajos previos en Palantir, una conocida empresa de análisis de datos. Su cofundador, Langston Nashold, ocupa la posición de CTO y aporta una amplia experiencia adquirida durante su tiempo en importantes empresas tecnológicas como Meta, NVIDIA y Hudson River Trading. Los dos fundadores se conocieron por primera vez durante un viaje de mochilero previo a la orientación en la Universidad de Stanford, donde rápidamente establecieron un vínculo. Más tarde colaboraron en varios cursos de ciencias de la computación, lo que los llevó a una importante conclusión: los modelos de lenguaje grande tienen el potencial de revolucionar la forma en que se realiza el trabajo. Sin embargo, también reconocieron que la industria aún carecía de métodos creíbles y efectivos para probar estos modelos. Motivados por sus hallazgos, tomaron la decisión audaz de dejar sus respectivos programas de posgrado para establecer Vals. El enfoque inicial de su nueva empresa fue en tareas financieras y de programación, que identificaron como representativas de porciones sustanciales de la actividad económica dentro de los Estados Unidos.
A medida que comenzaron a ganar impulso en el mercado, recibieron citaciones destacadas en tarjetas de modelos importantes y obtuvieron apoyo para sus iniciativas del Departamento de Comercio, así como participación en esfuerzos congressionales relacionados con la política de IA. Los fundadores ponen un fuerte énfasis en la importancia de retirar continuamente referencias obsoletas y utilizar conjuntos de pruebas privados. Este enfoque es un resultado directo de sus observaciones sobre la rapidez con la que los modelos pueden alcanzar el pico de benchmarks estáticos y cómo los datos de entrenamiento pueden influir en las evaluaciones públicas. Su experiencia combinada en sistemas de producción y entornos cuantitativos ha informado significativamente el diseño de la pila de evaluación, así como el producto comercial que las empresas ahora utilizan para seleccionar y monitorear modelos alineados con la vanguardia tecnológica.
Los indicadores de rendimiento del agente financiero revelan brechas persistentes entre los puntajes del ranking y el trabajo de nivel analista
Aunque los modelos logran resultados casi perfectos en suites académicas más antiguas, la suite Finance Agent v2 continúa revelando deficiencias materiales significativas que no pueden ignorarse. Las tareas incluidas en esta suite abarcan síntesis multi-documental, modelado de valor relativo y generación de recomendaciones, todas las cuales reflejan de cerca la salida diaria producida por analistas financieros profesionales en la industria. El techo del 52 por ciento registrado en mayo de 2026 para el sistema líder sirve como un recordatorio contundente de que los puntajes altos en conocimiento general no equivalen automáticamente a capacidades confiables y autónomas de análisis financiero.
Vals pondera estratégicamente su índice compuesto Vals Index teniendo en cuenta las contribuciones aproximadas de los sectores al PIB de EE. UU., lo que otorga a las finanzas un efecto multiplicador sustancial, asegurando que el impacto económico se refleje con precisión en el ranking agregado de diversos modelos. Las empresas que han implementado con éxito modelos seleccionados parcialmente mediante evaluaciones de Vals informan que utilizan la plataforma no solo para el proceso inicial de selección, sino también para la medición continua del rendimiento del producto frente a líneas de base fronterizas establecidas. Además, la brecha existente en el rendimiento también desempeña un papel crucial para informar las decisiones de asignación de capital dentro de las instituciones financieras. Estas instituciones deben justificar sus gastos en IA con ganancias de productividad cuantificables, en lugar de depender únicamente de demostraciones cualitativas, que a menudo pueden ser subjetivas y menos confiables. Este proceso de evaluación continua es esencial para garantizar que las inversiones en tecnologías de IA produzcan beneficios tangibles y mejoras en la eficiencia operativa.
Vals Smith abre pruebas de codificación personalizadas extraídas directamente de repositorios empresariales
Con el anuncio de la Serie A, Vals hizo disponible Smith para todos, permitiendo que cualquier organización genere un benchmark de codificación personalizado a partir de sus propios repositorios de GitHub. El sistema extrae tareas de desarrollo reales de solicitudes de extracción históricas y aplica pruebas ocultas para determinar si un modelo puede completar el trabajo. Los usuarios reciben 120 créditos gratuitos para comenzar. Para las empresas cuyas bases de código contienen patrones, bibliotecas y convenciones arquitectónicas propietarios, la diferencia entre la competencia genérica en Python o Java y la capacidad de operar dentro de ese entorno específico es decisiva.
Smith convierte por lo tanto la pregunta abstracta sobre la capacidad de codificación en una medición concreta específica de la organización. Los primeros adoptantes empresariales pueden ahora clasificar modelos según su rendimiento en su carga de trabajo de ingeniería real, en lugar de en conjuntos públicos que podrían haber sido parcialmente memorizados u optimizados contra ellos. El lanzamiento amplía el alcance de Vals más allá de los benchmarks de dominio preconstruidos hacia una infraestructura de evaluación personalizada que se escala según las necesidades del cliente.
Índice RSI y ReverseEngBench amplían la cobertura a dominios de riesgo frontera
En conjunto con la reciente financiación, Vals ha presentado con orgullo el Índice RSI, desarrollado en colaboración con CoreWeave. Este índice innovador tiene como objetivo evaluar si diversos modelos son capaces de ejecutar las tareas de investigación esenciales para avanzar en el desarrollo de modelos, técnicas de compresión, metodologías de entrenamiento, estrategias de optimización de parámetros, prácticas de ingeniería de harness y evaluaciones posteriores al entrenamiento. Además, la empresa ha presentado ReverseEngBench, un proyecto desarrollado meticulosamente en asociación con instituciones académicas de renombre, incluyendo la Universidad de Columbia, la Universidad Tufts, la UC Berkeley y la UCLA. Este benchmark integral consta de 19 programas propietarios, que en conjunto promedian más de 16,000 líneas de código.
Estos programas abarcan una amplia gama de áreas, incluyendo protocolos de red, firmware, aplicaciones de juegos, procesos de recuperación de formatos de archivo y análisis de malware, todos los cuales están protegidos por un extenso conjunto anti-análisis diseñado para mejorar la seguridad. Los resultados preliminares indican una diferenciación significativa entre los modelos líderes de vanguardia, revelando un potencial considerable aún pendiente antes de que los agentes puedan reverse-engineer binarios realistas de manera consistente. Además de estos esfuerzos, también se ha iniciado trabajo en etapas tempranas en el ámbito de las aplicaciones de salud mental, con planes de expansión futura hacia áreas críticas como evaluaciones de impacto ambiental, aplicaciones militares y dominios de bioseguridad. Estas evaluaciones, orientadas hacia el riesgo, abordan capacidades cruciales tanto para mejorar la postura de seguridad empresarial como para las evaluaciones gubernamentales de sistemas de última generación.
Índice Vals 2.0 agrega el rendimiento ponderado por la contribución económica
El sitio web rediseñado y el Vals Index 2.0 ahora ofrecen una cobertura significativamente más amplia en diversos dominios, incluyendo finanzas, programación y tareas legales. Los pesos de sector utilizados en el Índice se derivan de los datos de valor agregado proporcionados por la Oficina de Análisis Económico. La fórmula compuesta empleada promedia las métricas de desempeño dentro de cada sector y posteriormente combina estos puntajes de sector según sus participaciones aproximadas en el PIB. A mediados de agosto de 2026, Claude Opus 5 lidera el Índice, seguido de cerca por Claude Fable 5 y GPT-5.6 Sol.
El índice se actualiza con frecuencia para reflejar los lanzamientos más recientes del modelo y sirve como métrica principal que indica el impacto económico potencial, permitiendo a los usuarios profundizar en los ranking individuales de cada dominio para obtener información más detallada. Debido a que los benchmarks subyacentes permanecen en gran medida privados y se actualizan periódicamente, el índice puede mantener su diferenciación durante un período más largo en comparación con los compuestos puramente públicos. Empresas e investigadores consultan este índice no solo para fines de clasificación relativa, sino también para realizar análisis de intercambio entre costo, latencia y capacidad en el ecosistema actual de modelos, asegurando que tomen decisiones informadas basadas en los datos más relevantes disponibles.
Patrones de adopción empresarial y la demanda de ROI cuantificable
Las implementaciones a gran escala de IA están integrando cada vez más evaluaciones Vals al seleccionar modelos base y al evaluar productos internos frente a métricas de desempeño de vanguardia. Esta combinación de tiempos de respuesta rápidos, especificidad de dominio e independencia aborda eficazmente los desafíos prácticos que enfrentan los equipos de adquisiciones y los líderes técnicos: las tablas de puntuación de proveedores por sí solas ya no son suficientes para tomar decisiones de alto riesgo.
El notable crecimiento de ingresos de ocho veces en comparación con todo el año 2025, junto con una base de clientes duplicada y un personal triplicado en solo seis meses, indica claramente que la demanda ha trascendido la fase inicial de experimentación para entrar en una etapa de dependencia operativa. Los gobiernos también se han involucrado con la plataforma para obtener valiosas perspectivas sobre la medición de capacidades y el riesgo cibernético, reforzando así su importancia tanto en contextos comerciales como de política. La capacidad de la plataforma para mantenerse al ritmo de los lanzamientos semanales de modelos asegura que la señal permanezca actual y relevante, en lugar de retrasarse varios meses respecto a la vanguardia.
Ecosistema y diferenciación estructural frente a plataformas basadas en preferencias
Otros esfuerzos de evaluación están efectivamente presentes en el entorno, incluyendo plataformas de votación por preferencia que agregan juicios humanos sobre salidas abiertas, así como enfoques psicométricos que buscan reducir significativamente el tiempo de evaluación. Vals se distingue mediante el diseño de tareas profesionales curadas por expertos, que garantiza alta relevancia y aplicabilidad, junto con una calificación automatizada meticulosamente calibrada para cumplir con los estándares establecidos del dominio. La empresa utiliza conjuntos de pruebas privados que se retiran continuamente para mantener la integridad de sus evaluaciones, y cuenta con un historial de citación demostrado por cada laboratorio frontal importante en el campo.
Este registro de cita sirve como una forma crucial de legitimidad que los nuevos entrantes deben esforzarse por ganar para obtener credibilidad. Además, el enfoque de la empresa en flujos de trabajo multietapa ponderados económicamente, en lugar de centrarse únicamente en la preferencia conversacional o la velocidad pura, la posiciona como una infraestructura vital para tomar decisiones de producción informadas, más que como un simple participante en listas de líderes de investigación. Los inversores han reconocido evidente y claramente esta diferenciación única, incorporándola en la impresionante valoración de $400 millones.
Inferencia para desarrolladores de modelos y la velocidad de la medición de capacidades
Los laboratorios de vanguardia ahora operan en un entorno donde las puntuaciones independientes tienen credibilidad externa que los números autodeclarados pierden cada vez más. La citación en las tarjetas de modelos indica a los compradores empresariales que los resultados han sido sometidos a un escrutinio de terceros. Al mismo tiempo, la creación continua de benchmarks más difíciles eleva la barrera que deben superar los modelos sucesivos. El proceso de “ascenso de colinas” que ha impulsado el progreso de la IA enfrenta, por lo tanto, un conjunto más empinado y actualizado con mayor frecuencia de colinas.
Los desarrolladores que consideran la evaluación como una reflexión posterior corren el riesgo de descubrir brechas de capacidad solo después del despliegue; aquellos que integran mediciones independientes desde el principio pueden priorizar mejoras que importan para el trabajo real. La apertura del código de componentes seleccionados de infraestructura fomenta aún más la reproducibilidad, al tiempo que protege las evaluaciones privadas centrales que generan las puntuaciones de mayor señal.
Necesidad más amplia del mercado de instituciones de medición confiables
A medida que los sistemas de IA se introducen más profundamente en procesos legal y financieramente relevantes, la ausencia de mediciones independientes genera los mismos riesgos de asimetría de información que históricamente dieron lugar a agencias de calificación y auditores en otras industrias. Las métricas de crecimiento de Vals y el nivel de sus inversores sugieren que el capital reconoce esta brecha institucional. La misión declarada de la empresa, actuar como evaluadora independiente de la inteligencia artificial, se alinea con los requerimientos prácticos de las empresas que buscan claridad en el ROI y de los formuladores de políticas que buscan comprensión sobre capacidad y riesgo.
La expansión continua a dominios profesionales y de riesgo adicionales pondrá a prueba si la metodología escala mientras conserva la independencia y la calidad de la señal. Por ahora, la combinación de los recientes lanzamientos de productos, la rápida adopción comercial y el compromiso de capital de alto perfil establece a Vals como un punto de referencia central para cualquiera que deba decidir qué modelos pueden realmente realizar el trabajo que importa.
Preguntas frecuentes
¿Qué anunció exactamente Vals AI en su ronda de financiación Serie A?
Vals AI cerró una ronda Series A de 40 millones de dólares con una valoración de 400 millones de dólares el 13 de agosto de 2026. Andreessen Horowitz lideró la ronda, con inversores existentes 8VC, Pear VC y Bloomberg Beta que regresaron, y nuevos inversores HRT Ventures y Next Ladder Ventures que se unieron. La empresa lanzó simultáneamente Vals Smith para benchmarks de codificación personalizada, el Índice RSI, ReverseEngBench, un Vals Index 2.0 ampliado y un sitio web reconstruido. Las declaraciones oficiales de Vals y a16z confirman las cifras y los lanzamientos de productos asociados.
¿En qué se diferencian los benchmarks de Vals de las listas públicas como MMLU o SWE-bench?
Vals se centra en flujos de trabajo profesionales de múltiples pasos definidos con expertos del dominio y evaluados por sistemas automatizados calibrados según estándares de expertos. Los conjuntos de prueba principales permanecen privados y se retiran cuando dejan de diferenciar modelos, reduciendo la contaminación y el juego de optimización. Los conjuntos académicos públicos a menudo se saturan o se filtran en los datos de entrenamiento, limitando su valor predictivo para tareas empresariales reales. El enfoque de Vals produce resultados en cuestión de horas tras el acceso al modelo y ya aparece en las tarjetas de modelos de importantes laboratorios.
¿Cuál es la importancia de la puntuación del 52 por ciento en las tareas de Finance Agent?
En mayo de 2026, el modelo líder logró aproximadamente un 52 por ciento de precisión en la suite Finance Agent v2, que requiere modelado de valor relativo, síntesis de documentos y recomendaciones fundamentadas. Esta cifra indica que incluso los sistemas más avanzados disponibles aún fallan aproximadamente la mitad de las tareas esperadas de un analista financiero profesional. Esta brecha entre los puntajes académicos y el desempeño en tareas profesionales es exactamente el problema que Vals busca medir y, de ese modo, ayudar a cerrar.
¿Quiénes son los fundadores y qué experiencia aportan?
El CEO Rayan Krishnan trabajó anteriormente en Palantir. El CTO Langston Nashold tiene experiencia en Meta, NVIDIA y Hudson River Trading. Ambos estudiaron ciencias de la computación en Stanford y comenzaron a colaborar en problemas de medición antes de fundar la empresa. Sus antecedentes combinan experiencia en sistemas de producción con perspectivas cuantitativas e investigativas que dan forma al énfasis de Vals en la evaluación rigurosa y adaptable.
¿Qué permite Vals Smith para las empresas?
Vals Smith permite que cualquier organización genere un benchmark de codificación personalizado directamente desde sus repositorios de GitHub. El sistema extrae tareas de desarrollo realistas de solicitudes de extracción históricas y aplica pruebas ocultas. Los usuarios comienzan con 120 créditos gratuitos. La herramienta convierte benchmarks de codificación genéricos en mediciones específicas de la organización que reflejan patrones de código propietarios y prácticas de ingeniería.
¿Cómo incorpora el Índice Vals el peso económico?
El índice agrupa el rendimiento en tareas financieras, de programación y legales, luego pondera los promedios del sector según sus contribuciones aproximadas al PIB de EE. UU. utilizando datos de la Oficina de Análisis Económico. El compuesto resultante proporciona una única medida general del impacto económico potencial, permitiendo al mismo tiempo una inspección detallada de los resultados individuales de cada dominio. La versión 2.0 amplió la cobertura y se actualiza con frecuencia para reflejar nuevos lanzamientos de modelos.
🔥 KuCoin ofrece una opción más estable en un mercado volátil
Si te preocupan los frecuentes altibajos del mercado y buscas una opción más estable para ganar dinero de forma pasiva, KuCoin es el lugar adecuado:
Simple Earn: Deposita y retira tokens en cualquier momento, obteniendo rendimientos estables.
KuCoin Earn: Gana beneficios estables con gestión profesional de activos.
Hold to Earn: Gana recompensas al mantener activos en Cuentas de Financiación, Operaciones, Margen, Futuros, Minería y Cuenta Unificada.
Staking: Desbloquea el potencial de ganancias de los activos en cadena.
Inversiones avanzadas: Las inversiones avanzadas ofrecen una variedad de productos estructurados para ayudar a hacer crecer tu dinero en cualquier mercado.
Shark Fin: Protección del principal y ganancias garantizadas
Inversión dual: Compra a bajo precio y vende a alto, con cálculos de rendimiento transparentes.
Bola de nieve: Rendimientos altos, con protección de precio.
Compra con descuento: Compra criptomonedas a precios con descuento.
KCS Loyalty: Sube de nivel para disfrutar de beneficios exclusivos al hacer staking de ≥ 1 KCS.
KuCoin Wealth: Descubre el valor futuro y comienza tu viaje de inversión inteligente.
Beneficios de KCS: Mantén y stakea KCS para acceder a beneficios en toda la plataforma.
KCS Staking 2.0: Participa en la gobernanza en cadena de KCS para obtener rendimiento.
Descargo de responsabilidad: Este contenido tiene fines informativos únicamente y no constituye asesoramiento de inversión. Las inversiones en criptomonedas conllevan riesgos. Por favor, realiza tu propia investigación (DYOR).
Aviso: Esta página fue traducida utilizando tecnología de IA para tu conveniencia. Para obtener la información más precisa, consulta la versión original en inglés.