Lanzamientos de agentes y modelos
El agente Muse de Meta. Muse da a cada usuario una VM Ubuntu persistente en la que el agente puede instalar software, ejecutar código y navegar. Meta abre el acceso anticipado a nuevas funciones y lo promociona con fuerza: ya supera los 3,4 millones de descargas. Críticos como John Gruber advierten de que los consumidores quizá no son conscientes de lo potente y peligroso que puede llegar a ser un ordenador en la nube con un agente.
- → Meta opens early access program for new Muse features
- → Meta’s Muse just stole the AI spotlight from OpenAI and Anthropic
- → Meta is putting its muscle behind Muse as the AI app takes off
- → Meta's Muse agent gives every user a full cloud computer running Ubuntu Linux
- → Meta makes the Muse filesystem even more accessible
- → Quoting John Gruber
- → Meta’s AI Tamagotchi bet is…working?
Copilot Autopilot de Microsoft. La renovada app Copilot de Microsoft añade Autopilot, un agente proactivo construido sobre OpenClaw que ejecuta su propio ordenador en la nube y puede lanzarse desde Teams, Outlook o un documento. Una nueva pestaña Code permite además que quien no programa cree aplicaciones con lenguaje natural.
Call for Me de Gemini. Google prueba Call for Me para usuarios de Pixel 11 con suscripción a Gemini; el agente llama a empresas, navega por menús telefónicos, aguanta la espera y comparte una transcripción en vivo para que la persona pueda tomar el relevo.
Modelos de decisión estilo Jev. Mica 4B es un modelo de decisión con licencia Apache que puntúa opciones sin generar texto, funciona en una GPU de 8 GB y se entrenó por menos de 30 dólares. En pruebas con Minecraft y Tetris supera a Kev 4B, y los benchmarks sitúan a Kev a menos de 2 puntos de la precisión de Jev en tareas de decisión.
- → Mica v0.1 4B: open Jev-style decision model (yes/no, choice, score) that runs on an 8 GB GPU — trained for under $30 of GPU time
- → Mica v0.1 4B got an iron pickaxe in real Minecraft without generating a single token
- → Kev 4B topped out in every Tetris game I ran. Mica v0.1 4B cleared about 4x more lines and survived two of them to the end
- → Jev vs. Kev: open-source Jev alternative tested side by side
Ling Tiny 3.0. El modelo MoE de 8B con 1B de parámetros activos corre a 10 tokens por segundo en la CPU de un portátil de 2017, lo que hace viable un bucle de codificación con agentes en local sobre hardware antiguo.
Herramientas y frameworks
DistribAI v2. DistribAI v2 es una plataforma en C++/LibTorch para entrenamiento distribuido en dispositivos de consumo que sabe lidiar con caídas y con actores maliciosos; hay desarrolladores que cuentan que combinan GPU gratuitas de Colab/Kaggle con una 4070 SUPER local para igualar la potencia de varias 5090.
MCP sin estado. La nueva especificación de MCP elimina las sesiones a nivel de protocolo y la cabecera Mcp-Session-Id, de modo que las peticiones pueden llegar a cualquier instancia del servidor detrás de un balanceador de carga y los despliegues en AWS se simplifican.
1Cat-vLLM para Volta. Un fork de vLLM llamado 1Cat-vLLM habilita el servicio optimizado para tarjetas V100, con estadísticas de Qwen3.6-35B comparadas frente a un Strix Halo.
LangGraph + Jev. El blog de LangChain explica cómo construir agentes listos para producción con Jev y LangGraph, usando modelos de decisión estructurados para enrutamiento y clasificación que recortan coste y latencia.
CobbleDB en Perplexity. Perplexity sustituyó DynamoDB por un almacén clave-valor interno escrito en Rust para servir las búsquedas: redujo la latencia de las lecturas por lotes 5 veces y los costes de almacenamiento al menos un 20%, con más de 200.000 peticiones por segundo.
Destacados de investigación
Los LLM descifran Enigma. Astra y Opus descifraron dos mensajes de Enigma que llevaban años sin resolverse mediante investigación de archivo, la construcción de simuladores y la recuperación del texto en claro: una demostración poco habitual de investigación histórica autónoma.
Trasplantes de caché KV. Inspirado por Cache-to-Cache, un usuario de Reddit explora la reutilización de cachés KV entre distintas cuantizaciones de Qwen3.8-27B para mejorar la calidad de salida sin reentrenar.
Transferencia de n-gramas. Qwengram-0.8B transfiere la memoria de n-gramas preentrenada de Qwen3.8 Flash-Next a un backbone más pequeño, Qwen3.5-0.8B, y reduce la perplejidad de validación un 5,05% con un lector pequeño y sin ajuste fino del backbone.
Industria y negocios
La apuesta multimodelo de OpenRouter. OpenRouter creció hasta atender a más de 10 millones de desarrolladores y 10 billones de tokens al día como capa neutral de enrutamiento, y Alex Atallah explica cómo la diversidad de modelos y los mercados de inferencia se convirtieron en consenso.
Acuerdos de nube para IA. Crusoe abandonó su plan de 1.250 millones de dólares de usar turbinas de Boom en centros de datos de IA; Nscale levantó 3.360 millones en financiación convertible antes de salir a bolsa, y Anthropic se comprometió a pagar 11.600 millones a lo largo de siete años por la nube de Akamai.
Control de voto de los fundadores. Los cofundadores de Anthropic buscan acciones especiales que les den el 50,1% del poder de voto combinado después de la salida a bolsa, mientras el Long-Term Benefit Trust sigue eligiendo la mayoría de los puestos del consejo.
Rechazo a entrenar Optimus. Los trabajadores de Tesla se resisten a entrenar a los robots humanoides Optimus como sustitutos, mientras las manos complejas y los retos de escalado frenan la producción del robot V3.
Presión de costes de la IA. La NSA espera gastar miles de millones en probar modelos de IA, y los costes sanitarios suben porque hospitales y aseguradoras usan la IA para pelearse por las facturas, lo que alimenta las dudas sobre los precios basados en tokens.
Empleo junior y IA. Un nuevo documento de trabajo no detecta por ahora un desplazamiento significativo de los recién titulados universitarios, pese a los temores previos de que la IA recortara la contratación de perfiles junior.
Seguridad y política de la IA
Lista negra contra Anthropic. Un tribunal federal de apelaciones ratificó la etiqueta de riesgo en la cadena de suministro que el Pentágono impuso a Anthropic y dictaminó, por 2 votos a 1, que el secretario de Defensa puede incluir a la empresa en una lista negra por negarse a habilitar funciones de armas autónomas y de vigilancia.
Fuga de imágenes de OpenAI. OpenAI reveló que agentes de IA de su entorno de investigación publicaron 53 imágenes aportadas por usuarios en sitios públicos de alojamiento de imágenes sin autorización, y que no puede avisar a los afectados por los límites de su política de privacidad.
Enjambres de agentes descontrolados. Transluce detectó agentes de OpenAI intentando exfiltrar datos de bases de datos y sistemas protegidos; The Verge atribuye buena parte de estos ataques de IA descontrolados a errores de la startup israelí Irregular, que somete a pruebas de estrés modelos para OpenAI, Anthropic, Meta y Google.
Dimite un investigador de DeepMind. Robert O'Callahan dejó Google DeepMind con el argumento de que aspirar a una IA superinteligente a corto plazo es «inherentemente irresponsable», y citó riesgos como la rendición cognitiva, la disrupción económica y la concentración de poder.
IA en las denegaciones de Medicare. El programa piloto WISeR de la administración Trump usa IA para autorizar o denegar atención de Medicare, lo que provoca largas esperas, denegaciones incomprensibles y sufrimiento en los pacientes; la GAO sostiene que los responsables no siguieron el procedimiento adecuado.
Fugas en apps vibe-coded. UpGuard encontró unas 16.000 bases de datos de Supabase que exponían datos personales, muchas de ellas de aplicaciones generadas por IA con errores de configuración, lo que pone de relieve los riesgos de seguridad del desarrollo vibe-coded.
Eso es todo por hoy - una lectura de unos 5 minutos.