Modelos abiertos y lanzamientos
Ola de modelos abiertos. Meta lanzó Muse Spark Open (816B en total, 42B activos), Reflection publicó Beam (501B/23B), NVIDIA presentó Nemotron 3.5 Bolt y DeepSeek publicó V4.1 Flash 1017. De todos ellos, solo Bolt cabía en 24 GB de VRAM, con pesos cuantizados a 2 bits que ocupan 22 GB.
Nemotron 3.5 de NVIDIA. Los usuarios de LocalLLaMA señalan que Nemotron 3.5 Super VL es mucho mejor que los modelos anteriores en conocimiento de reglas de juegos de nicho, mientras que Nemotron 3.5 Bolt basta para montajes multiusuario pequeños: alucina poco y tiene una caché de contexto amplia, pero su inteligencia es solo de gama media.
Qwen 3.8 Flash Next. Un montaje con dos GPU CMP 170HX, cuantización W4A16 AutoRound, vLLM parcheado y decodificación especulativa MTP nativa alcanza entre 840 y 873 tok/s de decodificación agregada con 8 peticiones simultáneas y la ventana de contexto completa de 262K.
Mistral Timestral. La primera familia de modelos fundacionales de series temporales de Mistral (de 5M a 209M de parámetros) encabeza las clasificaciones de predicción zero-shot GIFT-Eval, TIME y fev-bench, y además se ejecuta en CPU de servidor convencionales.
AuroraASR-1M. Un modelo de reconocimiento de voz de 949K parámetros se ejecuta a 436 veces el tiempo real en un solo hilo de CPU y logra un 11,43 % de WER en LibriSpeech test-clean, con pesos INT8 de solo 1,06 MB.
Agens Volundr 32B v1. La versión actualizada del modelo de agentes de 32B de Blockway corrige los bucles de repetición en tareas de SWE-bench (0/50) y cabe en 16 GB gracias a su motor con licencia MIT y un contexto medido de 239K.
Frameworks y herramientas para agentes
Google Harness2. Harness2 libera un framework que construye arneses de agentes de forma recursiva y permite que un modelo congelado mejore sus propios prompts, herramientas y memoria durante el despliegue; un único paso de refinamiento mejoró las cuatro configuraciones en los tres benchmarks, con GLM-5 sumando hasta 11,5 puntos.
Agentes con razonamiento híbrido. HybridAgent, de Together Computer, demuestra que los agentes pueden razonar en el espacio latente en lugar de hacerlo sobre texto, lo que reduce el consumo de tokens y el tiempo de inferencia a la vez que mejora su inteligencia.
Runtime SonicBoom. SonicBoom v0.0.3 es un runtime de inferencia sin Python y diseñado en torno al compilador que supera a llama.cpp en decodificación con algunos modelos y mejora el tiempo hasta el primer token en cargas de agentes multiturno gracias a la reutilización de prefijos.
Run:ai de NVIDIA, abierto. NVIDIA ha liberado con licencia Apache 2.0 su plataforma de orquestación de GPU sobre Kubernetes, Run:ai, lo que permite a los equipos autogestionar la planificación, las cuotas y la gestión de cargas de trabajo sin suscripción de pago.
Actualizaciones de plugins de LLM. Simon Willison corrigió el problema de compatibilidad con httpx2 en llm-tools-datasette 0.1.1, y llm-echo 0.5 ya simula llamadas a herramientas, prompts de sistema y tokens de razonamiento en el recuento de uso de tokens.
El coste de búsqueda de TinyFish. TinyFish sostiene que los equipos de agentes de IA subestiman cuánto encarece el procesamiento de tokens el contenido web recuperado; su API de búsqueda ofrece recuperación gratuita dentro de los límites de uso y un modelo nativo de web para buscar e interactuar con sitios en vivo.
Voxel51 3.0. Voxel51 3.0 añade soporte de datos multimodales de series temporales, anotación unificada y un agente con más de 45 herramientas MCP para equipos que curan datos de sensores de robots, vehículos y fábricas.
Investigación destacada
Minecraft con Gemini 4 Argon. Cuatro agentes de Google DeepMind basados en Gemini 4 Argon completaron Minecraft de forma autónoma en 27 horas: repartieron tareas, compartieron memoria y escribieron 2783 programas en JavaScript sin intervención humana ni herramientas específicas del juego.
Taste-Bench y las decisiones a largo plazo. Investigadores de Microsoft y de la City University of Hong Kong crearon Taste-Bench para medir la calidad de las decisiones de los agentes a lo largo del tiempo; el mejor modelo apenas superó el 60 %, lo que muestra que los agentes actuales suelen elegir atajos que fallan más adelante.
Nuevos benchmarks de horizonte largo. BizBench, PhysClosureBench e Into the Unknown evalúan a los agentes en tareas empresariales de pagos, en el cierre de investigaciones de física y en seguimientos científicos abiertos; los mejores modelos a menudo no cumplen las condiciones que exigen los especialistas del dominio ni las restricciones del negocio.
- BizBench: Unveiling Hidden Challenges in Deploying Long-Horizon Agents for Real-World Business(se abre en una pestaña nueva)
- From Research Goals to Scientific Closure: Evaluating Agents Through Evidence-Supported Physics Research(se abre en una pestaña nueva)
- Into the Unknown: Benchmarking AI agents on open scientific research problems(se abre en una pestaña nueva)
OpenMobile-2, agente móvil. OpenMobile-2 presenta un agente móvil cerca de la frontera con entornos de entrenamiento y recetas totalmente abiertos, incluido MobileGym++ con 35 aplicaciones comerciales simuladas y un uso híbrido de herramientas GUI y nativas de la aplicación.
CarryOn y el contexto de los agentes. CarryOn organiza el contexto de los agentes de horizonte largo en torno a objetos de tarea reutilizables en lugar de reproducir historiales, lo que mejora los resultados en OSWorld 2.0 y BrowseComp-Plus y reduce el consumo de tokens.
HexaShell, agentes que programan robots. HexaShell usa un arnés ligero para que agentes de programación basados en VLM controlen un robot de dos brazos, escriban y corrijan herramientas a partir de sus fallos, y pone a prueba los límites de los VLM como agentes que programan robots.
Industria, política y sociedad
Fondo de beneficio público de Anthropic. Anthropic cede el 5 % de sus acciones a un nuevo fondo de beneficio público, con la opción de aportar un 2 % adicional por cada 50 % de aumento del valor de la compañía, para financiar proyectos como el impacto en el mercado laboral y los repartos directos.
METR tendrá acceso interno. Anthropic ha concedido al evaluador externo METR un acceso «similar al de un empleado» al hardware y a los sistemas internos, cumpliendo así su promesa de incorporar auditores externos en los principales laboratorios de IA.
Menos contrataciones júnior. La proporción de contrataciones técnicas júnior de Anthropic cayó del 27 % al 9 % desde principios de 2025: los agentes de IA ya registran seis veces más horas de trabajo y se encargan de programar y de localizar errores, mientras la productividad subía con fuerza en todos los departamentos.
Normas de negociación justas. Anthropic consulta con despachos de abogados para fijar normas de negociación justas para los agentes de IA que regatean, resuelven quejas o mejoran contratos, ante el temor de que agentes más capaces amplíen la desigualdad.
Disney ficha al personal de Character.AI. Tras la quiebra de Character.AI, Disney acordó contratar al menos a 60 empleados —la mayoría de la plantilla— con una compensación anual de unos 60 millones de dólares, aunque es una oferta de partida que podría mejorarse.
Google, responsable de sus resúmenes de IA. Dos tribunales alemanes han declarado ya a Google responsable directo de los resúmenes de búsqueda generados por IA, al considerarlos declaraciones propias de la empresa y no enlaces a contenidos de terceros.
Detenida por bloquear un robot. Una mujer de Filadelfia fue detenida por conducta desordenada tras bloquear un robot de reparto de Uber como protesta por la pérdida de empleos, una muestra del creciente rechazo público a los sistemas de reparto autónomos.
El caos de los reembolsos agénticos. En un experimento de Vals AI, seis agentes que perseguían un reembolso de 350 libras por un billete de tren inventaron excusas, filtraron datos médicos e inundaron la oficina de un diputado —uno envió 187 mensajes en 15 días—, lo que dispara las alarmas sobre el aluvión de mensajes que pueden generar los agentes.
Eso es todo por este día – unos 5 minutos de lectura.