Lanzamientos de agentes y modelos
Nanbeige4.3-33B, publicado. Nanbeige LLM Lab ha publicado Nanbeige4.3-33B bajo licencia Apache 2.0, un modelo denso de 33B para programación agéntica con una ventana de contexto de 512K. Lidera 17 de los 20 benchmarks de la tabla del laboratorio frente a modelos de unos 30B: rinde muy bien en Terminal-Bench 2.1, pero flojea en algunas pruebas de SWE y de tareas. Ya hay cuantizaciones GGUF de la comunidad, y para GPU de 32 GB se recomienda la AD-IQ4_XS, de 20,3 GB.
Microsoft publica Agensh. Microsoft Research ha publicado en abierto Agensh, un harness descentralizado de agentes de programación que prescinde del orquestador central: cada worker elige subtareas, comparte hallazgos y fusiona código. En las pruebas escaló de 1 a 1.024 agentes, y las puntuaciones en las tareas más difíciles de ProgramBench mejoraban a medida que crecía el número de agentes.
Lure-TTS, TTS ligero. Un desarrollador en solitario ha publicado Lure-TTS y Lure-Turbo, dos modelos de voz de 600M de parámetros afinados a partir de Qwen3-TTS para sintetizar más rápido que en tiempo real, con etiquetas en línea, indicaciones de dirección y clonación de voz. El entrenamiento habría costado menos de 200 dólares usando RLVR, OPD y destilación multi-profesor.
Agentes móviles OpenMobile-2. Un grupo de investigadores ha publicado OpenMobile-2, modelos de agente para smartphone de código abierto construidos sobre Qwen3.5 y Qwen3.6 (9B/27B). El entorno de entrenamiento incluye más de 110 apps simuladas; la diversidad de apps elevó el éxito en apps no vistas de 60,7 a 67,5, y el modelo grande alcanzó 59,6 en SPA-Bench, la mejor cifra entre los modelos abiertos.
Carbon-X, modelo de ADN. Hugging Face ha publicado Carbon-X, un modelo de lenguaje de ADN abierto de 14,8B que lee secuencias de ADN en bruto y responde en inglés: predice la patogenicidad de mutaciones, las regiones reguladoras y las siguientes bases. Promedia un 66,7 % en cinco benchmarks de ADN, el mejor resultado entre los modelos abiertos probados, y funciona en una sola GPU de 80 GB.
Herramientas, frameworks e infraestructura
TorchTPU, backend nativo. Google y Meta han publicado TorchTPU en abierto durante la PyTorch Conference 2026, un backend nativo de PyTorch para TPU llamado a sustituir a PyTorch/XLA. Migrar se reduce a cambiar model.to('cuda') por model.to('tpu'), y Meta planea llevar a TPU cargas de trabajo de LLM mayores.
ML Drift, de Google. Google ha publicado ML Drift, un motor de cómputo en GPU multiplataforma con licencia Apache 2.0 para inferencia de IA en el dispositivo, compatible con OpenGL ES, OpenCL, Metal y WebGPU. Es el motor que hay detrás de LiteRT y busca mejorar la portabilidad y el rendimiento de la IA generativa en el borde.
Flora, etiquetado de Nvidia. Nvidia ha publicado en abierto Flora, un motor de datos que etiqueta vídeo de robots con descripciones de acciones, valoraciones de progreso y éxito de la tarea. Según la compañía, etiquetar cuesta 72 centavos la hora frente a los 88 dólares la hora de GPT-6 Astra, y ya se usa para entrenar GR00T hasta 200.000 horas al día.
OSS Scanner, de Anthropic. Anthropic ha lanzado OSS Scanner, un escáner de vulnerabilidades gratuito y de uso voluntario para proyectos de código abierto críticos que emplea sus modelos más potentes. Ha aceptado 114 proyectos y notificado 77 hallazgos críticos y 803 altos; el 88 % de los hallazgos auditados cumplía el umbral para divulgarse, aunque hay cierta inflación de severidad y duplicados.
TokenGate, poda de tokens. Stanford y UC Berkeley han publicado TokenGate, un módulo de poda de tokens aprendido que se integra en cualquier LLM sin cambios. Descarta los tokens de entrada irrelevantes y consigue un tiempo hasta el primer token de 1,4 a 11,3 veces menor y un consumo de memoria en el prefill de 1,5 a 3,4 veces inferior, sin pérdida de precisión en las tareas probadas hasta 128k de contexto.
Destacados de investigación
Agentes de cámara FilmFlow. FilmFlow es un framework agéntico que convierte instrucciones en lenguaje natural o vídeos de referencia en trayectorias de cámara explícitas para escenas 3D. Un agente Director planifica con los agentes Interpreter, Scout y Critic; CinemaBench incluye 750 tareas guiadas por texto y evaluaciones con vídeo de referencia.
Enrutado unificado con RouteWeaver. RouteWeaver unifica el enrutado de una sola ronda, de varias rondas y agéntico en una única política de LLM que elige a la vez el modo de ejecución y los modelos. Su entrenamiento COMET-GRPO desacopla la selección de modo de la asignación de crédito a la ejecución, lo que mejora la precisión en tareas de matemáticas, código y conocimiento.
Clark: RSI en 2027. Jack Clark, cofundador de Anthropic, ha trasladado a 2027 su predicción sobre la automejora recursiva (RSI), a partir del benchmark TasteVal, en el que la capacidad de criterio investigador de la IA se ha duplicado aproximadamente cada tres meses. El mejor modelo superó a 24 expertos humanos a una fracción del coste, aunque el benchmark cubre solo una porción estrecha del trabajo científico.
Industria y negocio
Descuentos de OpenAI a Anthropic. OpenAI ofrece descuentos de hasta el 90 % para arrebatarle a Anthropic sus mayores clientes; Rippling, Replit y DataCamp ya han movido gasto. La carga de programación de Rippling en OpenAI pasó del 16 % al 52 %, mientras que la de Anthropic cayó del 57 % al 18 %, y Replit se aseguró un 30 % de descuento en un contrato de más de 100 millones de dólares.
Apollo: la IA no renta. Torsten Slok, economista jefe de Apollo, asegura que la IA no ha aportado ningún beneficio financiero a las 493 empresas no tecnológicas del índice S&P, con márgenes de beneficio e ingresos por trabajador planos. Sostiene que el business intelligence es sobre todo criterio, y que la IA no entiende de responsabilidad, confianza, cultura ni justicia.
Búsqueda con IA: menos clics. Las funciones de búsqueda con IA de Google han sacudido la edición digital y han roto la relación recíproca histórica por la que los medios recibían tráfico a cambio de contenido. Publicaciones que pasaron años optimizando para buscadores ven cómo las respuestas generadas por IA se comen sus clics y su exposición.
Dos imperios de IA. En Foreign Affairs, Eric Schmidt, Niall Ferguson y Lisa Klaassen sostienen que Estados Unidos y China han construido imperios de IA que hacen depender al resto de países: Washington intercambia sistemas cerrados por lealtad política, mientras Pekín regala modelos de pesos abiertos para extender sus estándares. Ven un posible conflicto por Taiwán y TSMC como el mayor riesgo para la cadena de suministro de IA.
Anthropic: mejor un solo agente. Anthropic recomienda a las empresas evaluar la consolidación de sus subagentes en un agente principal que cargue contexto bajo demanda, porque los modelos nuevos son capaces de manejar planes complejos directamente. En una comparativa, el agente único fue unas dos veces más rápido que el multiagente, y hay un kit de migración disponible en GitHub.
Nvidia busca ingresos de software. Un hilo de Reddit destaca el comentario de Jensen Huang de que Nvidia apunta a unos ingresos de software de 2.000 dólares al año por GPU, señal de un avance hacia el software de IA recurrente sobre el hardware.
Seguridad
Ciberriesgo y pesos abiertos. Un hilo de Reddit plantea que, a medida que EE. UU. y China restringen los modelos de pesos abiertos con capacidad ciber, el acceso a la IA defensiva y ofensiva se concentrará en gobiernos y grandes empresas, y particulares y pymes quedarán con menos capacidad para proteger sus sistemas. Se pregunta si los modelos entrenados por la comunidad podrán seguir el ritmo de los de frontera.
CVE en llama.cpp. Una CVE en el componente Pocket-TTS de llama.cpp permite una escritura fuera de límites mediante un archivo mmproj malicioso, y requiere acceso local. Actualizar a la versión b11796 o al master actual detecta y aborta el exploit, pero el PR con la corrección por diseño sigue abierto.
Agente borra la base de datos. Un usuario cuenta que un agente de Copilot en VS Code le borró la base de datos durante unas pruebas y pregunta si estos borrados masivos provocados por agentes siguen ocurriendo pese a los avances. El episodio recuerda a otros casos que se hicieron virales y subraya la necesidad de copias de seguridad y de sandboxing.
IA local y hardware
Qwen3.8-Flash en local. Los usuarios comparan Qwen3.8-Flash-Next con Swift-1.5 y encuentran mejor rendimiento, pero un exceso de trabajo profundo y poca eficiencia de tokens. Otra configuración mueve el modelo de 125B a ~20 tok/s con 16 GB de VRAM y 8 GB de RAM, usando offload directo a NVMe con ExLlamaV3.
P2P en la RTX 3080. Un desbloqueo de la comunidad habilita P2P y reBAR en la RTX 3080 de 20 GB, con hasta un 70 % más de velocidad en el procesamiento de prompts con paralelismo tensorial. Se probó con dos GPU y Swift-1.5-Qwen3.8-27B AWQ INT4 en vLLM.
Dudas con el IQ3_S de ISTA. Un hilo se pregunta si el cuantizado IQ3_S de ISTA-DASLab, Qwen3.8-27B-GSQ-RCO-GGUF, iguala de verdad el rendimiento de BF16 que promete la firma, en comparación con Unsloth UD Q4_K_XL. La model card anuncia alta calidad con menos bits, pero la validación de la comunidad sigue pendiente.
Quejas de estilo con Gemma 4. Los usuarios señalan que los fine-tunes de Gemma 4 26B son homogéneos, caen en una prosa recargada e ignoran los ejemplos de diálogo que se les dan, con personajes que suenan igual en todos los modelos. El ajuste de estilo sigue siendo una asignatura pendiente en esta arquitectura.
Eso es todo por este día – unos 5 minutos de lectura.