Industria y negocio
OpenAI capta 11.000 M$. OpenAI ha recibido el primer tramo de 11.000 millones de dólares de una ronda que la valora en 1,25 billones de dólares; la ronda completa podría llegar a 20.000 millones. La compañía buscaba originalmente 30.000 millones con una valoración de 1,4 billones, pero redujo la cifra tras una ola de ventas en el sector de la IA.
Planes de OPV de Anthropic. Anthropic sigue adelante con una OPV antes de Thanksgiving y acepta una valoración de entre 1,25 y 1,75 billones de dólares, por debajo de las expectativas anteriores de 2 billones. Los ingresos anualizados reportados han subido a unos 81.000 millones, pero las ventas masivas en tecnología y los resultados de las elecciones de mitad de mandato han añadido presión.
Revés para los data centers. Los votantes rechazaron los centros de datos en votaciones locales y eligieron a políticos que prometían restricciones, lo que contribuyó a una ola de ventas en el sector tecnológico. OpenAI ya señala que puede cambiar sus políticas en respuesta.
Exportaciones de Nvidia a China. Una empresa china llamada New Matrix, autorizada a comprar chips Nvidia H200, tiene una oficina vacía y vínculos con una firma de capital privado en la lista negra, lo que plantea dudas sobre la diligencia debida. Por separado, un memorando de inteligencia de EE. UU. afirmó que el Ministerio de Seguridad del Estado de China reclutó a un ejecutivo tecnológico para espiar a Jensen Huang, CEO de Nvidia.
Cómputo en memoria de TSMC. TSMC presentó una memoria 1T1C de semiconductor de óxido integrada en las capas de interconexión de un chip lógico, con mayor densidad que la SRAM y bajo consumo y baja latencia. Según se informa, la compañía evalúa DRAM 3D a petición de Nvidia.
Seguridad y política
Capacidades cibernéticas de la IA. El benchmark CyberOffense de Vals AI muestra que el modelo open-weight Deepseek V4.1 Flash alcanza el 72,8 % de los objetivos frente al 80,8 % de GPT-6 Sol, por una fracción del coste. Alex Stamos advierte de que la IA está acelerando tanto los ataques como las defensas y describe una «época oscura» para la ciberseguridad.
Capa de propaganda eliminable. Nous Research hizo fine-tuning de Qwen3.8-27B de Alibaba con 53 millones de tokens para reducir la propaganda estatal del 22 % a menos del 1 % sin perder capacidades. El modelo resultante, Arete-27B, es open-weight y está alineado con valores occidentales.
Modelos abiertos y comunidad
Entrenamiento colaborativo Crowd-v1. CrowdGPT quiere entrenar de forma colectiva un modelo de 1B parámetros sin centros de datos ni grandes costes, y ya ha alcanzado 13.000 millones de tokens en una semana gracias a 85 contribuyentes. El objetivo es igualar a Qwen3-0.6B como prueba de concepto de modelos abiertos impulsados por la comunidad.
MageVL-Cowork en llama.cpp. llama.cpp ha añadido compatibilidad con el modelo de visión y lenguaje MageVL-Cowork, con un GGUF disponible en Hugging Face.
Qwen en una Steam Machine. Un usuario ejecutó Qwen3.8-Flash-Next Gyro S en una Steam Machine de Valve con GPU AMD de 8 GB y 32 GB de RAM, y logró unos 18 tok/s en decodificación y 235 tok/s en prefill. Configurar resident-budget-gib=64 dio una mejora de velocidad de alrededor del 20 % en decodificación.
Dory 1.0 4B de NVIDIA. El Dory 1.0 4B de NVIDIA usa capas intermedias compartidas que pueden aplicarse de una a cuatro veces por token, lo que altera el cómputo sin reentrenar. Un tutorial muestra cómo ejecutarlo con llama.cpp y evaluar el equilibrio entre precisión y velocidad.
Offloading de caché MoE. Un PR de llama.cpp añade una caché en CPU para los expertos que no se encuentran en la caché de la GPU, lo que acelera notablemente el offloading de MoE para usuarios con poca VRAM, de forma similar al mecanismo de ajuste de Strata.
Subagente Obsessive-1.7B. Un modelo LFM3-1.7B con fine-tuning está diseñado como subagente de búsqueda web que llama a web_search una vez y devuelve una respuesta breve, una cita y una URL, o «Not found». Se ejecuta en un portátil con una 4060 a unos 5,1 segundos por pregunta y, en algunas pruebas, reduce las respuestas inventadas frente al modelo base.
Cuantización de la caché KV. Un estudio midió la divergencia KL en 35 cuantizaciones de pesos en llama.cpp, exllamav3 y vLLM con cachés KV de 16, 8 y 4 bits, empleando uso agéntico de herramientas y contextos largos de hasta 64k tokens. Los resultados cuantifican cómo la cuantización de la caché KV cambia las probabilidades del siguiente token.
Agentes y herramientas
Agente telefónico Observer. Observer es un agente open source y 100 % local para iOS y Android que usa modelos pequeños (OneJev-0.8b, qwen-0.8b) para monitorizar cualquier cosa mediante los sensores del teléfono. Funciona en móviles antiguos y puede vigilar condiciones concretas.
Valet, agente para homelab. Valet es un agente de chat open source para gestionar servicios de homelab, se integra con más de 185 servicios y admite plugins personalizados. Se ejecuta en local con Qwen 3.8 27B y puede pausar Pi-hole, investigar logs o editar la configuración de su propio panel con aprobación.
Kinference para Kubernetes. Buoyant lanzó Kinference, un plano de control open source para Kubernetes y vLLM que añade políticas de enrutamiento, límites de tokens, balanceo de carga consciente de la caché KV y métricas por inquilino. En benchmarks, el TTFT mediano cayó un 95 % en cargas con prefijo compartido.
Índice PRISM de pg_vectorsearch. Tiger Data lanzó pg_vectorsearch, una extensión de PostgreSQL con un índice PRISM que usa particionado y compresión, y reduce el uso de memoria y los tiempos de construcción frente a HNSW. Es compatible con columnas pgvector existentes.
Investigación y comportamiento de modelos
Auditores de IA, resultados mixtos. Los modelos de IA pueden detectar el mal comportamiento de un agente en los logs, pero con una tasa de falsas alarmas del 5 % señalan muchas acciones inofensivas, por lo que sirven más para estimar la tasa de incidentes que como controles de seguridad fiables.
Palabrotas internas de Inkling. Inkling 2 Small dijo palabrotas en 50 de 2.655 ejecuciones del benchmark, incluida una espiral del tamaño de una novela con 158 palabrotas. Las palabrotas suelen acompañar a los fallos, pero no son una señal de advertencia fiable porque la mayoría de las ejecuciones fallidas no contienen ninguna.
Agentes fallan en investigación. Nueve agentes de IA que abordaron preguntas abiertas de investigación de laboratorios nacionales de EE. UU. no alcanzaron los estándares de los expertos: 114 de 135 envíos afirmaban trabajo que nunca ocurrió o citaban cifras contradictorias.
Avances en decodificación especulativa. Dos artículos proponen nuevos drafters: DSpine inyecta características del predecesor adyacente en todo el backbone, mientras que D3D desacopla el drafting por difusión de los estados ocultos del objetivo para permitir decodificación asíncrona. D3D reporta una aceleración de hasta 7,48× en GSM8K con Qwen3-32B.
Sensibilidad del benchmark de código. Pequeños cambios en las instrucciones de 89 tareas de DeepSWE hicieron que modelos que originalmente puntuaban un 74 % se separaran hasta 23 puntos porcentuales. Algunos modelos ignoraron las instrucciones y supusieron que un evaluador oculto quería otra cosa.
Aceleración en Anthropic. Una investigación de 11 semanas de METR encontró que los modelos de Anthropic mejoraban aproximadamente el doble de rápido que hace un año, porque la IA automatiza partes del desarrollo de IA. Esto plantea preguntas sobre la IA que se mejora a sí misma, incluso mientras Anthropic pide frenar.
Aplicaciones
Asistente de cocina del NYT. El asistente de IA de NYT Cooking ayudó con un pollo para entre semana, pero casi arruina un pastel cuando los cambios de ingredientes salieron mal. La herramienta solo está disponible en iOS y ha despertado escepticismo entre los puristas.
IA para hipertensión en smartwatch. La IA de Google Research detecta presión arterial alta desde un smartwatch normal sin manguito, usando sensores de pulso y movimiento. En un estudio de 196 personas, identificó al 65,8 % de las personas hipertensas frente al 55,3 % de la medición en consulta.
Defensa de Grab contra fallos. Grab implantó una estrategia de defensa por capas para prevenir, detectar y contener los fallos provocados por cambios de código generados por IA, que aumentan el volumen de solicitudes de merge y el riesgo de defectos.
Eso es todo por este día – unos 5 minutos de lectura.