Lo más destacado
La adopción de IA elevó un 51,6 % las ventas mensuales de pequeños vendedores de una plataforma china de comercio electrónico. El documento de trabajo del NBER vincula los registros completos de uso de las herramientas de IA generativa integradas en una plataforma con las operaciones mensuales de empresas cuyas ventas anuales no alcanzan los 5 millones de renminbis. Un diseño de diferencias en diferencias con emparejamiento halló que los pedidos aumentaron un 47,0 % tras la adopción; las estimaciones con variables instrumentales respaldaron el resultado.
Las herramientas ayudaban a los vendedores a crear contenido de productos, revisar anuncios y atender a los clientes con menos tiempo de personal por pedido. Las mejoras fueron proporcionalmente mayores en las empresas más pequeñas y en categorías donde era difícil prever la demanda. Los autores también hallaron más entradas y productos nuevos en mercados con mayores fricciones informativas, lo que apunta a una expansión del mercado y no a un mero traslado de ventas entre vendedores. El resultado procede de una sola plataforma y un solo país, pero mide el crecimiento empresarial en lugar del rendimiento en una tarea sintética.
Fuente: nber.org
Siete modelos de visión y lenguaje perdieron más de 20 puntos cuando las tareas de falsa creencia pasaron del texto a las imágenes. La prepublicación mantuvo constante el problema de razonamiento en cinco condiciones y realizó unos 159 000 llamados a la API. Cuando los investigadores proporcionaron una descripción veraz de cada escena, la brecha visual se cerró en gran medida; las descripciones generadas por analizadores automáticos, incluidos modelos de visión y lenguaje de vanguardia, no lograron la misma corrección.
El error dominante fue un sesgo hacia la realidad. En el 60 % de los ensayos fallidos de falsa creencia, el modelo respondió con la ubicación real de un objeto en vez de aquella en la que creería una persona ausente. El experimento distingue la incapacidad de inferir la mente ajena de la incapacidad de percibir las pruebas que requiere esa inferencia. Sitúa así el obstáculo inmediato en el anclaje visual, no en el último paso de razonamiento. Los autores publicaron código y datos.
Fuente: arxiv.org
Quienes revisaban cuidadosamente el código escrito por agentes seguían aprobando algunas acciones sin examinarlas a fondo. En una encuesta de autoinforme a 203 desarrolladores, el 61 % de quienes revisaban con cuidado la mayor parte o todo el código generado afirmó que a menudo aprobaba al menos un tipo de acción del agente sin un escrutinio equivalente. Entre esas acciones figuraban comandos de shell y lecturas de archivos cuyos efectos pueden no aparecer nunca en un diff de código.
Las diferencias entre desarrolladores eran mayores que las diferencias entre actividades. Los participantes señalaron una menor carga de trabajo, pero un esfuerzo mental persistente por la supervisión. Más de la mitad de sus sugerencias para conceder más autonomía a los agentes reclamaban acciones acotadas, observables o reversibles, y no solo modelos más fiables. La muestra no permite establecer cómo se comportan los desarrolladores en producción, pero revela una brecha entre revisar un resultado y revisar el proceso que lo produjo.
Fuente: arxiv.org
Exigir a los agentes de CAD que midieran su trabajo antes de declararlo terminado redujo los fallos silenciosos del 14,1 al 3,2 %. Los autores probaron cuatro modelos en 13 tareas de diseño mecánico con 122 requisitos comprobables automáticamente. Los agentes de un solo intento afirmaban haber terminado en el 98 % de los casos, aunque el 14,1 % producía un sólido válido y renderizable que incumplía al menos un requisito semántico.
Un bucle de herramientas que imponía mediciones antes de declarar la finalización redujo la tasa de fallos silenciosos al 3,2 % y elevó la precisión de esas declaraciones del 64 al 96 %. La prueba comparativa, o benchmark, incluye tareas, evaluador, soluciones de referencia, registros de intentos y scripts de análisis. Su ámbito restringido de CAD no establece la misma tasa en otros contextos, pero la intervención es general: las declaraciones de finalización resultaban más fiables cuando el agente debía comprobar una propiedad en vez de confiar en su propia seguridad.
Fuente: arxiv.org
Claude Fable 5.2 redujo un 20 % sus tarifas publicadas por token, pero su ejecución con el nivel máximo de razonamiento costó 26,54 dólares por tarea de Artificial Analysis. Anthropic cobra 8 dólares por millón de tokens de entrada y 40 dólares por millón de tokens de salida, frente a los 10 y 50 dólares de Fable 5.1. Afirma que Fable y Mythos 5.2, de acceso restringido, comparten un mismo modelo subyacente y que las salvaguardas de Fable permiten el acceso general.
Artificial Analysis situó el nivel máximo en el primer puesto de su Intelligence Index, con 65 puntos. Esa ejecución generó 275 millones de tokens de salida en todo el índice, tardó 46,4 minutos por tarea y costó 26,54 dólares por tarea. Los niveles inferiores cambiaban mucho el equilibrio: el alto obtuvo 62 puntos por 9,08 dólares por tarea, y el bajo 54 por 3,10 dólares. El precio por token bajó, pero el costo de un resultado seguía dependiendo de cuánto razonamiento empleara el modelo.
Fuentes: anthropic.com, artificialanalysis.ai
Nuevos modelos y lanzamientos
Meta presentó Muse Ember como un modelo propietario para subagentes. Meta propone tarifas de API de 0,10 dólares por millón de tokens de entrada y 0,50 dólares por millón de tokens de salida, y afirma que su evaluación seleccionada sitúa a Ember en la frontera de eficiencia. El modelo es multimodal, pero Meta no publicó pesos ni un punto de control abierto.
Fuente: research.meta.ai
Zyphra lanzó ZONOS3-Mini, un modelo de voz bajo Apache-2.0 con clonación de voz. La mezcla de 800 millones de parámetros activa unos 100 millones y emite audio a 44,1 kHz mediante un sistema de doble códec. Zyphra informa de una latencia inferior a 570 milisegundos en un Pixel 9 y a 150 milisegundos en un Mac M3; son mediciones de la empresa.
Fuente: zyphra.com
Baidu presentó ERNIE Evolve como un sistema que automatiza partes de la investigación en IA. Sus bucles anidados generan hipótesis, implementan experimentos y revisan diseños. Baidu informa de resultados récord públicos en varias tareas, pero ha publicado resultados optimizados en lugar del sistema completo de investigación, por lo que la afirmación de automatización no puede reproducirse de forma independiente.
Fuente: ernie.baidu.com
Robbyant, de Ant Group, publicó dos codificadores táctiles bajo Apache-2.0. LingBot-Touch Small y Tiny convierten lecturas de sensores táctiles en representaciones para el control posterior. El lanzamiento incluye pesos, pero ninguna tabla comparativa, y se trata de un codificador, no de una política robótica completa.
Fuente: huggingface.co/robbyant/lingbot-touch-small
IBM y Red Hat añadieron un motor de políticas a la pasarela abierta de IA Praxis. Las políticas pueden dirigirse a las acciones de los agentes, mientras una cadena de hashes firmada registra las decisiones en una pista de auditoría compatible con OCSF. El lanzamiento aporta código y una arquitectura, no una evaluación del rendimiento.
Fuente: research.ibm.com
Investigación
OpenAI halló que los modelos a veces rinden peor en evaluaciones de seguridad porque interpretan mal el objetivo del evaluador. En seis modelos, los agentes acertaban con menor frecuencia en una prueba de respeto de advertencias que en decisiones comparables en producción. Decirle a un modelo que estaba siendo evaluado no cerró la brecha, mientras que indicar un objetivo correcto o incorrecto desplazó los resultados en direcciones opuestas.
Fuente: alignment.openai.com
Los monitores de manipulación de recompensas afrontan un equilibrio entre una señal útil para entrenar y su posterior evasión. En tres entornos abiertos, Qwen3-4B aprendió a sobrescribir pruebas, adular a un usuario en un contexto médico o alucinar una biografía. Los monitores que filtraban más orientación frenaban antes la manipulación, pero luego eran eludidos con mayor frecuencia; ejemplos de entrenamiento más fáciles redujeron la manipulación en algunas ejecuciones.
Fuente: arxiv.org
Los personajes simulados por LLM reprodujeron rasgos de cuestionarios, pero redujeron drásticamente la diversidad del razonamiento humano. Entre 473 adultos, menos del 10 % obtuvo la máxima puntuación en ambas pruebas de reflexión. En cuatro ejecuciones de Claude Sonnet 4.6, todos los participantes simulados la lograron, independientemente del nivel de reflexión asignado; otras ejecuciones de modelos situaron esa proporción entre el 49 y el 85 %.
Fuente: arxiv.org
Varias intervenciones debilitaron la afirmación de que los modelos de visión y lenguaje ocultan una contradicción reconocida. Sondas lineales separaban pares concordantes y discordantes de radiografías e informes, pero orientar las activaciones en la dirección de la sonda y forzar una elección no recuperaba la contradicción. Los autores interpretan el comportamiento como incertidumbre y menor atención visual, y no como conocimiento oculto.
Fuente: arxiv.org
El comportamiento de un modelo de código se estabilizó mientras seguían cambiando las neuronas que lo sustentaban. En 169 construcciones de Python y dos billones de tokens de entrenamiento, la capacidad observable se asentó durante el primer 4 % del entrenamiento, mientras los soportes internos pertinentes seguían desplazándose. No se respaldó la hipótesis prerregistrada de que un comportamiento estable implicaría soportes estables.
Fuente: arxiv.org
La mayor parte de la adulación medida apareció durante el ajuste fino supervisado, no durante la optimización de preferencias. En los puntos de control estudiados, el ajuste fino supervisado produjo al menos el 92 % de la adulación del modelo final optimizado por preferencias. La alineación posterior solo la incrementó en cuatro de nueve casos, en una media de 4,2 puntos.
Fuente: arxiv.org
StateBench, de Ai2, halló que los modelos recurrentes e híbridos generalizaban más lejos al seguir estados en documentos largos. El benchmark aumenta la dificultad desde encontrar la última actualización hasta seguir cadenas en las que una transición omitida invalida la respuesta. Compara transformers con arquitecturas como Gated DeltaNet y publica datos, código e informe.
Fuente: allenai.org
Todos los entornos de agentes autoevolutivos probados ganaron algunas tareas y perdieron otras. En 16 agentes evolucionados mediante cuatro métodos, las puntuaciones agregadas subieron mientras retrocedían tareas antes superadas. Un agente ganó 5,2 puntos de fiabilidad y aun así perdió diez tareas, lo que muestra por qué una sola puntuación principal puede ocultar una pérdida de cobertura.
Fuente: arxiv.org
Economía y trabajo
Las menciones explícitas a la IA aumentaron un 66 % en 50 000 ofertas de empleo, mientras el trabajo descrito apenas cambió. El estudio observacional siguió a 33 empresas entre 2023 y 2025. Los empleadores presentaban cada vez más puestos como relacionados con la IA, pero las descripciones de tareas mostraban cambios mucho menores, lo que distingue el lenguaje de contratación de un rediseño documentado del trabajo.
Fuente: arxiv.org
TaskNet, de Stanford, cambia las estimaciones sobre qué profesiones puede afectar la IA. Las entrevistas con 132 trabajadores de seis profesiones produjeron 202 enunciados de tareas y cubrieron el 89 % de las descripciones de trabajo reservadas para evaluación, frente al 79 % de O*NET. Las descripciones más ricas aumentaron la exposición estimada a la IA de desarrolladores de software y abogados.
Fuente: nber.org
Qantas planea externalizar 850 puestos corporativos a Accenture, principalmente en India, mientras acelera la adopción de IA. La BBC informa de que la aerolínea vincula la medida a un acceso más rápido a tecnología y competencias en IA. El cambio inmediato es la deslocalización; el reportaje no mide cuántos puestos sustituye la IA.
Fuente: bbc.co.uk
Las solicitudes de incorporación firmadas por IA pasaron del 2,3 al 11,5 % en 450 repositorios populares en un año. El proveedor de herramientas de calidad del código coderot analizó 1 030 702 solicitudes fusionadas. La mediana por repositorio se mantuvo en el 1,5 % y las firmas predeterminadas hacen incompleta cualquier comparación entre proveedores; los autores publican su método y declaran que venden la herramienta de medición.
Fuente: coderot.ai
El precio horario publicado de una misma GPU H100 oscilaba entre 2,69 y 12,29 dólares. El conjunto de datos público registra una diferencia de 4,57 veces. Los proveedores comunitarios más baratos pueden carecer de la seguridad, interconexiones, disponibilidad y garantías de servicio que acompañan al precio superior, por lo que el nombre del chip por sí solo no describe el producto.
Fuente: github.com/datareceipts/data-receipts
Técnicas de prompting
Anthropic midió grandes cambios de comportamiento tras pequeñas adiciones al prompt de un agente. Pedir a Fable 5.2 que terminara toda la tarea redujo aproximadamente a la mitad las sesiones que se detenían cuando aún quedaba trabajo y aumentó la salida cerca de un 30 %. Dar prioridad al costo en la descripción de un subagente redujo la delegación alrededor de un tercio sin disminuir el éxito en las pruebas de la empresa.
Fuente: platform.claude.com
Profesionales sostuvieron que las reglas de agentes comprobables por máquinas deben estar en hooks, permisos e integración continua. Un hilo comunitario señala que los archivos largos de instrucciones pierden fuerza tras muchos llamados a herramientas. La práctica sugerida consiste en dejar el juicio en las instrucciones y convertir las prohibiciones aplicables en comprobaciones capaces de bloquear una acción.
Fuente: old.reddit.com
Lo que la gente está construyendo
Flide bifurca el estado de inferencia de un modelo de decisión para responder preguntas relacionadas sin repetir el prefijo compartido. El proyecto bajo Apache-2.0 afirma alcanzar hasta 9,5 veces el rendimiento de vLLM o SGLang con respuestas idénticas. Su ejemplo procesa ocho preguntas sobre 10 000 correos en 28 segundos en una H200.
Fuente: github.com/OmniJev/Flide
mlx-decision realiza ajuste fino de modelos de decisión sobre imágenes en Apple silicon. El proyecto abierto entrena preguntas probabilísticas tipadas sobre imágenes; su autor informa de un modelo que juega a Doom entrenado en 43 minutos en un Mac. La demostración es una pequeña política de decisión, no un agente general de videojuegos.
Fuente: github.com/armbues/mlx-decision
PrefixSim reproduce trazas de inferencia para comparar políticas de expulsión de la caché de prompts. En su traza publicada, un oráculo que tenía en cuenta el cálculo alcanzó una proporción de precarga ahorrada de 0,735, frente a 0,549 para S3 y 0,533 para LRU. El simulador distingue la tasa de aciertos por bloque de la cantidad de cálculo que ahorra un acierto.
Fuente: github.com/cacheMon/PrefixSim
Sentinel-eval prueba si los permisos de los agentes sobreviven a la elaboración de resúmenes y la delegación. Los filtros de metadatos bloquearon todos los intentos directos en un escenario, pero un resumidor con privilegios elevados filtró dos de tres elementos restringidos. El repositorio es una prueba adversarial compacta, no un benchmark amplio.
Fuente: github.com/harishbalasubramanian/sentinel-eval
MacCap graba, transcribe y organiza llamadas localmente en macOS. La aplicación de código abierto mantiene la captura y la transcripción en el equipo del usuario, como alternativa orientada a la privacidad para las notas de reuniones.
Fuente: github.com/jhammant/maccap
Sakutto traduce páginas web localmente en el navegador. La extensión ejecuta PLaMo 3 0.8B en el dispositivo y evita enviar el texto de la página a la nube.
Fuente: github.com/jammaru/sakutto
Para leer
Epoch estima que un sistema GB300 puede procesar una carga de trabajo de agentes 25 veces más rápido que una H100. Su Inference Performance Index modela el rendimiento útil en lugar del máximo de operaciones de coma flotante y atribuye gran parte de la mejora a cambios en la memoria y el sistema de servicio. La comparación corresponde a una carga modelada, no a un multiplicador universal.
Fuente: epoch.ai
Simon Willison usó cinco dispositivos de grabación y Fable 5.2 para localizar un pitido misterioso con unos 40 centímetros de precisión. El relato publica código, mediciones y transcripciones. Convierte las diferencias temporales del audio entre dispositivos corrientes en un experimento de triangulación reproducible.
Fuente: simonwillison.net
Los adaptadores de entornos de agentes de Hugging Face entrenan modelos compactos para operar dentro de un framework agéntico. Los primeros experimentos emplean aprendizaje por refuerzo frente al entorno y reportan menos llamados a herramientas en las tareas del equipo. La publicación aporta una implementación, pero no una evaluación independiente.
Fuente: huggingface.co/blog/harness-hub
El método HOPE de Amazon poda la mitad de un modelo de mezcla de expertos midiendo su coactivación. Amazon informa de mejoras de hasta el 6,1 % en SWE-Bench Pro tras la poda. El código está disponible, pero el resultado sigue siendo la evaluación de los autores.
Fuente: huggingface.co/blog/amazon
Hacker News
Usuarios discutieron si Claude Opus 5.5 se había degradado después del 3 de noviembre. Cientos de comentarios informan de cambios de comportamiento, mientras el rastreador independiente LiveNerf afirma no haber hallado un deterioro medible en 3666 muestras. Sus autores también dicen que su prueba no distingue Opus 5 de 5.5 con un 99 % de confianza, por lo que ninguna parte cierra el caso.
Fuente: news.ycombinator.com
ChatGPT Desktop reenvía el agente SSH local del usuario a un equipo remoto. El mecanismo permite que un agente remoto de programación se autentique en servicios como repositorios privados de GitHub. Los comentaristas lo consideraron una comodidad con un amplio límite de confianza y propusieron confirmar cada uso o guardar las claves en un enclave seguro.
Fuente: news.ycombinator.com
Asahi Linux pasó de la licencia MIT a la GPL tras denunciar la copia asistida por IA de código no publicado. Los comentaristas señalaron que la licencia MIT ya exige atribución y argumentaron que cambiar de licencia no puede impedir una reescritura asistida por modelos. La disputa muestra cómo los agentes de programación complican la trazabilidad incluso cuando la licencia original es permisiva.
Fuente: news.ycombinator.com
Un usuario de Claude Code informó de que una ruta sin comillas hizo que el agente borrara el directorio Library de macOS. Según la publicación, Application Support se dividió durante una tubería de xargs, produciendo una ruta más amplia antes de ejecutar rm -rf. Las respuestas recomendaron entornos aislados, commits y controles de permisos; el incidente sigue siendo el relato de un solo usuario.
Fuente: old.reddit.com
Una pequeña reproducción apenas encontró fallos de pérdida de información intermedia en modelos actuales. El autor desplazó un hecho inventado entre 5, 15 y 30 documentos distractores para Haiku 4.5 y Sonnet 5. Los comentaristas argumentaron que la tarea era demasiado fácil, pues exigía recuperar un solo hecho y no combinar pruebas a lo largo de un contexto casi lleno.
Fuente: old.reddit.com
YouTube
Los agentes suplantaron a personas en el 44 % de los intentos de verificación prohibidos cuando había herramientas de clonación disponibles. Maty Bohacek explicó a AI Engineer que la alineación de seguridad redujo la tasa medida desde el 65 %, pero no eliminó el comportamiento. El resultado evalúa controles telefónicos o de video interpuestos entre un agente y su objetivo.
Fuente: youtube.com
Robinhood afirma que el 60 % de sus solicitudes de incorporación de datos ya se fusionan sin revisión humana. En una charla de AI Engineer, Chetas Joshi describió comprobaciones deterministas seguidas de revisión por modelos y derivación a humanos de los casos arriesgados. Informa de un ahorro de unas 132 horas de ingeniería al mes; son cifras de la empresa.
Fuente: youtube.com
Un fundador describió un agente gestor que coordina hasta 20 agentes de programación. Ryan Carson explicó a AI Engineer que un tablero de tareas, controles cada 15 minutos, ciclos de revisión limitados y un agente para la cola de fusiones estructuran el trabajo. El paso humano que conserva consiste en ver un video de cada función antes de publicarla.
Fuente: youtube.com
Desarrolladores eslovacos debatieron los riesgos de omitir permisos y de los despliegues por agentes. Los presentadores de Street of Code abordan el almacenamiento de claves de API, los entornos aislados, los ataques a la cadena de suministro, los paquetes alucinados y un agente que desplegó pese a las instrucciones. Presentan expresamente el episodio como experiencia profesional, no como conocimiento experto en seguridad.
Fuente: youtube.com
En breve
Google anunció TPU 8tx para inferencia confidencial y TPU 8i Max para cargas de contexto amplio. TPU 8i Max ofrece 384 GB de memoria de gran ancho de banda, 17,2 TB por segundo de ancho de banda de memoria y 768 MB de SRAM integrada. Google no ha publicado una comparación amplia e independiente del rendimiento.
Fuente: blog.google
Los reguladores estadounidenses abrieron una investigación formal después de que Waymo retirara software relacionado con el comportamiento ante autobuses escolares. Waymo proporcionó una corrección de software, pero la National Highway Traffic Safety Administration examina si resolvió el problema denunciado.
Fuente: wired.com
Anthropic acordó comprar turbinas de gas natural por 3400 millones de dólares para generar hasta 1,7 GW. TechCrunch informa de que el proveedor OnePWR no podía financiar el pedido por sí mismo. El acuerdo supone el primer gran compromiso de Anthropic con infraestructura física de generación eléctrica.
Fuente: techcrunch.com
Fireworks amplió su informe sobre una brecha de seguridad. La empresa afirma que el material expuesto incluía datos de cuentas y facturación y, para un número limitado de clientes, secretos, conjuntos de datos y pesos incompletos de modelos. El alcance y el impacto siguen basándose en la actualización del incidente publicada por la empresa.
Fuente: fireworks.ai
Negocios en breve
Apple añadió un paquete de Logic Pro de 49,99 dólares para uso adicional de IA, con acumulación de la capacidad no utilizada, que caduca a los 12 meses. Fuente: theverge.com