Buscar

Anthropic fija su salida a bolsa en 83 dólares, OpenAI ve cómo sus agentes completan por sí solos el 46 % de las tareas de 2 a 4 horas, Ideogram 4.6 pasa a 4K nativo

Empresas de esta edición

Desmarca lo que no te interese. Tu elección se aplica a todas las ediciones y se guarda en este dispositivo.

Grandes laboratorios
China
Europa
Herramientas de código
Agentes y búsqueda web
Medios generativos
Infraestructura y código abierto
Otros

ai-powered-markdown-translator

Artículo traducido del francés al español con gpt-6.1-sol.

Ver proyecto en GitHub ↗

Anthropic fija el precio de su salida a bolsa en 83 dólares por acción, por encima del rango de 70 a 78 dólares, con una oferta ampliada a 980 millones de acciones y una cotización prevista en el Nasdaq bajo el símbolo ANT. OpenAI publica nuevas mediciones de su investigación acelerada por agentes, que ahora completan sin ayuda el 46 % de las tareas de dos a cuatro horas, y muestra cómo los agentes Codex rastrean las ralentizaciones de ChatGPT. Ideogram 4.6 genera en 4K nativo, Gemini 4 Neon encabeza CursorBench 4.1 y llega a GitHub Copilot, Genie 4 se abre a los desarrolladores por unos 0,10 dólares por segundo, y la aplicación Gemini para Mac aprende a utilizar el ordenador.


Finanzas: Anthropic fija el precio de su salida a bolsa en 83 dólares por acción

18 de noviembre — Anthropic ha fijado el precio de su salida a bolsa en 83 dólares por acción de clase A, por encima del rango de 70 a 78 dólares anunciado al inicio de la gira entre inversores (roadshow), el 10 de noviembre. La oferta también ha crecido: abarca 980 millones de acciones, frente a los 825 millones previstos. Anthropic vende 956 351 354 y los accionistas actuales, 23 648 646, de cuya venta la empresa no recibe los ingresos. Los bancos disponen además de una opción de 30 días sobre 147 millones de acciones.

Elemento de la ofertaAnuncio del 10 de noviembrePrecio fijado el 18 de noviembre
Precio por acción70 a 78 dólares83 dólares
Acciones ofrecidas825 000 000980 000 000
de ellas, vendidas por Anthropic801 351 354956 351 354
de ellas, de accionistas actuales23 648 64623 648 646
Opción de los bancos (30 días)123 750 000147 000 000

La SEC declaró efectiva la declaración de registro el 18 de noviembre. Las primeras cotizaciones estaban previstas para el 19 de noviembre en el Nasdaq Global Select Market, bajo el símbolo ANT, y el cierre de la operación para el 20 de noviembre. Anthropic no publica ni el importe captado ni su valoración. Al precio fijado, las 956 351 354 acciones vendidas por la empresa representan unos 79,4 mil millones de dólares brutos, un cálculo realizado a partir de las cifras del comunicado. Para los particulares del Espacio Económico Europeo, incluida Francia, el folleto europeo preveía un precio final idéntico al de la oferta estadounidense.

El 19 de noviembre, @AnthropicAI publicó un vídeo breve y, después, un texto de Dario Amodei. En él, el directivo recuerda que él y Daniela Amodei perdieron a su padre a causa de una enfermedad que pasó a ser curable unos años más tarde. Según él, una IA lo bastante potente, trabajando con los humanos, podría concentrar un siglo de progreso científico y médico en una década, aunque los resultados siguen siendo preliminares por ahora. Enumera los riesgos: uso malintencionado por individuos o Estados, trastornos económicos, pérdida de control de los sistemas. Se compromete a regular el ritmo del entrenamiento y el despliegue de los modelos durante todo el tiempo que sea necesario para asegurarse de que sean seguros y permanezcan bajo control humano.

We will not bend to either business or political pressure.

🇪🇸 No cederemos ni a las presiones comerciales ni a las presiones políticas. — @AnthropicAI en X

Para Dario Amodei, la operación refuerza la situación financiera de la empresa y, con ella, su determinación; retoma la idea de una «carrera hacia lo más alto» (race to the top).

🔗 Anuncio del precio de la salida a bolsa (Anthropic) · @AnthropicAI en X: el precio fijado


Agentes trabajando en OpenAI: el informe sobre la aceleración de la investigación y la Performance Factory

18 de noviembre — Dos meses después de un primer informe, OpenAI publica nuevas mediciones sobre cómo sus propios agentes aceleran su investigación. El título resume la conclusión: la frontera es irregular (jagged frontier). Entre marzo y octubre, la proporción de tareas estimadas en dos a cuatro horas de trabajo humano que los agentes completan sin intervención pasa del 23 % al 46 %, y del 13 % al 35 % para las tareas de cuatro a ocho horas. Todo depende del trabajo: un 79 % de éxito al supervisar un entrenamiento, un 72 % al responder a una pregunta técnica y solo un 25 % al escribir código de inferencia y de servicio. OpenAI señala que las tareas asignadas pueden haber cambiado al mismo tiempo que los modelos.

Indicador interno de OpenAIValor publicado
Éxito sin ayuda, tareas de 2 a 4 horas23 % en marzo, 46 % en octubre
Éxito sin ayuda, tareas de 4 a 8 horas13 % en marzo, 35 % en octubre
Gasto mediano en agentes por investigador y día2 400 dólares en octubre (+62 %)
Gasto en el percentil 9023 000 dólares en octubre (+105 %)
Días-agente por investigador y díade 0,5 a 5,7
Tiempo documentado en seguridad y alineamiento+77 % de enero a septiembre
Frontera de los modelos OpenAI en el índice OECI+16,4 puntos por año, frente a los 14 observados por Epoch

Los gastos se calculan a los precios de catálogo de la API, y los investigadores no tienen cuota. El tiempo de agente por investigador se ha multiplicado por once; a mediados de octubre, más de dos tercios de los investigadores observados ejecutaban al menos cuatro agentes a la vez en el momento de mayor actividad de su jornada. En septiembre, el valor de este uso representaba aproximadamente el doble de la remuneración sin acciones de la organización de investigación, mientras que el despliegue interno solo supone el 2 % del cómputo dedicado a la investigación.

El informe también sigue el origen de las ideas. Para GPT-6.2 Astra, los investigadores de preentrenamiento desarrollaron algunas ideas dialogando con Codex, y uno de ellos le atribuye intuiciones clave; las de GPT-6 Astra eran enteramente humanas. Para disponer durante tres meses de agentes de código mejores que GPT-5.2, los investigadores encuestados cederían, como mediana, el 40 % de la plantilla de su equipo o el 30 % de su cómputo. Las entrevistas recuerdan las limitaciones: criterio deficiente para las ideas de investigación, código de baja calidad, rodeos por pasos innecesarios, de ahí la estrecha supervisión humana.

El tiempo dedicado a la seguridad y al alineamiento registra el mayor aumento absoluto de todos los ámbitos, con un punto de inflexión tras el incidente de Hugging Face de julio. OpenAI también introduce el OECI, un índice derivado del Epoch Capabilities Index, en el que sus modelos obtienen mejores resultados que en el índice de Epoch, probablemente por la combinación de benchmarks, según la empresa. Por último, considera que los laboratorios deberían estar obligados a seguir y publicar indicadores de automejora recursiva (recursive self-improvement, RSI), el proceso por el cual la IA acelera el desarrollo de futuros sistemas, aunque precisa que esta publicación no debe interpretarse como una intención de perseguir una RSI completa. El informe presenta sus cifras como una visión parcial, basada en parte en declaraciones.

🔗 Aceleración de la investigación: la frontera irregular (OpenAI) · @OpenAI en X

OpenAI detalla la Performance Factory, donde los agentes Codex investigan las ralentizaciones de ChatGPT

19 de noviembre — El blog Engineering de OpenAI ofrece un ejemplo concreto de este trabajo confiado a los agentes: la Performance Factory, un sistema autónomo en la nube donde los agentes Codex rastrean las regresiones de rendimiento de ChatGPT. Una alerta abre una tarea, un agente identifica la causa, otro propone una corrección en forma de pull request, un ingeniero decide fusionarla y, después, un agente comprueba tras el despliegue que las métricas han vuelto a la normalidad. En algo más de tres meses, este primer flujo ha seguido más de 1 700 investigaciones y encontrado la causa de más de 600 casos, es decir, 17 investigaciones automatizadas al día.

Los conocimientos del equipo se recogen en un skill compartido, perf-forensics, que indica a Codex qué herramientas utilizar entre más de 30 herramientas de rendimiento. Para evitar que un agente se detenga en la primera explicación plausible, una segunda sesión de Codex intenta refutar cada diagnóstico: de 100 causas revisadas manualmente, el 70 % se consideraron correctas. OpenAI reconoce que la corrección sigue siendo la etapa más difícil y estudia la detección proactiva de regresiones, así como la entrega sin intervención humana de correcciones de bajo riesgo, sin un calendario definido.

🔗 Cómo la Performance Factory de OpenAI mantiene la rapidez de ChatGPT · Hilo de @OpenAIDevs


Imágenes y vídeo generativos: Ideogram 4.6 en 4K nativo, Kling 4.0 en 4K y HDR de 10 bits

19 de noviembre — Ideogram lanza Ideogram 4.6, un nuevo modelo de imagen que genera directamente en 4K, sin ampliación (upscaling): cada detalle, desde la piel hasta el tejido, se produce a resolución completa. Ideogram afirma haber trabajado para eliminar el aspecto de «IA» y la piel cerosa de las imágenes, con poros visibles, pequeñas arrugas y texturas naturales, y anuncia una fidelidad mucho mayor de los colores y los materiales, con la vista puesta en el comercio electrónico y la fotografía de producto.

El retoque sigue siendo el núcleo del modelo: mucha menos desviación de los píxeles (pixel drift) fuera de la zona modificada y una generación a partir de bocetos más fiel al dibujo inicial. Ideogram afirma que la versión 4.6 ocupa el primer puesto en la clasificación de retoque en varias etapas (Multi-step Image Edit) de Rapidata, por delante de todos los demás modelos, incluidos Seedream 5.5 y FLUX 3 Image, sin citar ninguna puntuación; la 4.5 ya reivindicaba, el 10 de noviembre, el primer puesto en una clasificación de Rapidata de retoque sucesivo.

Acceso a Ideogram 4.6Lo anunciado
Aplicación y API de Ideogramdisponibles desde el 19 de noviembre
Plataformas asociadas (12)Leonardo, Runway, fal, Comfy, Runware, Scenario, Invideo, MyDesigns, Sociaro, Moda, HeyGen y Luma
Precioningún precio en el anuncio
Pesos abiertosversión abierta de la 4.6 prometida, sin fecha

En cuanto a los pesos abiertos, Ideogram cambia de plan. Preguntado por los de la versión 4.5, anunciados como disponibles «pronto» desde el 30 de septiembre, responde que se saltará la 4.5 para pasar directamente a una versión abierta de la 4.6, sin dar ninguna fecha. Ideogram 4.0 se había publicado con pesos abiertos el 3 de junio.

We’ll skip 4.5 open and go directly to 4.6 open.

🇪🇸 Vamos a saltarnos la versión abierta de 4.5 y pasar directamente a una versión abierta de 4.6. — @ideogram_ai en X

🔗 Anuncio de Ideogram 4.6 en X

Kling 4.0 pasa a 4K nativo con salida HDR de 10 bits

19 de noviembre — El mismo movimiento en vídeo: Kling anuncia que Kling 4.0 ahora admite resolución 4K nativa y salida HDR de 10 bits, tanto en 4K como en 1080p, para ofrecer más detalles y colores más ricos. Esta salida HDR se había prometido «para pronto», sin fecha, cuando Kling 4.0 pasó a estar plenamente disponible, el 15 de octubre; Kling 3.0 ya generaba en 4K nativo desde el 23 de abril. El anuncio se limita a un solo tuit: sin artículo, notas de versión, precio en créditos, duración máxima ni detalles sobre la API.

🔗 Anuncio de Kling en X


Gemini 4 Neon en Cursor y GitHub Copilot: encabeza CursorBench 4.1, disponible para Pro+, Max, Business y Enterprise

Unas horas después de su lanzamiento por Google, tratado aquí el 18 de noviembre, Gemini 4 Neon llega a las herramientas de código de terceros. Cursor y GitHub Copilot lo habilitan desde la noche del 18 de noviembre; Genspark y Antigravity CLI les siguen el 19 (véanse las Breves).

Cursor habilita Gemini 4 Neon, que encabeza CursorBench 4.1 con un 65,4 % en esfuerzo Extra High

18 de noviembre — Según Cursor, Gemini 4 Neon establece con su esfuerzo predeterminado una nueva frontera de coste-rendimiento en CursorBench 4.1: un 63,7 % frente al 57,3 % de Gemini 4 Hydrogen, al que sustituye para la programación agéntica cotidiana, mientras que Gemini 4 Carbon sigue recomendado para las tareas más difíciles. CursorBench 4.1 es una nueva versión del banco de pruebas, fechada ese mismo día (problemas de seguimiento de instrucciones modificados, mayor tiempo concedido al agente): sus puntuaciones no son comparables con las de CursorBench 4.0 publicadas para Carbon e Hydrogen a principios de noviembre.

Modelo y esfuerzo (CursorBench 4.1)PuntuaciónCoste medio por tarea
Gemini 4 Neon Extra High65,4 %10,67 dólares
Gemini 4 Neon High63,7 %6,54 dólares
Gemini 4 Carbon High61,5 %8,52 dólares
Gemini 4 Hydrogen Extra High61,4 %8,09 dólares
Claude Fable 5.2 Max61,3 %48,11 dólares
Gemini 4 Carbon Medium60,4 %7,22 dólares
Claude Fable 5.2 Extra High58,8 %17,84 dólares
Claude Opus 5.5 Max58,1 %11,88 dólares
Gemini 4 Neon Medium57,7 %3,07 dólares
Gemini 4 Hydrogen High57,3 %4,57 dólares

En Cursor, Neon (gemini-4-neon, contexto de 200K tokens, hasta 1M) se factura a 3 dólares por millón de tokens de entrada, 0,15 dólares por lectura de cache y 15 dólares de salida. Como los demás modelos de terceros, no forma parte del uso incluido: se descuenta del crédito prepagado de The X Subscription o de la reserva «Other Models» de los antiguos planes de Cursor.

🔗 Anuncio de Cursor en X · Tabla de CursorBench (Cursor)

Gemini 4 Neon llega a GitHub Copilot para Pro+, Max, Business y Enterprise

18 de noviembre — GitHub abre la disponibilidad general de Gemini 4 Neon en Copilot y lo presenta como un modelo diseñado para el código agéntico, el uso de herramientas en varios pasos y el trabajo intelectual. El changelog retoma los argumentos de Google: una calidad cercana a Gemini 4 Carbon con un menor coste en tokens por tarea, una respuesta que empieza más rápido, menos modificaciones no solicitadas en el código y menos afirmaciones sin fundamento sobre las herramientas o los resultados de las pruebas, sin aportar cifras.

Neon está disponible para los suscriptores de Copilot Pro+, Max, Business y Enterprise; no se menciona el plan Pro, al que Gemini 4 Hydrogen había llegado el 13 de noviembre. Funciona en diez entornos: VS Code, Visual Studio, Copilot CLI, el agente de código, la app GitHub Copilot, github.com, GitHub Mobile, los IDE JetBrains, Xcode y Eclipse. Se factura según el uso, a la tarifa de catálogo del proveedor, con un despliegue progresivo. En las empresas, se activa automáticamente mientras se mantenga la activación predeterminada de los nuevos modelos, salvo que el administrador desactive este modelo.

🔗 Gemini 4 Neon en GitHub Copilot (changelog) · @github en X


Agentes de código: Claude Code 2.1.328, Kimi Code 2.7.0, Devin Security Threats, Devin for Databricks Migrations, Amuse y Optimization-Bench de Replit

Claude Code 2.1.328 abre el modo auto a Opus 4.6 y Sonnet 4.6 en proveedores externos y centra /code-review en los bugs

19 de noviembre — Claude Code 2.1.328 incluye 144 entradas, de las cuales 91 son correcciones. El modo auto se abre a Claude Opus 4.6 y Sonnet 4.6 en Amazon Bedrock, Google Cloud’s Agent Platform, Microsoft Foundry y la pasarela Claude apps: una sesión interactiva iniciada sin modo de autorización arranca directamente en modo auto, y el ajuste disableAutoMode permite desactivarlo. El 19 de noviembre, la página de documentación de los modos de autorización todavía reservaba el modo auto, en estos proveedores, a Sonnet 5 y posteriores, Opus 4.7 y posteriores, Haiku 5.5 y los modelos Fable.

El comando /code-review ya solo señala, en la mayoría de los modelos, los bugs y las desviaciones respecto a CLAUDE.md; las tareas de limpieza (reutilización, simplificación, eficiencia) pasan por /simplify, y cada hallazgo se marca como Important, Pre-existing o Nit. El bloqueo en caso de fallo ("onFailure": "block"), añadido el 8 de octubre a los hooks command y HTTP, se extiende a los hooks mcp_tool. En el terminal, al usar la API de Anthropic, el modelo pequeño y rápido redacta ahora los resúmenes de progreso de los subagentes. Code Mode recibe 22 entradas, entre ellas la eliminación de una pausa de 0,75 segundos después de la mayoría de los scripts en modo auto y bypass, y el runner autoalojado, 26. Se corrige una regresión de la 2.1.327 que interrumpía el esfuerzo de los subagentes en Bedrock, Agent Platform y Foundry; el canal estable sigue en la 2.1.311.

🔗 Claude Code v2.1.328

Kimi Code 2.7.0 incorpora compatibilidad con Amazon Bedrock, Kimi Code Desktop 1.4.0 se conecta con Claude Code, Codex y Cursor

19 de noviembre — Moonshot AI publica Kimi Code 2.7.0 (24 entradas), la primera versión menor desde la 2.6.0 del 12 de noviembre, y, trece minutos después, la aplicación Kimi Code Desktop 1.4.0 (34 entradas). La CLI incorpora compatibilidad con proveedores Amazon Bedrock, muestra de forma experimental una predicción del siguiente prompt después de cada turno y añade un ajuste «Follow-up behavior», cuyo modo Steer hace que la tecla Intro reoriente el turno en curso en lugar de poner el mensaje en cola. Para la automatización, kimi server inicia el servidor local sin abrir un navegador, y tres nuevos endpoints HTTP permiten controlar las sesiones. Cada proyecto puede apuntar a sus propios hosts SSH; los antiguos endpoints /api/v2 desaparecen en favor de /api/v1, un cambio de API clasificado, sin embargo, como una simple corrección.

La aplicación de escritorio se conecta con agentes externos, como Claude Code, Codex y Cursor, para transferirles sesiones, revisar el historial y colaborar de un turno a otro. También añade Qwen Coding Plan entre los proveedores.

🔗 Kimi Code 2.7.0 · Kimi Code Desktop 1.4.0

Cognition lanza Devin Security Threats, un índice gestionado de vulnerabilidades recientes que se pueden escanear con un clic

19 de noviembre — Cognition añade a Devin Security un índice gestionado de vulnerabilidades recién divulgadas. La empresa parte de dos anuncios de la semana: Java4Shell (17 de noviembre), que afecta al entorno de ejecución de Java, y NGINX2Root (18 de noviembre), cinco bugs de corrupción de memoria en nginx; ambas pueden dar lugar a una ejecución remota de código. Cada amenaza describe qué componentes se ven afectados, cómo la explotaría un atacante y qué la corrige. Cognition publica las correspondientes a las principales divulgaciones, y cada equipo puede escribir las suyas a partir de un informe de bug bounty, un aviso de un proveedor o una revisión de un incidente.

El botón Scan with Devin inicia un escaneo centrado en la amenaza en los repositorios elegidos y, después, Devin abre pull requests para su revisión. En modo Auto-triage, Devin vuelve a escanear los repositorios seleccionados con cada nueva amenaza que supere una gravedad mínima. Dos skills open source escritos en Markdown, fix-nginx-vuln y fix-java-vuln, se incorporan al plugin Vulnerability Fixes de Devin Marketplace y pueden ser utilizados por otro agente de código. No se anuncia ningún precio.

🔗 Devin Security Threats (Cognition) · @cognition en X

Cognition lanza Devin for Databricks Migrations para trasladar los almacenes de datos heredados a Databricks

19 de noviembre — Junto con Databricks, Cognition lanza una oferta específica de migración. Devin convierte el código de los almacenes de datos heredados (Teradata, Oracle, SQL Server, Informatica, Redshift, Snowflake), lo prueba en el espacio de trabajo del cliente, corrige los fallos y coteja cada origen con su copia en Databricks antes del cambio: esquema, número de filas, agregados y, por último, comparación fila a fila. Según Cognition, una empresa energética del Fortune 500 migró una plataforma de 142 objetos a Unity Catalog en ocho días, y la consultora Zeb completó en dos semanas y media una migración de NetSuite prevista para cuatro.

La oferta está disponible en Databricks Marketplace y se descuenta del compromiso de gasto ya firmado con Databricks (Universal Commit). Cognition también indica que utiliza Databricks como proveedor estratégico de inferencia, para modelos open source y de frontera servidos a través de un único endpoint. No se comunica ningún precio.

🔗 Devin for Databricks Migrations (Cognition)

Replit publica Amuse, un asistente personal open source que Missions ha reconstruido en tres días

19 de noviembre — Después de TernSign, Replit muestra una nueva creación de Missions, su arnés de enjambres de agentes: Amuse, un asistente personal de IA open source (Apache 2.0) que se ejecuta en el ordenador del usuario. Según Replit, el enjambre tenía el reto de reproducir «el asistente de IA de referencia», sin nombrarlo, y lo consiguió en tres días; después, el Security Scanner de la plataforma sirvió para corregir las vulnerabilidades encontradas.

Amuse realiza búsquedas web con fuentes, controla un navegador que se puede observar y cuyo control se puede retomar, gestiona recordatorios y tareas en segundo plano, y crea pequeñas aplicaciones. Su memoria se almacena en archivos legibles, sus credenciales en una bóveda cifrada de la que el modelo solo ve tokens de sustitución, y solicita aprobación antes de cualquier envío, formulario, pago o nueva programación. «Gratis» excluye el modelo: requiere una clave de API de OpenAI (GPT-6.2 Sol para el agente, GPT-6 Luna para los pasos rápidos) y una base de datos PostgreSQL, y sigue limitado a una persona en un ordenador, sin servidores MCP.

🔗 Anuncio de Replit en X · Repositorio replit/amuse

Replit publica Optimization-Bench: el mejor agente en solitario no forma el mejor enjambre

19 de noviembre — El equipo de investigación de Replit publica Optimization-Bench, un banco de pruebas de optimización del rendimiento sobre versiones congeladas de bibliotecas open source, de las que se analizan cuatro de un total de catorce: NumPy, SQLite, SQLGlot y Git. Seis modelos trabajaron en solitario y luego en enjambres de 8, 16 y 32 agentes, durante dos horas, mientras la evaluación se ejecutaba en una máquina a la que los agentes no podían acceder.

Métrica de Optimization-BenchResultado publicado por Replit
GPT-6.2 Astra en solitario, en NumPymás de 3 veces más rápido que Opus 5.5 en solitario
Enjambres de 32 agentes GPT-6.2 Astrapor debajo de su puntuación en solitario en 3 de 4 tareas
Mejora mediana de los enjambres de Opus y Sonnet 5.51,30 veces su puntuación en solitario, con 16 y 32 agentes
Mensajes de Opus 5.5 enviados al tablero compartido82 %

GPT-6.2 Astra domina en solitario, pero sus enjambres alcanzan su techo con 8 agentes. En cambio, los enjambres de Claude Opus 5.5 y Claude Sonnet 5.5 superan sus ejecuciones en solitario en todos los casos; en NumPy, Opus pasa de 3,7 veces en solitario a 18,9 veces en un enjambre de 32, una cifra ya anunciada en el lanzamiento de Missions. Replit atribuye la diferencia a la organización: los equipos eficaces escriben en un tablero compartido y dejan que el coordinador distribuya y luego fusione el trabajo (en el enjambre de NumPy de 32 agentes Opus, nunca escribió a un solo trabajador), mientras que los demás convierten al coordinador en una centralita cuya bandeja de entrada crece con cada agente añadido.

🔗 Abordar el problema aumentando la plantilla (Replit) · @Replit en X


Asistentes para el público general: computer use en Gemini para Mac, ChatGPT Health en Android, escritorio, dots y sitios

La aplicación Gemini para Mac controla las aplicaciones y la web en segundo plano con computer use

19 de noviembre — La aplicación Gemini para Mac ya sabe utilizar el ordenador (computer use) en lugar del usuario. Gemini encadena tareas de varios pasos entre archivos locales, aplicaciones de escritorio y la web: clics, escritura, menús, formularios. Trabaja en una ventana aislada en segundo plano, con una vista previa en directo en la conversación, de modo que la pantalla principal y el cursor quedan libres. El usuario elige las aplicaciones accesibles, sigue cada paso, puede ponerlo todo en pausa y aprueba las acciones importantes antes de su ejecución.

Los ejemplos de Google van desde el retoque de fotos por lotes hasta la cumplimentación de presupuestos de envío a partir de PDF locales, pasando por una presentación de Google Slides creada a partir de paneles de control; el vídeo publicado en X transforma un boceto en un modelo 3D animable en Blender. La función se despliega en inglés en Estados Unidos para los suscriptores de Google AI Plus, Pro y Ultra, en los Mac con chip Apple Silicon y macOS Sequoia 15.0 o posterior, con una cuenta personal de Google de una persona de 18 años o más. Para los desarrolladores, la herramienta Computer Use de la API Gemini está en disponibilidad general desde finales de octubre; la aplicación para el público general lleva ahora ese control al Mac del usuario.

🔗 Computer use en Gemini para Mac (Google) · @GeminiApp en X

ChatGPT amplía Health a Android con Health Connect, a la aplicación de escritorio, a los dots y a los sitios

19 de noviembre — El espacio Health de ChatGPT llega a la aplicación de escritorio, los dots, los sitios y Android. En Android, se conecta con Health Connect para detectar tendencias de sueño y actividad. Los dots, los agentes personales de ChatGPT, pueden proponer por iniciativa propia otro horario de entrenamiento cuando una reunión interfiere, o recordar opciones de prevención a partir de los historiales médicos conectados. En el ordenador, OpenAI pone como ejemplo un sitio creado para seguir la preparación de un maratón. El despliegue es progresivo y está limitado a Estados Unidos, para los planes Free, Go, Plus y Pro; los dots siguen reservados al plan Pro. Health se encuentra en la barra lateral o en el menú Explore.

🔗 Notas de la versión de ChatGPT


API Gemini: Genie 4 se abre a los desarrolladores, Tool Retrieval en versión preliminar

Genie 4 llega a la API Gemini y a Google AI Studio, a unos 0,10 dólares por segundo de mundo generado

19 de noviembre — Un día después de su llegada a Project Genie para los suscriptores de Google AI Ultra, Genie 4 se abre a los desarrolladores en la API Gemini, a través de Interactions API, y en Google AI Studio, con un lienzo interactivo y aplicaciones de inicio. A partir de un texto, una imagen de referencia o ambos, el modelo de mundo genera un entorno continuo con sonido sincronizado, desde sonidos ambientales hasta diálogos; se puede recorrer con el teclado y, sobre la marcha, cambiar mediante texto el tiempo, la iluminación, los objetos o los acontecimientos.

Característica de Genie 4 en la APIValor documentado
Identificador del modelomodels/genie-4 (Interactions API)
Salida de vídeo y audio1280x720, 16:9, 24 images/s, audio estéreo 48 kHz
Accesoclave de API del nivel de pago
Facturación240 tokens de vídeo por imagen, es decir, unos 0,10 dólares por segundo
Duración de una sesiónposible degradación después de 60 a 90 s, límite de 120 s
Regiones de servicioEstados Unidos, Europa Occidental, Japón

La documentación advierte de que cerrar la pestaña no detiene de inmediato la generación: solo el cierre explícito de la sesión (complete()) interrumpe la facturación. Genie 4 no conserva una escena 3D en memoria: un objeto perdido de vista durante 8 segundos o más, o un giro completo sobre uno mismo, puede hacer que los puntos de referencia se desplacen o se reinicien. Cada salida lleva una marca de agua SynthID.

🔗 Genie 4 en la API Gemini (Google) · Documentación de Genie (AI Studio)

La API Gemini lanza Tool Retrieval en versión preliminar, que carga los esquemas de herramientas bajo demanda

19 de noviembre — Google añade a la API Gemini la búsqueda de herramientas que ya ofrecían OpenAI y Anthropic. Con Tool Retrieval, en versión preliminar en Interactions API, un agente conectado a decenas o cientos de herramientas deja de enviar todos sus esquemas de parámetros en cada solicitud: basta con añadir una herramienta tool_search y marcar con defer_loading: true las herramientas que se quieran mantener en reserva. El modelo solo ve su nombre y su descripción, solicita una herramienta por su nombre cuando la necesita, y la API carga el esquema en la misma solicitud, en el servidor, sin necesidad de crear un índice.

El mecanismo se extiende a los servidores MCP remotos y respeta la caché de prefijos, ya que los esquemas cargados se añaden más adelante en la conversación. Los equipos que gestionan su propio registro de herramientas pueden ejecutar la búsqueda en su infraestructura, a costa de un intercambio adicional. Tool Retrieval no se factura por separado: tool_search añade un pequeño bloque fijo de tokens de entrada, cada esquema cargado se factura como entrada durante el resto de la conversación, y Google, que no publica ninguna cifra de ahorro, aconseja medir la mejora con el tráfico propio. La función funciona con Gemini 3.6 y los modelos posteriores, incluida toda la familia Gemini 4.

🔗 Tool Retrieval en la API Gemini (Google)


Voz: GPT-Live-1.1 llega a la API, con un modo de espera a 0,02 dólares por minuto

19 de noviembre — Poco más de un mes después de su llegada a la función de voz de ChatGPT Plus y Pro, el 15 de octubre, GPT-Live-1.1 llega a la API de OpenAI (gpt-live-1.1 en v1/live/sessions). El modelo mejora la pronunciación, la coherencia del acento y la transcripción en las conversaciones de voz multilingües, y se integra en una configuración de sesión Live existente.

La novedad más concreta es el modo de espera (standby), disponible tanto para GPT-Live-1 como para GPT-Live-1.1 en las sesiones WebRTC. Tras un silencio configurable de 5 a 60 segundos, el modelo se pausa sin cortar la llamada, y el precio por minuto pasa de 0,05 a 0,02 dólares hasta que alguien vuelve a hablar.

Tipo de sesión GPT-LiveTarifa por minuto
Sesión activa0,05 dollar
En espera (WebRTC, inferencia en pausa)0,02 dollar

El uso del modelo backend y de las herramientas sigue facturándose por separado, y las dos versiones tienen límites de sesiones simultáneas independientes. Los SDK Python 3.56.0 y Node 7.61.0 incorporan el modelo, y OpenAI acompaña el lanzamiento con una guía sobre idiomas y acentos regionales.

🔗 Anuncio de @OpenAIDevs · Ficha de GPT-Live-1.1 · Prompting de GPT-Live para idiomas y acentos regionales


Hardware y cloud: NVIDIA y Microsoft en Ignite, mini-PC RTX Spark disponibles

NVIDIA y Microsoft amplían su colaboración en Ignite, desde Vera Rubin en Azure hasta Nemotron 3.5 en Foundry

19 de noviembre — Con motivo de Microsoft Ignite, NVIDIA detalla en una publicación firmada por Dave Salvator la ampliación de su colaboración con Microsoft. Los sistemas Vera Rubin NVL72 funcionan en los centros de datos de Azure y se amplía el acceso a las máquinas virtuales que los utilizan; la publicación habla de una versión preliminar de Vera Rubin en Azure, sin fecha de disponibilidad general.

Anuncio de NVIDIA y MicrosoftEstado según la publicación
VM de Azure sobre Vera Rubin NVL72acceso ampliado, versión preliminar
Nemotron 3.5 Super, Lightning, Embed, Rerank, Parse y Content Safetygama ampliada en Foundry Managed Compute
Nemotron 3.5 Bolt y Transcribepróximamente
Nemotron 3.5 y modelos Cosmos en Foundry Localcompatibilidad ampliada, incluidos los entornos Azure Local
Azure LocalGPU RTX PRO 6000 Blackwell próximamente, ampliación a Jetson Thor y Jetson Orin
Direct Stream en Windows 365dos flujos 4K a 60 images/s, versión preliminar pública a principios de 2027
BioNeMo y ALCHEMI en Microsoft Discoveryincorporación al catálogo, primera integración de RFD4-Proteina

Ejemplo citado: EY adaptó modelos abiertos Nemotron con Programmed Training, el servicio serverless de postentrenamiento de Foundry, para clasificar registros de compras; la precisión mejora un 55 % en su conjunto de evaluación, con un coste 15 veces inferior al de los modelos propietarios de vanguardia, según la publicación. Microsoft AI también utiliza NVIDIA Dynamo para la inferencia de los despliegues (rollouts) de aprendizaje por refuerzo de su postentrenamiento. La publicación recuerda, por último, los resultados MLPerf de Azure: hasta 10 240 GPU NVIDIA en sistemas GB200 NVL72 en Training v6.1, la mayor escala de la edición, y, en Inference v6.1, una ventaja de más del 10 % de los GB300 NVL72 de Azure frente a las demás propuestas cloud en rendimiento interactivo con DeepSeek-R1, según Signal65. No se comunica ningún precio.

🔗 NVIDIA y Microsoft en Ignite (NVIDIA)

Los mini-PC RTX Spark de ASUS, Dell y MSI ya están disponibles, anuncia NVIDIA

18 de noviembre — NVIDIA anuncia la disponibilidad de los mini-PC de escritorio RTX Spark de ASUS, Dell y MSI, como el ASUS ProArt GR1X o la serie MSI EdgeMesa N AI+; los de Acer, GIGABYTE y HP llegarán pronto, al igual que la Microsoft Surface RTX Spark Dev Box. Utilizan la misma plataforma que los portátiles lanzados en octubre: procesador NVIDIA Grace de 20 núcleos, GPU Blackwell RTX de 6 144 núcleos CUDA, hasta 128 Go de memoria unificada y hasta 1 petaflop de rendimiento en IA. Según NVIDIA, pueden ejecutar localmente modelos de 120 mil millones de parámetros. No se indica ningún precio.

En cuanto al software, Switchyard, que distribuye las tareas de los agentes entre modelos locales y cloud, está disponible en Hermes. Adobe reduce en más del 50 % el tiempo de entrega de los archivos H.264 habituales en Premiere, e Illustrator, ahora nativo en Windows on Arm, funciona hasta un 30 % más rápido que su versión emulada; Blender 5.3 integra DLSS 4.5 Ray Reconstruction. Según lo anunciado en Ignite, Windows Server 2028 llega a DGX Station for Windows y Windows ML ejecuta cualquier modelo GGUF de Hugging Face a través de llama.cpp.

🔗 Mini-PC RTX Spark disponibles (NVIDIA)


Modelos abiertos: DaisyRose-27B y el adaptador Hermes impulsan Qwen3.8-27B, OVHcloud publica Olala mini, PEFT v0.22.0

RadixArk publica DaisyRose-27B, un Qwen3.8-27B ajustado mediante RL que duplica su puntuación en Terminal-Bench 4.1

18 de noviembre — RadixArk publica DaisyRose-27B, presentado como su primer modelo: un Qwen3.8-27B reentrenado mediante aprendizaje por refuerzo con Miles, su framework open source, en unas 1 200 tareas largas de agentes (hasta 1,5 horas y más de 100 llamadas a herramientas por intento), diseñadas con Eigent AI para abordar los errores del modelo original. Los pesos se publican bajo Apache 2.0 en BF16, FP8 y NVFP4, con el contexto de 256K tokens y la comprensión de imágenes del modelo base. El entrenamiento duró 18 días en 144 H200.

Benchmark (puntuación en %)Qwen3.8-27BDaisyRose-27B
Terminal-Bench 4.1 (pass@1)5,612,0
Terminal-Bench 2.173,075,5
DeepSWE v1.142,246,2
SWE Bench Pro v291,394,7
GPQA Diamond89,290,7

RadixArk también anuncia un 37 % de utilización útil de las GPU (MFU), frente al 16 % del entrenador open source basado en Megatron, lo que supone un 57 % menos de tiempo de GPU; son cifras del desarrollador.

🔗 DaisyRose-27B (publicación de RadixArk) · DaisyRose-27B-NVFP4 (Hugging Face)

El proyecto harness-hub publica el adaptador Hermes de Qwen3.8-27B, que eleva SWE-Bench Pro del 29,4 al 43,1 % sin razonamiento

19 de noviembre — Tras pi y OpenCode, el proyecto harness-hub publica un tercer adaptador LoRA de Qwen3.8-27B, esta vez para Hermes, el harness de agentes de Nous Research, con una versión GGUF.

Benchmark (pass@1)Qwen3.8-27BCon el adaptador Hermes
SWE-Bench Pro (51 tareas difíciles), sin razonamiento29,4 %43,1 %
SWE-Bench Pro (51 tareas difíciles), razonamiento xhigh45,1 %51,0 %
Terminal-Bench 2.1, sin razonamiento44,7 %58,8 %
Terminal-Bench 2.1, razonamiento xhigh58,8 %57,6 %

Su principal atractivo es la eficiencia: sin razonamiento, el adaptador iguala al modelo base con razonamiento xhigh utilizando entre 3,5 y 4,4 veces menos tokens. Con un presupuesto de 10 000 tokens por tarea, resuelve el 51 % de Terminal-Bench 2.1 y el 39 % de SWE-Bench Pro, frente al 28 % y el 0 % del modelo base en xhigh. La receta (AsyncGRPOTrainer de TRL, OpenEnv, safeagents) se detallará en una publicación anunciada para el viernes.

🔗 Anuncio de @yb2698 en X · Qwen3.8-27B-hermes-adapted (Hugging Face)

OVHcloud publica los pesos de Olala mini 7A1B en Hugging Face, con una puntuación media de 68,0 en doce benchmarks

19 de noviembre — Anunciado el 17 de noviembre, Olala mini 7A1B, el modelo que inaugura la primera familia de modelos de lenguaje de OVHcloud, ya se puede descargar en Hugging Face bajo licencia Apache 2.0, en versiones base, SFT, GGUF y MLX.

Característica de Olala mini 7A1BValor publicado
Parámetros6,8 millardos, de los cuales aproximadamente 1 millardo activo por token
Arquitecturahíbrida de Mamba-3 y atención con mezcla de expertos, cache KV en 7 capas de 36
Contexto32K tokens, versión de 128K anunciada para dentro de poco
Entrenamiento12,8T tokens, en inglés y otros 36 idiomas
Huella estimadaaproximadamente 40 t de CO2 y 1,16 GWh
Media en doce benchmarks68,0, es decir, 15,2 puntos más que el punto de control SFT

El modelo se entrenó en tres superordenadores públicos europeos, JUPITER (con 1 024 GPU GH200), Jean Zay y MeluXina. Razona antes de responder, con cuatro niveles de esfuerzo, y se entrenó mediante aprendizaje por refuerzo para llamar a herramientas; su punto fuerte es el seguimiento de instrucciones y su punto débil, las matemáticas de competición.

🔗 @OVHcloud en X · Olala-v1.0-mini-7A1B (Hugging Face)

Hugging Face publica PEFT v0.22.0, con los métodos PaCA, Astra y NoRA, antes de PEFT 1.0

19 de noviembre — La biblioteca de ajuste eficiente de Hugging Face pasa a la v0.22.0. Añade PaCA (Partial Connection Adaptation), que no añade capas de adaptador, sino que ajusta directamente columnas de entrada elegidas al azar en los pesos preentrenados: según el artículo original, requiere un 22 % menos de tiempo de entrenamiento y un 16 % menos de memoria que LoRA, con una precisión comparable. Dos nuevas inicializaciones de LoRA, Astra y NoRA, completan la versión, que también refuerza el paralelismo tensorial y FSDP2 y añade una comprobación del estado del modelo. PEFT exige ahora Python 3.11, y las notas anuncian que la próxima versión será la 1.0, con una limpieza de la API y algunos pequeños cambios que rompen la compatibilidad, precedida de una versión candidata (release candidate).

🔗 PEFT v0.22.0


Ciencia: Ai2 lanza Theorizer en Asta, un agente que propone teorías vinculadas a publicaciones

19 de noviembre — Ai2 pone Theorizer a disposición de los usuarios en Asta, su plataforma de agentes para la investigación científica, y publica su código bajo licencia Apache-2.0. El agente recorre la literatura, define qué hay que extraer de cada artículo, compara los resultados y formula teorías en las que cada afirmación remite a los artículos que la respaldan; señala las que considera nuevas y advierte de que una búsqueda puede pasar por alto trabajos anteriores. Ai2 lo ilustra con casos reales: en adenocarcinomas pulmonares sin mutación conductora conocida (aproximadamente entre el 20 y el 30 % de los casos), una pista preliminar de dependencia de la proteína CDK2, que aún debe validarse en laboratorio; 50 teorías candidatas sobre las interneuronas VIP para un neurocientífico del Allen Institute que esperaba una o dos. Ai2 cubre el uso en Asta hasta un límite de tokens, el artículo técnico se publicó en ACL 2026 y hay un seminario web previsto para el 10 de diciembre.

🔗 Theorizer en Asta (Ai2) · Repositorio allenai/asta-theorizer


IA en la empresa: Sakana AI y Salesforce firman un memorando de entendimiento para el sector público japonés

19 de noviembre — Sakana AI anuncia un memorando de entendimiento con Salesforce para integrar sus modelos de IA en el software de la empresa estadounidense, destinado a las administraciones públicas y las entidades locales japonesas. El objetivo declarado es contribuir a la eficiencia administrativa y a la transformación digital de estos organismos, y Sakana AI afirma que quiere seguir desarrollando tecnologías adaptadas a las necesidades del sector público japonés. El tuit, en japonés, recoge un despacho de la agencia de noticias Jiji; el anuncio no ofrece ningún calendario, nombre de producto ni importe.

🔗 @SakanaAILabs en X


Breves

Gemini 4 Neon en otros servicios

  • Antigravity CLI 1.5.12 — Gemini 4 Neon pasa a estar disponible con una simple clave de API de Gemini (GEMINI_API_KEY), en sus cuatro niveles de razonamiento; la vista de navegador de Remote Control muestra varias conversaciones en paralelo, y /fork tarda unos segundos en lugar de hasta una hora. 🔗 fuente
  • Genspark — Gemini 4 Neon llega a AI Chat y al Code Agent, con los argumentos de Google (3.º en la clasificación general de Artificial Analysis con esfuerzo xhigh, 1.º en su índice de agentes de código, coste por tarea entre un 50 y un 80 % inferior al de los mejores modelos), sin especificar planes ni créditos. 🔗 fuente

Agentes de código y herramientas de desarrollo

  • Codex CLI 0.172.0-alpha.2 — Las notas de esta versión preliminar están vacías; según los títulos de sus 62 commits, prepara el autocompletado de argumentos de los comandos slash, el inicio bajo demanda por defecto de los servidores MCP locales y líneas de estado personalizadas en /experimental. El contenido puede cambiar antes de la versión estable. 🔗 fuente
  • Codex en iOS — La versión 1.2026.314 de ChatGPT para iOS guarda las conversaciones secundarias en el ordenador vinculado, añade un selector para iniciar una tarea en la nube o en un ordenador y un proyecto concretos, y pasa a contar solo los subagentes que siguen activos. 🔗 fuente
  • Copilot CLI 1.0.115 y Copilot SDK 2.0.2 — Dos versiones preliminares de la CLI corrigen, entre otras cosas, la conexión a servidores MCP que omiten un scope de token de actualización; la versión preliminar 2.0.2-preview.0 del SDK elimina de las anclas de confianza, en macOS y Linux, las 16 claves señaladas de la autoridad de certificación eMudhra. La versión estable sigue en 1.0.114. 🔗 fuente · 🔗 Copilot SDK
  • GitHub CLI 2.105.0 — En versión preliminar, gh event listen espera un evento de pull request (revisión, conflicto, nuevo commit, check suite finalizada) en lugar de consultarlo en bucle, y tanto gh pr como gh run se lo sugieren ahora a los agentes; el acceso a Event Streams sigue sujeto a una lista de espera. 🔗 fuente
  • Conectores MCP de Copilot — Ocho servicios verificados por GitHub se suman a los más de 25 existentes, en versión preliminar pública para todos los planes: Box, Buildkite, Calendly, ClickUp, Mixpanel, Supabase, Webflow y Wix. 🔗 fuente
  • Gemini CLI v0.69.0 y v0.70.0 — Tras nueve días sin nuevas versiones, se publican dos versiones estables el mismo día, y la v0.70.0 incorpora las correcciones de seguridad del motor de reglas fusionadas desde el 10 de noviembre; la versión preliminar v0.71.0-preview.0 hace asíncrono el análisis de los comandos PowerShell. 🔗 fuente · 🔗 v0.71.0-preview.0
  • CLI mistral 0.19.0 y 0.20.0 — mistral ocr process convierte un documento o una imagen en Markdown o en datos estructurados, mistral evals judge deja paso a mistral evals scorer, y mistral agents init crea ahora un proyecto autónomo del SDK Agents, sin clave de API. 🔗 fuente · 🔗 0.20.0
  • Delta 0.28 — El entorno de Zed para programar con agentes busca en los hilos de toda la organización y activa por defecto la compactación suave, que recorta los resultados antiguos de las herramientas sin llamar a un modelo. 🔗 fuente
  • Amp para Windows — El 17 de noviembre, diez días después de una versión experimental, Amp anuncia su aplicación para Windows, nativa en x64 y Arm, con un runner integrado, paquetes MSIX que se pueden desplegar mediante Intune y ajustes mediante directivas de grupo. 🔗 fuente
  • Warp Learn — Warp lanza un curso gratuito, Build a Self-Improving Software Factory, impartido por Ben Holmes: dos de las tres unidades están disponibles en línea y abarcan desde el ciclo de desarrollo con agentes hasta las correcciones activadas por la supervisión de errores. 🔗 fuente
  • DevinDash — Cognition adapta sus Devin Bots en un modelo que pide comida a través del servidor MCP de DoorDash; las startups de Devin for Startups que asistan a las sesiones de consulta (office hours) de San Francisco o Nueva York pueden recibir 1 000 dólares de crédito de DoorDash. 🔗 fuente

API y plataformas

  • Agent API de Perplexity — El nivel de esfuerzo xhigh pasa a utilizar GPT-6.2 Sol, sin modelo de respaldo, en lugar de Claude Opus 5.5; fijar la versión xhigh@2026-11-11.0 conserva la configuración anterior. 🔗 fuente
  • Qwen4-Max en Together AI y Nous Portal — Together AI ofrece el modelo insignia de Alibaba (MoE de 2,4T parámetros, de los cuales 71B están activos, contexto de 1M) con un 30 % de descuento, y Nous Research lo ofrece gratis durante cinco días en Nous Portal con Inferact, sin especificar fecha de finalización ni límite de uso. 🔗 Together AI · 🔗 Nous Research

Asistentes y empresas

  • ChatGPT añade un plugin Accounting para las conciliaciones y los cierres mensuales en la aplicación de escritorio — El plugin ayuda a conciliar transacciones, redactar asientos de facturación y preparar los informes de fin de mes; utiliza el control del ordenador en macOS o Windows, con la aprobación de un administrador en Enterprise (notas de la versión de ChatGPT del 18 de noviembre, enlazadas más arriba).
  • Perplexity Brain — Perplexity comparte en X los skills personales escritos por Brain y anuncia allí la función para todos los suscriptores particulares y empresariales de Estados Unidos, mientras que su publicación habla de los suscriptores Max; en la prueba aleatorizada, el 72,9 % de los usuarios con la mejora automática obtuvieron un nuevo skill personal, frente al 6,5 % del grupo de control. 🔗 fuente · 🔗 publicación
  • RAG as a service — Perplexity publica una guía sobre el RAG ofrecido como servicio y clasifica a siete proveedores, con Perplexity Enterprise en cabeza por delante de AWS Bedrock, OpenAI, Azure AI Search, Pinecone, LlamaIndex y Vectara; la clasificación es de Perplexity. 🔗 fuente
  • Sumitomo Life — La aseguradora de vida japonesa, que adoptó ChatGPT Enterprise en junio de 2026, anuncia un uso semanal superior al 80 % y un retorno de la inversión estimado, a partir del ahorro de tiempo declarado, del 203 % en general y del 524 % de media entre los empleados que lo utilizan al menos 101 veces al mes. 🔗 fuente
  • SSO de los miembros externos — Los propietarios de espacios de ChatGPT Enterprise, Edu y Healthcare pueden eximir del SSO a los miembros externos cuyo dominio no esté verificado; la exención se aplica a un solo espacio y desaparece cuando el miembro lo abandona. 🔗 fuente
  • Candid Health y ElevenAgents — La plataforma estadounidense de gestión del ciclo de ingresos confía a los agentes de voz de ElevenLabs sus llamadas a las aseguradoras sobre las denegaciones de reembolso: 12 860 llamadas, más de 850 horas ahorradas al mes y un 59 % de las llamadas piloto resueltas, con una integración en 48 horas. 🔗 fuente
  • Enterprise Live Migrations — Fuera de la IA: las migraciones continuas desde Azure DevOps Services a GitHub Enterprise Cloud con residencia de datos pasan a disponibilidad general; el historial de Git, las ramas, los tags y las pull requests permanecen sincronizados hasta el cambio definitivo. 🔗 fuente
  • Runners RHEL de GitHub Actions — Fuera de la IA: las imágenes Red Hat Enterprise Linux 9 y 10 de los larger runners alojados pasan a disponibilidad general para los planes Team y Enterprise Cloud. 🔗 fuente

Modelos abiertos, investigación y simulación

  • Deep Research de Genspark — Genspark comparte un trabajo publicado por Baseten el 10 de noviembre: un Qwen3.5-397B con entrenamiento posterior para la investigación en profundidad alcanza 0,759 en el grader interno de Genspark, frente a 0,612 del modelo base y 0,738 de Opus 5.5; se convierte en el modelo por defecto del agente, y Genspark conserva los pesos. 🔗 fuente · 🔗 publicación de Baseten
  • Muse Wonder en el banco de pruebas BAR — Meta comparte la clasificación de noviembre de Legora, plataforma de IA jurídica, en la que Muse Wonder obtiene la mejor puntuación de calidad global y lidera cuatro tipos de tareas, entre ellas el análisis y la extracción. 🔗 fuente
  • Clairic — Una demostración de Clairic, el modelo de extracción estructurada tipada de 27 mil millones de parámetros publicado por Cloudflare en Hugging Face, está disponible en el Hub; el modelo data del 16 de octubre y su versión Flash, del 12 de noviembre. 🔗 fuente
  • Gemma 4 E2B en Airbnb — Según la cuenta de Gemma de Google, Airbnb utilizó Gemma 4 E2B para la clasificación de reglas en una sola GPU RTX Pro 6000: F1 máximo de 0,563 a 0,902, latencia mediana de 35 ms frente a unos 900 ms de los modelos de frontera, por aproximadamente el 1 % de su coste con grandes volúmenes. 🔗 fuente
  • Atto — NeuML publica una familia de modelos diminutos de búsqueda documental, de 840 parámetros a 28 millones: el modelo denso de 90 000 parámetros alcanza 0,4257 en nDCG@10 en un subconjunto de BEIR, frente a 0,4802 de all-MiniLM-L6-v2, unas 256 veces más grande. 🔗 fuente
  • ja-NCM — Un desarrollador publica un pequeño modelo japonés de pesos abiertos que genera texto por conceptos en lugar de token a token: según él, unas 6 veces más rápido que un modelo autorregresivo y 2,4 veces más rápido que un modelo de difusión, con una calidad comparable. 🔗 fuente
  • Into the Omniverse — NVIDIA vuelve a publicar por tercera vez su artículo sobre las simulaciones construidas por agentes, con nuevos ejemplos: los gemelos digitales de instalaciones industriales de Falkor (KONGSBERG) con GPT-6 Astra, y una unidad de cuidados intensivos montada por Claude Code en la que 766 de los 768 robots Microduck seguían en pie. 🔗 fuente

Qué significa

Los hitos financieros y técnicos de los laboratorios de vanguardia van acompañados ahora de compromisos de seguridad. Anthropic fija su precio por encima del rango y eleva su oferta de 825 a 980 millones de acciones; al día siguiente, Dario Amodei promete acompasar el entrenamiento y el despliegue hasta asegurarse de que los modelos sean seguros y permanezcan bajo control humano, sin ceder a las presiones comerciales o políticas. OpenAI, que mide la proporción creciente de su investigación confiada a agentes, pide que los laboratorios estén obligados a publicar indicadores de automejora recursiva. Ambos discursos responden a la misma pregunta: demostrar que la seguridad sigue el ritmo cuando los recursos y las capacidades aumentan tan deprisa.

Los agentes realizan ya una parte medible del trabajo de los propios laboratorios. En OpenAI, resuelven por sí solos casi la mitad de las tareas de entre dos y cuatro horas y representan, en la mediana, 2 400 dólares por investigador y día a precio de catálogo; la Performance Factory les encarga 17 investigaciones al día sobre las ralentizaciones de ChatGPT. Replit muestra que la organización importa tanto como el modelo: el mejor agente en solitario forma enjambres que rinden peor que los de Claude Opus 5.5, que se coordina mediante un tablero compartido. En todos los casos, el ser humano conserva la decisión: un ingeniero fusiona las correcciones de la Performance Factory, los investigadores de OpenAI supervisan de cerca y Devin abre pull requests para su revisión.

La facturación se ajusta cada vez más al uso real. Gemini 4 Neon se comercializa en Cursor según el coste por tarea, de 3,07 dólares con esfuerzo Medium a 10,67 dólares en Extra High; Genie 4 se factura por segundo de mundo generado, unos 0,10 dólares, y GPT-Live baja a 0,02 dólares por minuto cuando nadie habla. Tool Retrieval, al igual que sus equivalentes en OpenAI y Anthropic, persigue el mismo objetivo para los desarrolladores: pagar en tokens solo por los esquemas de las herramientas realmente utilizadas.

En cuanto a los modelos abiertos, el esfuerzo se centra en lo que se puede obtener de una base existente. DaisyRose-27B y el adaptador Hermes parten ambos de Qwen3.8-27B: el primero duplica su puntuación en Terminal-Bench 4.1 mediante aprendizaje por refuerzo; el segundo iguala el modo de razonamiento máximo con entre 3,5 y 4,4 veces menos tokens. PEFT prepara su versión 1.0 para proporcionar herramientas para estos ajustes finos, OVHcloud publica un modelo europeo entrenado en superordenadores públicos junto con su huella de carbono, e Ideogram promete los pesos de su versión 4.6. Estas cifras siguen siendo las de los proveedores.


Fuentes