MiniMax lanza M3.1 Flash, del que Space Bunny era una versión preliminar, FLUX 3 Max genera 10 segundos de vídeo en 12 segundos, OpenAI retirará GPT-4o y GPT-4.1 de su API el 14 de enero

MiniMax pone en servicio M3.1 Flash, un modelo para agentes y código con un precio de 0,15 dólares por millón de tokens de entrada, y revela que Space Bunny, el modelo anónimo que procesó más de 200 000 mil millones de tokens, era una versión preliminar. Black Forest Labs y fal lanzan FLUX 3 Max, que genera un vídeo de 10 segundos en 12,45 segundos, unas 22 veces más rápido que Seedance 2.5, y empata en la primera posición de una arena de imagen a vídeo todavía preliminar. OpenAI fija para el 14 de enero de 2027 la retirada de GPT-4o y GPT-4.1 de su API, Meta detalla Prometheus, el superordenador que entrenó Muse Wonder, y Devin ya puntúa de 0 a 100 la eficiencia de cada ingeniero.

MiniMax lanza M3.1 Flash: Space Bunny era una versión preliminar, a 0,15 dólares por millón de tokens de entrada

19 de octubre — MiniMax pone oficialmente en servicio M3.1 Flash, su nuevo modelo de la gama Flash, y desvela el misterio de un modelo anónimo:

Space Bunny 🐰, which processed more than 200 trillion tokens while operating anonymously, was an early version of MiniMax M3.1 Flash.

🇪🇸 Space Bunny 🐰, que procesó más de 200 000 mil millones de tokens mientras operaba de forma anónima, era una primera versión de MiniMax M3.1 Flash. — MiniMax, publicación de lanzamiento

M3.1 Flash sucede a M3.1-Flash-Preview, que apareció el 27 de septiembre en MiniMax Code y después en Token Plan, sin benchmark ni precio, y a Space Bunny Alpha, un modelo oculto que OpenRouter incluyó el 23 de septiembre sin identificar a su desarrollador, y que presentamos aquí el día 27. MiniMax lo describe como un salto generacional para las tareas de agentes, el código, el uso del ordenador (Computer Use) y la ciberseguridad. Todas las puntuaciones siguientes proceden de MiniMax:

Banco de pruebas	Puntuación anunciada por MiniMax
DeepSWE v1.1	73,7 %
OSWorld V2	61,7
Agents’ Last Exam (ALE)	29,6
BankerToolBench	76,2
CyberGym	82 %
Automation-Bench	62 % (tweet fijado)

En OSWorld V2 y Agents’ Last Exam, M3.1 Flash ocupa el primer puesto entre los modelos chinos; en AutomationBench-AA, la publicación solo lo sitúa «entre los mejores», pero el tweet fijado indica un 62 % en Automation-Bench.

El otro argumento es el coste. Una mayor dispersión (sparsity) eleva la velocidad de salida por encima de los 200 tokens por segundo (con una mediana superior a 170) y haría que la inferencia en línea fuera casi tres veces más rápida. El coste de uso en tareas de agentes baja un 70 % respecto al modelo anterior según la publicación, y el tweet fijado habla de un tercio del coste de M3, con una velocidad triplicada. La tabla de precios es fija:

Tipo de tarifa	Precio por millón de tokens
Entrada	0,15 dólares
Salida	0,60 dólares
Entrada en caché	0,015 dólares

M3.1 Flash ya está disponible a través de la API de MiniMax, la suscripción M Plan y la aplicación MiniMax Code. Los pesos llegarán el 23 de octubre según el tweet fijado, mientras que la publicación solo dice «más adelante», y después llegará una versión Pro, sin fecha anunciada. Por la noche, MiniMax difundió que Ollama lo admite desde el primer día, con alojamiento en Estados Unidos sin retención de datos, y afirmó llevar doce días al frente de OpenCode con la versión preliminar.

🔗 El anuncio fijado de @MiniMax_AI

FLUX 3 Max: Black Forest Labs y fal generan 10 segundos de vídeo en 12 segundos, 22 veces más rápido que Seedance 2.5

19 de octubre — Black Forest Labs (BFL) presenta FLUX 3 Max en un tweet fijado. La página de fal lo describe como el nuevo modelo de vídeo postentrenado por fal Research, desarrollado con BFL sobre FLUX 3, tanto de texto a vídeo como de imagen a vídeo, en 720p.

Generate a 10-second video in 12 seconds. Tied for #1 in image-to-video. 22× faster than Seedance 2.5 at the same quality. FLUX 3 is a model designed for customization. @fal adapted and optimized it to create FLUX 3 Max.

🇪🇸 Genera un vídeo de 10 segundos en 12 segundos. Empatado en la primera posición en imagen a vídeo. 22 veces más rápido que Seedance 2.5 con la misma calidad. FLUX 3 es un modelo diseñado para la personalización. @fal lo ha adaptado y optimizado para crear FLUX 3 Max. — @bfl_ai en X

Indicador publicado por fal	FLUX 3 Max	Comparación proporcionada por fal
Tiempo de generación de un vídeo de 10 segundos	12,45 s	277,80 s para Seedance 2.5, 126,44 s para FLUX 3
Elo, arena de imagen a vídeo de Artificial Analysis	1 139, empatado en primera posición	Seedance 2.5 también con 1 139; MiniMax H3 (768p) a la cabeza con 1 141, dentro del margen de incertidumbre; FLUX 3 con 1 089
Precio en 720p en fal, hasta el 7 de noviembre	0,0425 dólares por segundo	0,17 dólares a precio de catálogo

Frente al FLUX 3 original, el trabajo de fal en la inferencia hace que la generación sea unas 10 veces más rápida, y el postentrenamiento le aporta 50 puntos de Elo. La clasificación de Artificial Analysis, basada en votos humanos a ciegas, es solo una instantánea preliminar: MiniMax H3 aparece a la cabeza con 1 141, y FLUX 3 Max, cuyo margen de incertidumbre se solapa con el de los líderes, se presenta como empatado en primera posición, por delante de Gemini Omni Flash 1.1, Wan 3.0 y H3 Max. BFL también destaca las voces, el realismo físico, los efectos sonoros y el rendimiento ante solicitudes poco habituales.

El precio de lanzamiento corresponde al descuento del 75 % durante dos semanas anunciado por BFL, tanto de texto a vídeo como de imagen a vídeo, sin mínimo ni suscripción. fal repite la fórmula de H3 Max, su versión postentrenada de MiniMax H3, ofrecida mediante la misma API: se pasa de uno a otro cambiando el identificador. Es el tercer anuncio de la familia FLUX 3 en una semana, tras la bajada de precios de FLUX 3 Video el 14 de octubre y FLUX 3 Image Klein el día 15.

🔗 La página de FLUX 3 Max en fal

OpenAI fija para el 14 de enero de 2027 la retirada de GPT-4o, GPT-4o mini, GPT-4.1 y GPT-4.1 mini de su API

14 de octubre — Para ponernos al día: según la página de obsolescencias de su API, OpenAI avisó el 14 de octubre a los desarrolladores afectados de la retirada de cuatro modelos de la serie GPT-4 el 14 de enero de 2027, incluidas las versiones ajustadas (fine-tuned). La misma página enumera dos series de retiradas anunciadas el 1 de octubre:

Modelo retirado de la API	Fecha de retirada	Sustituto recomendado
GPT-4o (`gpt-4o-2024-08-06`, `gpt-4o-2024-11-20`)	14 de enero de 2027	`gpt-6-luna`
GPT-4o mini (`gpt-4o-mini-2024-07-18`)	14 de enero de 2027	`gpt-6-luna`
GPT-4.1 y GPT-4.1 mini (instantáneas del 14 de abril de 2025)	14 de enero de 2027	`gpt-6-luna`
`gpt-5.3-codex` y `gpt-5.1`, anunciados el 1 de octubre	1 de abril de 2027	`gpt-6-sol`
`gpt-5.4-nano`, anunciado el 1 de octubre	1 de abril de 2027	`gpt-6-luna`
`tts-1`, `tts-1-hd` y `gpt-4o-mini-tts`, anunciados el 1 de octubre	6 de enero de 2027	`gpt-realtime-2.1-mini`

Estas fechas solo figuran en la página de obsolescencias, sin ninguna entrada en el changelog de la API; el SDK Node 7.37.0 del 17 de octubre añade avisos de retirada para los alias de modelos GPT-4.

🔗 La página de obsolescencias de la API de OpenAI

Entrenar los modelos: Prometheus de Meta, MARBLE de Luma, Together Post-Training y TorchNeuron en Trainium

Cuatro anuncios del día se centran en el entrenamiento, en cuatro niveles: el centro de cálculo de Meta, el paralelismo entre GPU de Luma, el servicio de postentrenamiento de Together AI y el backend PyTorch de los chips de AWS.

Prometheus: el superordenador de Meta que entrenó Muse Wonder aspira a un millón de GPU

19 de octubre — Meta describe Prometheus, su superordenador del orden de un gigavatio en New Albany (Ohio), que entrenó sus modelos Muse, entre ellos Muse Wonder; nuestro seguimiento del 12 de octubre solo aportaba su nombre. La primera fase cuenta con cientos de miles de GPU repartidas entre varios edificios.

Indicador de Prometheus	Valor publicado por Meta
Rendimiento útil (goodput), Muse Wonder	más del 85 % en preentrenamiento, más del 90 % en RL
Tiempo medio entre interrupciones	unas 47 000 horas-GPU, más de 54 000 desde entonces
Interrupciones para 8 000 GPU	cerca de 1 000 al día a mediados de 2025, un 99 % menos
Plataformas NVIDIA	GB200 y GB300 NVL72, después Vera Rubin NVL72

Con NVL72, un fallo afecta a un dominio de 72 GPU: Meta solo pone a trabajar 64 por rack y mantiene las otras 8 como respaldo, además de alrededor de un 2 % de racks en reserva, es decir, 523 racks (37 656 GPU) para 32 768 GPU activas. Hyperion, su próximo superordenador, en Luisiana, incorporará estas lecciones.

🔗 Dentro de Prometheus (Engineering at Meta)

MARBLE: Luma logra un paralelismo de secuencia exacto con millones de tokens multimodales

19 de octubre — Luma publica MARBLE (Mask-Aware Ring with Balanced, Lossless Execution), un paralelismo de secuencia para entrenar modelos multimodales con secuencias compactadas de entre 1 y 8 millones de tokens, en las que se mezclan texto causal, imágenes y vídeo bidireccionales. MARBLE describe esta máscara con cuatro enteros por token y elige para cada capa entre ring attention, all-to-all disperso y Ulysses.

Configuración probada por Luma	Resultado de MARBLE
Frente a un híbrido FlashMask + Ulysses	más rápido en 47 de 48 casos
Mejora mediana con 32 y después 128 GPU H100	1,28 veces y después 2,63 veces
Paso de Gemma 3 27B, 1 millón de tokens, 32 GPU	13,2 s, frente a 32,5 s con FlashMask

Un kernel FlashAttention-4 modificado mantiene el estado del softmax en fp32: las salidas y los gradientes son idénticos a los de una sola GPU. Luma reconoce que el kernel está limitado a las GPU Hopper y que el híbrido de comparación lo construyó ella misma; promete publicar el código, sin fecha.

🔗 La publicación de Luma sobre MARBLE

Together Post-Training: el cliente escribe su bucle SFT o RL, Together AI hace funcionar las GPU

19 de octubre — Una semana después de su repositorio de recetas (post-training-cookbook), publicado sin anuncio el 12 de octubre y presentado aquí el día 13, Together AI lanza oficialmente el servicio. El cliente escribe por sí mismo el bucle de entrenamiento, mediante ajuste supervisado (SFT) o aprendizaje por refuerzo (RL); Together AI ejecuta por debajo el entrenador y los generadores, en GPU dedicadas.

Característica del servicio	Detalle anunciado por Together AI
Adaptación de los pesos	LoRA, varios adaptadores en las mismas GPU, o pesos completos en algunos modelos
Pérdidas integradas	GRPO, CISPO, DPPO, entropía cruzada o pérdida personalizada
Modelos de lanzamiento	Muse Spark Open, GLM 5.3, Kimi K3, Qwen 3.8-27B
Precio de lanzamiento	9 dólares por hora de GPU B200 durante ocho semanas

La facturación se realiza por minuto de GPU, y una migración desde la API Tinker se resuelve en una línea.

🔗 Together Post-Training (blog de Together AI)

TorchNeuron: Transformers, Diffusers y Kernels se ejecutan de forma nativa en AWS Trainium

19 de octubre — Hugging Face incorpora soporte nativo para TorchNeuron, el nuevo backend PyTorch de AWS para sus chips Trainium, en Transformers, Diffusers y Kernels; la beta pública abre el 20 de octubre. Hasta ahora, había que utilizar Optimum Neuron, construido sobre PyTorch XLA, con formas estáticas y una recompilación en cada ruptura del grafo. TorchNeuron convierte el chip en un dispositivo PyTorch normal, con ejecución inmediata (eager), torch.compile y FSDP2.

En inferencia, el 89 % de las 100 arquitecturas de generación de texto más utilizadas funcionan desde el primer momento, frente al 46 % con Optimum Neuron v0.4.5, y Hugging Face ahora recomienda utilizar Transformers, Diffusers, Accelerate, PEFT y TRL en lugar de Optimum Neuron. Un script SFT estándar de TRL se ejecuta en 8 chips Trainium2, y un kernel Neuron compartido en el Hub acelera hasta 2,4 veces los vision transformers.

🔗 TorchNeuron (blog de Hugging Face)

Los SDK Python y Node de OpenAI se encargan del bucle de herramientas de computer use y browser use

16 de octubre — Para ponernos al día: en un hilo republicado por @OpenAIDevs, Kevin Whinnery, del equipo de experiencia de desarrollador de OpenAI, presenta nuevas funciones auxiliares (helpers) de los SDK Python y Node.js, que se encargan del bucle de herramientas (tool loop) de la Responses API. El código llegó el 14 de octubre en openai-python 3.31.0 y openai-node 7.33.0, primera entrega de una serie de cuatro.

Componente del SDK	Qué expone al modelo
`ComputerToolset`	capturas de pantalla, acciones de ratón y teclado, mediante la herramienta computer
`BrowserToolset`	texto de la página, controles y pestañas, como herramientas de función
Tool runner de Responses	progreso en streaming y puntos de reanudación (checkpoints)

Un controlador (driver) escrito o importado por el desarrollador ejecuta las acciones, y la aplicación mantiene el control: operaciones expuestas, confirmación de los cambios, controles de seguridad y límites de pasos. La guía enumera integraciones con Browserbase, Browser Use, Daytona y E2B. Los SDK de Claude habían recibido toolsets comparables, en beta, el 7 de octubre.

🔗 El hilo de Kevin Whinnery · La guía Computer use

Perplexity: acceso a los conectores por rol, carpeta local en Projects, Nano Banana 2.1 y skill Reverse Engineer

19 de octubre — Perplexity publica su primer changelog de producto desde el 5 de octubre: siete de sus trece apartados son nuevos.

Novedad del changelog	Qué cambia	Público al que afecta
Acceso a los conectores por rol	cada conector puede abrirse a todos, a los administradores o a determinados roles	administradores de los planes Enterprise con asistencia
Carpeta local en Projects	Computer lee y guarda en una carpeta del Mac, de forma predeterminada	app de Mac 26.38 o posterior
Nano Banana 2.1 en Computer	generación y edición de imágenes, nuevos intentos en el mismo hilo	todos los usuarios con acceso a Computer
Skill Reverse Engineer	inspeccionar un software que se tiene derecho a analizar, reconstruirlo y probarlo	gratis hasta el 31 de octubre, con un límite de 10 000 créditos por cuenta

El control de acceso por rol, introducido a finales de julio, pasa así al nivel de cada conector, con registros de auditoría. Se suman una tira de miniaturas en Computer, una tipografía propia (PPLX) y un marco que indica, en el campo de entrada, el modo Ask o Computer. En cuanto a los temas ya tratados, Gemini 4 Argon está disponible en Computer para los suscriptores Pro y Max, pero en la búsqueda solo para los suscriptores Max.

🔗 El changelog del 19 de octubre

LiteRT Tensor API: Google permite escribir en C++ modelos embebidos que se ejecutan en CPU, GPU y NPU

19 de octubre — Google AI Edge publica LiteRT Tensor API, una capa de su pila de inferencia embebida que permite escribir un modelo a mano, operación por operación, en C++. El mismo grafo se ejecuta con LiteRT en CPU, en GPU gracias al motor ML Drift, publicado como open source el 8 de octubre, o en NPU, y puede ejecutarse directamente en CPU mediante XNNPACK. Los pesos se cargan desde archivos .safetensors de Hugging Face, sin conversión, y los tensores circulan sin copia por la memoria del acelerador.

Medición de Google con SAM 2	Resultado anunciado
Imágenes por segundo a 512x512 en WebGPU	de menos de 10 a más de 30
Velocidad frente a Apple MLX (MacBook Pro, fp16)	aproximadamente 1,5 veces más rápido

Como demostración, SAM 2, el modelo de segmentación de Meta, se ejecuta en el navegador con prompts interpretados por Gemma 4 E2B; según la publicación, un agente de código, Antigravity, lo escribió con Tensor API y después lo aceleró. La conversión sigue siendo la vía recomendada para la mayoría de los proyectos.

🔗 La publicación de Google Developers

Agentes de código: Devin puntúa la eficiencia de sus usuarios, Amp se convierte en un agente en Linear, Mistral publica Vibe CLI 3.0.0, Gemini 4 Argon llega a los suscriptores de Google AI Pro en Antigravity

Cognition y Amp añaden funciones para los equipos, Mistral publica una versión mayor de su CLI y Google amplía el acceso a Gemini 4 Argon a otro nivel de suscripción.

Devin puntúa de 0 a 100 la eficiencia de cada ingeniero y aumenta por su cuenta los límites de quienes obtienen mejores puntuaciones

19 de octubre — Cognition añade tres funciones de gestión del gasto al plan Enterprise de Devin. Efficiency Score puntúa el uso reciente de cada ingeniero combinando la eficiencia E, en horas productivas por ACU (la unidad de facturación de Devin), y el volumen V, en horas productivas por día: Score = 100 × (E + 0,2 × V × (1 − E)). El volumen pesa poco: un ingeniero medio obtiene 55, un usuario intensivo igual de eficiente 60, un gran consumidor poco eficiente 41 y un usuario prudente pero muy eficiente 76.

Devin Coach comenta un prompt antes de su ejecución, sin reescribirlo nunca en silencio. Con la opción Approve based on efficiency, el administrador fija un máximo: cuando un ingeniero con la calificación Healthy o Satisfactory se acerca a su límite, Devin lo aumenta sin que tenga que solicitarlo, hasta ese máximo y dentro de los límites de la organización. El exceso, al igual que las solicitudes de los ingenieros con la calificación Needs Improvement o Unknown, se remite a un administrador, y ninguna solicitud se rechaza automáticamente. Estas aprobaciones están disponibles desde ahora para todos los clientes de Devin Enterprise y no tienen una tarifa publicada.

🔗 La publicación de Devin

Amp se convierte en un agente en Linear: asignar una issue o mencionar a @Amp inicia una orb

19 de octubre — Asignar una issue de Linear a Amp, o mencionarlo con @Amp en un comentario, ahora abre una sesión de agente (Agent Session) en Linear e inicia una orb, un hilo de agente que trabaja en nombre de la persona. Amp responde en esa sesión, reacciona a los mensajes enviados durante el proceso e indica si se detiene por un error o espera la aprobación de una herramienta. Según la documentación, las suscripciones también pueden iniciar una orb por cada nueva issue. Un administrador del espacio de Amp instala la aplicación, un administrador de Linear la aprueba y después cada persona vincula su cuenta, y Linear se añade a sus servidores MCP. No se indica ninguna tarifa; Amp ya podía reaccionar a los webhooks de Linear desde el 23 de julio.

🔗 El anuncio de Amp

Vibe CLI 3.0.0: Mistral conserva únicamente la Rust CLI y el Unified Harness

19 de octubre — Mistral publica sin anuncio Vibe CLI 3.0.0, su primera versión 3.x: 95 entradas, con 54 correcciones y 5 eliminaciones. Desaparecen la antigua interfaz Python, el antiguo motor de ejecución y el modo Plan, vibe sigue iniciando la Rust TUI y todas las interfaces, desde la CLI hasta Desktop, pasan por el Unified Harness.

Varios cambios pueden romper una instalación: Python 3.14 como mínimo en lugar de 3.12, certificados validados según reglas RFC 5280 más estrictas, abandono de las sesiones Vibe 1.x y herramientas de subagentes renombradas a agents.*. Entre las novedades, /branch bifurca una conversación hacia una nueva sesión, Vibe Desktop importa las sesiones de otro agente de código y un flag enable_mcp permite a los administradores bloquear los servidores MCP. En Windows, un comando ya no puede eludir el control de aprobación ocultando una parte de sí mismo.

🔗 Las notas de Vibe CLI 3.0.0

Gemini 4 Argon llega a los suscriptores de Google AI Pro en Antigravity, con una cuota semanal independiente

15 de octubre — Recuperamos la noticia: Gemini 4 Argon ya no está reservado a los suscriptores Ultra en Google Antigravity. La cuenta @antigravity anunció su llegada para los suscriptores de pago de Google AI Pro, en la aplicación de escritorio y la CLI, mientras que en su disponibilidad general del 13 de octubre solo tenían acceso Google AI Ultra y los clientes de Gemini Enterprise que cumplían los requisitos. Para Pro, una cuota de Argon independiente, únicamente semanal y sin cifras publicadas, se suma a la cuota de Gemini 3.8 Flash.

Nivel de suscripción	Gemini 4 Argon en Antigravity
Gratis y Google AI Plus	no
Google AI Pro	sí, fuera del período de prueba
Google AI Ultra	sí
Empresas	sí

Argon funciona en Antigravity App, Antigravity CLI y las extensiones IDE, pero no en Antigravity IDE. El 19 de octubre, Zed 1.24.3 también lo incorporó a su versión estable.

🔗 El anuncio de @antigravity · La página de modelos de Antigravity

Breves

Agentes y herramientas de código

Claude Code 2.1.303 — Publicada el 18 de octubre, esta versión tiene una sola línea de notas, con correcciones de bugs y mejoras de fiabilidad, sin una lista de los problemas corregidos; el SDK Agent TypeScript la sigue con la 0.3.303. 🔗 fuente
Qwen Code v0.25.3 — La versión estable sigue a la versión preliminar tratada el 16 de octubre, sin cambios incompatibles conocidos: 41 funcionalidades y 81 correcciones desde la v0.25.2, sobre todo para Managed Agent, que ejecuta sus herramientas mediante SSH o en un espacio de trabajo macOS nativo e incorpora el modo Plan. 🔗 fuente
Copilot CLI 1.0.100 — Primera versión estable desde la 1.0.98 del 14 de octubre, no aporta ninguna novedad: sus 49 entradas recogen las versiones preliminares 1.0.99-0 a 1.0.100-1, presentadas aquí del 15 al 17 de octubre. 🔗 fuente
ZCode v3.16.1 — Z.ai sincroniza el repositorio open source de ZCode con la versión 3.16.1, sin release ni notas de versión; la única novedad documentada es una guía de uso de la CLI en chino. 🔗 fuente
Gemini CLI, nightly del 19 de octubre — Sin cambios: es la tercera nightly consecutiva sobre el mismo commit, ya que no se ha fusionado nada desde la noche del 16 de octubre, y tanto la versión estable v0.64.0 como la preview v0.65.0-preview.0 siguen sin cambios. 🔗 fuente
Zed 1.24.3 — La única nota de esta versión estable añade Gemini 4 Argon a los modelos de Google AI, ya presente desde el 14 de octubre en la versión preliminar 1.25.0. 🔗 fuente
Los socios MCP de Figma — Recuperamos una noticia del 15 de octubre: Figma anuncia en Config India 20 nuevos socios MCP, entre ellos Amp, Junie de JetBrains, OpenCode, Cline, Delta y Zed, pero su lista cuenta con 21 nombres y no precisa las funciones habilitadas ni su disponibilidad; Zed difundió el anuncio el 19 de octubre. 🔗 fuente · 🔗 Zed
Navan y los agentes cloud de Cursor — Recuperamos una noticia del 16 de octubre: Cursor cuenta cómo Navan migró a Spring Boot 4 (8 aplicaciones, 15 bibliotecas) en aproximadamente una semana, frente a más de un mes hace dos años, con agentes cloud ejecutándose en sus propias máquinas; el 36 % de las PR fusionadas en su repositorio principal durante 30 días se escribieron con Cursor. 🔗 fuente
Retomar una sesión de la app GitHub Copilot en VS Code — Un tutorial del GitHub Blog muestra cómo la acción Open in VS Code reabre una sesión en su worktree, con la tarea, el plan, la conversación y el diff, antes de la revisión, los retoques, los tests locales y el push a la pull request de la sesión. 🔗 fuente
COOKED — OpenAI Developers lanza un programa de vídeo sobre lo que el equipo y la comunidad construyen con Codex; el primer episodio (13 min 20 s) muestra funciones ya disponibles, desde los entornos cloud de Codex hasta un juego de ramen de 8 bits construido con Ultrafast. 🔗 fuente

API, arneses e integraciones

Agent API de Perplexity — El ajuste require_approval somete las llamadas a las herramientas MCP y a los conectores a la aprobación de la aplicación antes de ejecutarlas, y el preajuste xhigh pasa a 512 000 tokens de salida, frente a 128 000; Perplexity también corrige su entrada del 5 de octubre, recogida aquí: xhigh también utiliza Fast Search. 🔗 fuente
La ingeniería del arnés — Perplexity publica una guía sobre el arnés (harness), todo lo que rodea al modelo en una herramienta de IA, en seis componentes, desde el bucle del agente hasta la verificación; cita un test independiente, no identificado, en el que cambiar únicamente el arnés hizo variar hasta un 11 % la puntuación de un mismo modelo en un test de código. 🔗 fuente
SPACE en Crusoe — Crusoe anuncia una alianza con Perplexity para integrar SPACE, el sandbox open source de Perplexity, en la oferta Managed AI de Crusoe Cloud, sin fecha ni tarifa; Crusoe ya figuraba entre los socios citados cuando se publicó el código de SPACE, el 15 de octubre. 🔗 fuente
Perplexity en Lovable — Recuperamos una noticia del 15 de octubre: Perplexity se suma, junto a Claude, Firecrawl, Gemini, OpenAI, p0 y TypeSafe, a los proveedores de las funciones de IA que Lovable integra en las aplicaciones, para ofrecer respuestas web en tiempo real con citas; sin tarifas ni detalles técnicos. 🔗 fuente
Un agente de voz que no se calla — Una guía de Google Developers muestra cómo las herramientas en streaming y no bloqueantes del ADK evitan los silencios de un agente de voz con gemini-3.8-live: en un workflow de informes de ventas, la espera hasta sus primeras palabras pasa de 14,4 segundos a 1,2 segundos, sin ninguna función nueva. 🔗 fuente
DeepSeek-V4.1-Flash-1017 en Together AI — Presentado aquí el 17 de octubre, el modelo de DeepSeek está disponible en Together AI, «al mismo precio» según el proveedor de alojamiento. 🔗 fuente

Modelos abiertos e investigación

Muse Glimmer — Meta publica el informe técnico de su modelo abierto de 30B para tareas de agente en hardware de consumo, lanzado en agosto: texto e imágenes, más de un centenar de idiomas, aproximadamente 4 bits en una sola GPU, licencia Apache 2.0; Meta afirma que lidera su categoría frente a Gemma4-31B y Qwen3.6-27B, sin cifras en el resumen. 🔗 fuente
SlideOn y mSlideOn — LightOn publica dos modelos de recuperación dispersa (sparse retrieval) derivados de DenseOn y mLateOn, de 174M (inglés) y 339M parámetros (multilingüe): SlideOn obtiene 56,68 en BEIR-15 frente a 56,20 de DenseOn, y mSlideOn gana 10,19 puntos en MLDR frente a mDenseOn. 🔗 fuente
tokenizers v1.0.0-rc.3 — La tercera versión candidata de tokenizers v1 lleva la biblioteca al navegador, mediante bindings de WebAssembly publicados en npm con el nombre tokenizers-wasm, y permite cargar ModernBERT, NLLB y los modelos convertidos desde SentencePiece. 🔗 fuente
Transformers v5.20.2 — Versión correctiva: las entradas ya no pierden su tipo durante la generación, lo que afectaba a los modelos multimodales, y los gradientes de los expertos ya no son nulos en bfloat16 con paralelismo de expertos. 🔗 fuente
Ordenar los prompts — En una publicación de la comunidad, Abdennacer Badaoui hace que vLLM, sin modificaciones, sea entre un 12 y un 17 % más rápido con Qwen3-30B-A3B y entre un 7 y un 12 % con gpt-oss-120b al ordenar los prompts por dominio antes de la inferencia por lotes, ya que las consultas similares recurren a los mismos expertos; la mejora desaparece en un servicio en línea sensible a la latencia. 🔗 fuente
Nesso3-0.4B-Agentic — mii-llm publica un modelo bilingüe italiano-inglés de 0,4 mil millones de parámetros para llamadas a herramientas, con licencia Apache-2.0: 74/100 en la batería bilingüe de sus autores frente a 67 de Qwen3-0.6B, pero un 48 % frente a un 84 % con las herramientas genéricas en inglés. 🔗 fuente
S²-MAS y Fin-Laya — Yang Li simula 12 millones de agentes extraídos de 500 millones de perfiles de hogares, en 3 h 59 con 14 GPU, y presenta Fin-Laya, un modelo de decisión financiera con un 74,5544 % de exactitud y 9,10 ms de latencia media, frente a 206,77 ms de Jev 1.13, según sus propias mediciones. 🔗 fuente
BlenderWorld — Recuperamos una noticia del 15 de octubre: Qwen publica un benchmark de creación 3D en Blender (223 tareas, 2 651 criterios binarios): entre 13 modelos, GPT-6-Astra lidera con 79,9 sobre 100 por delante de Opus-5 (73,0) y GPT-5.6-Sol (67,7), Qwen3.8-Max es quinto (60,6) y el primero solo cumple todos los criterios en el 42,2 % de las tareas. 🔗 fuente

Hardware, público general y creación

El precio de los portátiles RTX Spark — Retomando la noticia del 16 de octubre, el comunicado de lanzamiento de NVIDIA anuncia que los portátiles RTX Spark de ASUS, Dell, HP, Lenovo, Microsoft y MSI están disponibles en todo el mundo desde 2 599 dólares; por su parte, la entrada del blog de NVIDIA del 17 de octubre indica un precio desde 2 399 dólares para los mismos fabricantes. 🔗 comunicado · 🔗 entrada
Grok Bot en el botón Acción — La cuenta @bot, la de Grok Bot, muestra en un vídeo que el asistente puede asignarse al botón Acción del iPhone, como los dots de OpenAI presentados aquí el 18 de octubre; no se indica la versión de iOS ni el plan, y tampoco hay ninguna entrada en x.ai ni difusión por parte de @SpaceXSI. 🔗 fuente
Chroma Awards, temporada 2 — ElevenLabs abre la segunda temporada de la competición de creación con IA que afirma haber incubado: cinco divisiones, 1 millón de dólares en pruebas y más de 450 000 dólares en premios; la entrada fija el cierre para el 1 de enero de 2027 y luego para el 7 de enero en sus condiciones, antes de una ceremonia el 11 de febrero de 2027. 🔗 fuente

GitHub, al margen de la IA

Clones HTTPS autenticados — Durante periodos de tráfico inusual, GitHub puede exigir temporalmente autenticación para ciertos git clone y git fetch mediante HTTPS en repositorios públicos; SSH, los pushes y las operaciones autenticadas no se ven afectados, y GitHub recomienda GITHUB_TOKEN o un token de GitHub App para las integraciones continuas. 🔗 fuente
CodeQL, Xcode 27 y Swift 6.4 — Debido a la ausencia de código x86_64 en algunos binarios del sistema de Apple, CodeQL deja de rastrear los builds con Xcode 27 y no admite Swift 6.4 en ninguna plataforma; la compatibilidad con los Mac Intel se declarará obsoleta a mediados de diciembre, y GitHub aconseja fijar las versiones de macOS 26 y Xcode 26. 🔗 fuente

Qué significa esto

MiniMax y Black Forest Labs compiten en el mismo terreno: la velocidad y el coste de una tarea, más que la calidad bruta. M3.1 Flash supera los 200 tokens por segundo de salida, reduce un 70 % el coste de uso de las tareas de agentes y cobra 0,15 dólares por millón de tokens de entrada; FLUX 3 Max genera un vídeo de 10 segundos en 12,45 segundos, a 0,0425 dólares por segundo hasta el 7 de noviembre. La calidad anunciada iguala la de los mejores sin superarla: FLUX 3 Max ocupa el primer puesto compartido en una clasificación donde MiniMax H3 lo aventaja en dos puntos, dentro del margen de incertidumbre, y M3.1 Flash afirma ser el primero entre los modelos chinos en dos benchmarks de agentes. El modelo de MiniMax también se ha puesto a prueba en condiciones reales: Space Bunny procesó más de 200 billones de tokens sin revelar su procedencia, y su versión preliminar se mantuvo doce días a la cabeza de OpenCode, según MiniMax. Todas estas cifras siguen siendo las de los proveedores, y la clasificación de Artificial Analysis aún es preliminar.

El postentrenamiento se convierte en un producto por derecho propio. fal no creó FLUX 3 Max desde cero: adaptó y optimizó FLUX 3 de Black Forest Labs, como ya había hecho al convertir MiniMax H3 en su H3 Max; según fal, el postentrenamiento hizo que el modelo ganara 50 puntos Elo, y el trabajo sobre la inferencia aceleró la generación unas diez veces. Together AI vende ahora esta capacidad a sus clientes, que escriben su propio bucle de entrenamiento, SFT o RL, sobre modelos abiertos, y TorchNeuron permite utilizar los chips Trainium de AWS con scripts PyTorch habituales de Transformers y TRL. En el otro extremo de la cadena, el preentrenamiento se concentra: Prometheus aspira a alcanzar un millón de GPU, y la mayor parte de la entrada de Meta se centra en la fiabilidad, con 8 GPU de reserva por rack y una reducción del 99 % de las interrupciones. MARBLE aborda el mismo problema de escala desde el software, para secuencias de varios millones de tokens.

Los agentes también incorporan controles de administración: quién puede ejecutar qué, con qué presupuesto y tras qué aprobación. Devin aumenta por sí solo los límites de los ingenieros que considera eficientes y remite a los demás a un administrador; Perplexity habilita cada conector para determinados roles, y su Agent API puede suspender una llamada MCP hasta que la aplicación la apruebe; los toolsets de OpenAI permiten a la aplicación confirmar los cambios y limitar el número de pasos; Vibe CLI 3.0.0 proporciona a los administradores un flag que desactiva los servidores MCP. Amp, por su parte, trabaja en Linear en nombre de la persona que le asigna una issue: el agente se instala en las herramientas del equipo y actúa con la conexión de Linear de cada usuario.

Por último, para los desarrolladores, el otoño trae su tanda de migraciones. GPT-4o y GPT-4.1 se retiran de la API de OpenAI el 14 de enero de 2027, y los modelos de síntesis de voz tts-1 y gpt-4o-mini-tts lo hacen ya el 6 de enero; estas fechas solo figuran en la página de retiradas: un seguimiento limitado al changelog de la API las pasa por alto. En Trainium, Hugging Face aconseja abandonar Optimum Neuron en favor de Transformers y TRL sobre TorchNeuron. Y Vibe CLI 3.0.0 exige Python 3.14, valida los certificados de forma más estricta y ya no vuelve a abrir las sesiones de Vibe 1.x, lo que puede sorprender a quienes actualicen sin leer las notas.