OpenAI pone fin a su contrato con Cursor, Claude Code reduce sus límites semanales un 17 %, Copilot CLI pasa a Rust nativo

Veintidós anuncios en ocho ámbitos para la jornada del 29 de agosto: un sábado tranquilo, con la mitad de contenido que el día anterior. La principal novedad es contractual más que técnica. OpenAI ha notificado a SpaceX su intención de dejar de proporcionar sus modelos a Cursor, con una fecha de cese propuesta para el 12 de noviembre, invocando explícitamente el comportamiento pasado de las empresas de Elon Musk. Anthropic, por su parte, anuncia un aumento permanente del 25 % de los límites semanales de Claude Code que se traduce —según admite la propia empresa— en una reducción del 17 % respecto a hoy. GitHub pasa Copilot CLI a un motor de ejecución nativo en Rust, Together AI pone GLM-5.3 en línea el mismo día de su disponibilidad y una pasarela de inferencia publica cifras de producción que sitúan por fin el lugar real de los pesos abiertos.

OpenAI pone fin a su contrato con Cursor tras la adquisición por SpaceX

28 de agosto — OpenAI ha notificado a SpaceX su intención de poner fin al contrato que proporciona a Cursor acceso directo a sus modelos. La fecha de cese propuesta es el 12 de noviembre de 2026: la empresa precisa que ha elegido el preaviso más largo que permite el contrato, para que los desarrolladores conserven el acceso a los modelos durante el mayor tiempo posible.

El motivo es la adquisición de Cursor por SpaceX. OpenAI explica que trabaja con sus grandes socios mediante contratos a medida, que garantizan el cumplimiento de las condiciones de uso y la seguridad de la integración a gran escala, y afirma que no puede confiar en que SpaceX utilice su tecnología dentro de ese marco. Se citan expresamente dos precedentes: tras la adquisición de Twitter por Elon Musk, empresa ahora vinculada a SpaceX, se rompieron los términos del contrato que unía a ambas compañías; y, bajo juramento a principios de este año, Musk admitió que xAI, también absorbida por SpaceX, había infringido las condiciones de uso de OpenAI. El acuerdo firmado con Cursor contemplaba un periodo de rescisión limitado tras un cambio de control, lo que explica el calendario.

Se añade un segundo argumento, más inusual: OpenAI afirma asumir un nuevo nivel de responsabilidad a medida que avanzan las capacidades, y menciona su próximo modelo Astra —aquel del que anunció el 7 de agosto que ya no podía excluir un nivel de cibercapacidades calificado como Crítico por su marco de preparación—. Consecuencia práctica: el contrato se mantiene hasta la fecha más tardía posible, pero ningún modelo futuro se proporcionará a Cursor.

Elemento del expediente	Valor
Fecha de notificación a SpaceX	28 de agosto de 2026
Fecha de cese propuesta	12 de noviembre de 2026
Duración de la asociación OpenAI-Cursor	casi 4 años
Modelos futuros proporcionados a Cursor	ninguno

We’re ending our partnership with Cursor following its acquisition by SpaceX. Under our proposal, Cursor’s direct access to our models would end on November 12.

We know that the people most affected by this decision are the developers who rely on OpenAI models in Cursor. We care about their experience in this transition and we’re ready to go above and beyond to support them.

🇪🇸 Ponemos fin a nuestra asociación con Cursor tras su adquisición por SpaceX. Según nuestra propuesta, el acceso directo de Cursor a nuestros modelos finalizaría el 12 de noviembre.

Sabemos que las personas más afectadas por esta decisión son los desarrolladores que dependen de los modelos de OpenAI en Cursor. Nos importa su experiencia durante esta transición y estamos dispuestos a ir más allá de nuestras obligaciones para ayudarles. — @OpenAI en X

🔗 Decisión sobre Cursor — OpenAI

Claude Code: los límites semanales bajan un 17 % el 14 de septiembre y la CLI se inicia más rápido

29 de agosto — Anthropic anuncia que, a partir del 14 de septiembre, los límites semanales estándar de Claude Code aumentarán permanentemente un 25 % para los planes Pro, Max, Team y Enterprise con licencias (seat-based). Hasta esa fecha, se mantiene el aumento actual del 50 %.

La formulación requería una aclaración, y Anthropic la aportó en el siguiente mensaje de su hilo: en comparación con la situación actual, la operación supone una reducción del 17 % de los límites semanales. La aritmética es sencilla: el aumento vigente del 50 % es temporal, mientras que el del 25 % que lo sustituye es permanente, y pasar de uno a otro reduce mecánicamente el límite real. Este aumento temporal no era reciente: el 18 de julio de 2026, la misma cuenta lo anunció «hasta el 19 de agosto», una fecha que se superó sin nueva comunicación. El anuncio del 29 de agosto fija, por tanto, un punto de llegada: un límite permanente, más alto que el régimen estándar original y más bajo que el régimen excepcional de las últimas semanas. La acogida siguió siendo desigual, hasta el punto de que el mensaje principal —con aproximadamente 1,6 millones de visualizaciones en el momento del escaneo— fue acompañado por una nota contextual redactada por lectores de X, que recoge la cifra de la reducción.

Periodo	Límites semanales de Claude Code
Hasta el 13 de septiembre	+50 % (aumento temporal, todavía vigente)
A partir del 14 de septiembre	+25 % permanente
Efecto neto anunciado por Anthropic	-17 % respecto a hoy

Compared to today, this works out to a 17% reduction in weekly limits on Claude Code. We’re working on exciting changes that will make it feel like you’re getting more from Claude, while having more visibility and control of your usage. Can’t wait to share them.

🇪🇸 En comparación con hoy, esto representa una reducción del 17 % de los límites semanales de Claude Code. Estamos trabajando en cambios interesantes que harán que parezca que se obtiene más de Claude, con mayor visibilidad y control sobre el consumo. Estamos deseando compartirlos. — @ClaudeDevs en X

A principios del día, la misma cuenta publicó su resumen semanal de las entregas de Claude Code. La mayor parte de este hilo de seis mensajes reúne novedades ya detalladas aquí a lo largo de las versiones: la pestaña «Auto mode» en /permissions de la 2.1.246, la línea de caché de prompt en /cost y el seguimiento en directo de los subagentes en primer plano de la 2.1.251, y el desglose de tareas /loop en /usage de la 2.1.243. Sin embargo, un aspecto nunca había sido cuantificado: el rendimiento. La CLI ya no espera a que se inicien el entorno aislado (sandbox) ni los servidores MCP antes de permitir introducir una primera instrucción, y el comando claude omite los pasos de inicialización que no necesita. En cuanto a la distribución, la descarga para Linux x64 es 4,5 veces más pequeña, de aproximadamente 75 MB, y las builds nativas consumen entre 40 y 70 MB menos de memoria por sesión.

Métrica de rendimiento anunciada	Valor
Descarga para Linux x64	4,5 veces más pequeña, aproximadamente 75 MB
Memoria de las builds nativas	40 a 70 MB menos por sesión

🔗 Anuncio de los límites semanales · Resumen semanal

Copilot CLI pasa a un motor nativo en Rust y Visual Studio recibe los agentes personalizados de la organización

28 de agosto — GitHub publicó a última hora del día su resumen semanal de Copilot. La entrada lleva en el título la fecha del 24 de agosto —la semana que cubre—, pero no se publicó hasta el día 28 a las 20:13 UTC, después del escaneo anterior. Dos de sus secciones retoman anuncios ya tratados aquí, Copilot en Slack y Microsoft Teams y la disponibilidad general de la pestaña Customize; el resto es nuevo.

El elemento más estructural concierne a la CLI: Copilot CLI funciona ahora sobre un motor de ejecución nativo en Rust (native Rust runtime), mientras que su interfaz de terminal sigue escrita en TypeScript. GitHub anuncia un rendimiento «notablemente superior» sin publicar ninguna medición, por lo que deja que el lector juzgue. Dos ajustes, defaultMode y defaultPermissionMode, fijan el modo de ejecución y el modo de permisos aplicados a cada nueva sesión; los comandos /plugin, /mcp y /skills reciben interfaces de gestión específicas; y la CLI puede restaurar una sesión que no terminó correctamente, incluso si fue interrumpida en mitad de un turno.

Superficie afectada	Novedades anunciadas
Copilot CLI	Motor Rust nativo, `defaultMode` y `defaultPermissionMode`, interfaces `/plugin` `/mcp` `/skills`, reanudación de sesiones
Aplicación Copilot	Issues y pull requests de Azure DevOps convertidas en sesiones, WSL experimental, pestañas dividibles, vista previa en el navegador externo
Extensión JetBrains	Controles empresariales sobre plugins, servidores MCP, telemetría y modos de permisos de los agentes
VS Code 1.135	Reanudación de sesiones de agentes de Copilot o Claude iniciadas en otro lugar, segunda opinión de un modelo complementario, panel Agents único, consumo por modelo y por turno
Visual Studio 2026	Agentes personalizados de la organización, esfuerzo de razonamiento Low, Medium y High, vista Manage models, revisión por el agente Git

Publicada el mismo día, una entrada específica del changelog detalla la actualización de agosto de Copilot en Visual Studio 2026, disponible en todos los planes —Free, Student, Pro, Pro+, Max, Business y Enterprise—. El cambio principal es la llegada de agentes personalizados a nivel de organización: los propietarios de organizaciones o empresas de GitHub publican agentes utilizables en todos sus repositorios, que Visual Studio detecta automáticamente y muestra en el selector junto con su descripción y su organización de origen. Se requiere una organización de GitHub, lo que excluye las cuentas personales. El ajuste del esfuerzo de razonamiento pasa al lado del usuario con tres niveles; GitHub lo presenta explícitamente como un equilibrio entre la profundidad del razonamiento y el consumo de tokens. La vista Manage models reúne capacidades, tamaño de la ventana de contexto, información de costes y controles, mientras que el agente Git revisa las modificaciones sin commit o los commits antes de abrir una pull request, tanto en repositorios de GitHub como de Azure DevOps.

🔗 Resumen semanal de Copilot · Copilot en Visual Studio, actualización de agosto

GLM-5.3 llega a Together AI, que mide de inmediato cuánto cuesta su versión destilada

29 de agosto — Tercer día consecutivo para GLM-5.3. El 27 de agosto, Z.ai anunciaba en dos líneas que publicaría los pesos; el 28, la apertura ya era efectiva y Together AI abría una ficha de modelo marcada como «próximamente», sin tarifa. Desde el 29 de agosto a la 1:57 UTC, la ficha está en línea y el proveedor habla de una disponibilidad «Day 0». El endpoint zai-org/GLM-5.3 se ofrece tanto de forma serverless como en infraestructura dedicada, y Together AI anuncia su compatibilidad con Claude Code, OpenCode y las demás plataformas de agentes de código. Según el proveedor, el modelo se acerca a Fable 5 en el conjunto de benchmarks, aunque cuesta una fracción del precio por tarea.

Característica del servicio	Valor
Precio de entrada / entrada en caché	$1,40 / $0,26 por millón de tokens
Precio de salida	$4,40 por millón de tokens
Ventana de contexto	1 M tokens (arquitectura IndexShare)
Niveles de esfuerzo	low, high, max (max por defecto)
SLA anunciado	99,9 %

Ese mismo día, Together AI publica la sexta comparación de su serie DeepSWE y, por primera vez, enfrenta dos modelos de la misma familia: GLM-5.3 y su versión destilada GLM-5.3 Flash. El protocolo no cambia: las 113 tareas de DeepSWE v1.1, cuatro intentos por configuración y los dos modelos con esfuerzo max, para un total de 900 ejecuciones completas (rollouts), 452 del modelo completo y 448 de Flash. En el primer intento, la diferencia parece clara: 69,0 % de pass@1 frente a 63,4 %. Pero baja a 2,6 puntos en pass@4, por una decimoséptima parte del precio. La destilación, por tanto, no ha eliminado la capacidad, sino la regularidad: ninguna de las 48 tareas que el modelo completo resuelve cuatro de cuatro veces se vuelve irresoluble para Flash, que conserva 93 de las 99 tareas resueltas al menos una vez. El mecanismo se identifica más adelante, y es el resultado más interesante: en las tareas inestables, el intento más largo es el ganador en el 61 % de los casos para GLM-5.3, pero solo en el 46 % para Flash, por debajo del umbral del lanzamiento de una moneda. El modelo destilado ya no sabe convertir un esfuerzo adicional en una solución.

Métrica medida	GLM-5.3 (esfuerzo max)	GLM-5.3 Flash (esfuerzo max)
pass@1	69,0 %	63,4 %
pass@4	87,6 %	85,0 %
Coste por ejecución	$3,99	$0,24
Tareas resueltas por $100	17	264
Duración de extremo a extremo	35 min	26 min
Ruptura de una prueba de referencia ya correcta	4,4 %	6,9 %
Esfuerzo rentable en tareas inestables	61 %	46 %

Solo se señala una regresión clara, y afecta a la prudencia: Flash rompe una prueba de referencia que ya era correcta en el 6,9 % de las ejecuciones, frente al 4,4 % del modelo completo, por lo que Together AI recomienda explícitamente una suite completa de regresión antes de aceptar sin revisión un diff producido por Flash. La conclusión operativa es una cascada dentro de la misma familia: lanzar Flash primero y escalar al modelo completo solo si un verificador rechaza la respuesta. Esta combinación alcanza un 80,9 % de éxito a 1,70 dólares por tarea, es decir, doce puntos más que GLM-5.3 por sí solo (69,0 % a 3,99 dólares) por menos de la mitad del precio. Hay una diferencia que conviene señalar al lector: la puntuación de DeepSWE que aparece en la ficha del modelo (66,9) difiere del 69,0 % medido por Together AI en su propia campaña, algo que el proveedor asume al precisar que sus cifras proceden de su propia ejecución.

🔗 Disponibilidad de GLM-5.3 en Together AI · GLM-5.3 frente a GLM-5.3 Flash en DeepSWE

Los modelos con pesos abiertos han captado la mitad del tráfico, pero solo el 13 % del gasto

29 de agosto — Thibault Jaigu, responsable de la pasarela de inferencia Requesty, publica en el blog de Hugging Face las mediciones obtenidas en su propio tráfico de producción en 2026, excluidas las claves aportadas por los clientes y las cuentas internas. La cifra central: los modelos con pesos abiertos pasaron de menos del 5 % de los tokens en enero a la mitad de todo el tráfico en la semana del 3 de agosto, pero solo representan alrededor del 13 % del gasto; un token de un modelo cerrado de frontera cuesta aproximadamente 6,4 veces más que uno abierto una vez tenido en cuenta el caché.

Dos ejemplos muestran la textura de este mercado. Tras el lanzamiento de kimi-k3, el laboratorio de origen tardó 11 días en perder la mayoría de los tokens servidos sobre su propio modelo, después de que otros cuatro proveedores activaran la inferencia sobre los mismos pesos en 72 horas. Y en glm-5.2, seis proveedores muestran una diferencia de 5,7x en el precio efectivamente pagado, no por descuentos secretos, sino porque el más barato almacena en caché el 94 % de los tokens de entrada, mientras que el más caro no almacena ninguno. Estas cifras proceden de un proveedor que describe su propio producto, algo que el autor asume al firmar como responsable de Requesty.

Medida registrada en la pasarela	Valor
Participación de los pesos abiertos en los tokens (enero de 2026)	menos del 5 %
Participación de los pesos abiertos en los tokens (semana del 3 de agosto)	50 %
Participación de los pesos abiertos en el gasto	alrededor del 13 %
Distribución del gasto (Anthropic / OpenAI / Google)	51 % / 21 % / 15 %
Lecturas de caché / entrada nueva / salida visible	78 % / 19 % / menos del 2 %
Relación entrada-salida (enero y luego agosto)	15x y luego 36x
Contexto medio por solicitud (enero y luego agosto)	9,6 k y luego 28 k tokens

🔗 Artículo de Requesty en Hugging Face

Search API de Perplexity ocupa los tres primeros puestos del Artificial Analysis Search Index

29 de agosto — Perplexity comparte una clasificación publicada el día anterior por Artificial Analysis: las tres configuraciones de contexto de su Search API ocupan los tres primeros puestos del Artificial Analysis Search Index, en su debut en esta clasificación. La configuración medium obtiene 80 puntos, cinco más que los anteriores líderes Parallel (advanced) y Brave Search (LLM context), ambos con 75; las variantes high y low le siguen con 79 y 77.

El protocolo aísla deliberadamente el componente de búsqueda: Artificial Analysis ejecuta el mismo modelo, GPT-5.6 Luna con razonamiento medium, en Stirrup, su arnés de agente (harness) open source, con herramientas de búsqueda y recuperación de páginas web. De una prueba a otra, solo cambia el proveedor situado detrás de la herramienta de búsqueda. La ventaja de Perplexity se concentra en BrowseComp, mientras que las puntuaciones de AA-Omniscience y DeepSearchQA siguen siendo comparables a las de los demás proveedores líderes. El segundo argumento es económico: las cargas útiles más compactas hacen que el modelo lea menos, de ahí un coste de inferencia por tarea de 0,028 a 0,034 dólares según la variante, frente a 0,036 dólares del siguiente proveedor más barato: el valor más bajo medido por Artificial Analysis hasta la fecha.

Proveedor de búsqueda (variante)	Puntuación de AA Search Index	Coste total por tarea
Perplexity Search (medium)	80	aproximadamente 0,091 $
Perplexity Search (high)	79	aproximadamente 0,091 $
Perplexity Search (low)	77	no comunicado
Parallel (advanced)	75	0,084 $
Brave Search (LLM context)	75	0,13 $

Dos reservas de uso: la clasificación procede de Artificial Analysis y no de Perplexity, que se limita a destacarla, y ninguna entrada de blog duplica el mensaje, ya que el blog de la empresa no ha publicado nada desde el 25 de agosto.

🔗 Mensaje de @perplexity_ai · Detalle numérico de @ArtificialAnlys

Codex CLI 0.151.0: las extensiones interceptan los resultados MCP y el sandbox remoto se refuerza

29 de agosto — Codex CLI pasa a la versión 0.151.0, publicada en GitHub a las 11:55 GMT+2 y mencionada ese mismo día en el changelog oficial de ChatGPT y Codex. La novedad más estructural afecta a las extensiones: ahora pueden inspeccionar o sustituir los resultados de una herramienta MCP antes de que lleguen al modelo. Así, se introduce un punto de interceptación entre el servidor MCP y el contexto, lo que permite filtrar, reescribir o truncar las salidas de las herramientas sin tocar el servidor. También se añade un periodo de gracia configurable para descubrir las herramientas expuestas por los servidores MCP opcionales, así como catálogos de plugins que combinan la configuración propia de cada repositorio y señalan los marketplaces de proyecto no válidos sin hacer desaparecer los plugins válidos.

El resto de la versión está dominado por el refuerzo del sandbox (sandbox). El comando /cd ya no puede debilitar las restricciones —un escenario en el que cambiar de directorio relajaba implícitamente las salvaguardas— y las clasificaciones de Guardian que han quedado obsoletas ya no pueden autorizar una acción después de un cambio en el estado de los permisos. La aplicación del sandbox remoto también se alinea con la realidad de la máquina de ejecución: el directorio personal, el sistema operativo y las convenciones de rutas del ejecutor se propagan al contexto, incluso para las reglas de denegación de lectura. Un último punto para los equipos que delegan tareas en sus agentes: el consumo de tokens de los subagentes anidados por fin se contabiliza en el presupuesto del objetivo raíz.

Elemento de la versión	Valor
Versión	0.151.0 (estable)
Publicación en GitHub	29 de agosto de 2026, 11:55 GMT+2
Instalación	`npm install -g @openai/codex@0.151.0`
Novedades / correcciones / trabajos de fondo	3 / 6 / 2
Versión estable anterior	0.150.1 (27 de agosto)

🔗 Notas de la versión de Codex CLI 0.151.0

Appshots: ChatGPT Work y Codex leen el contexto de la aplicación mostrada

28 de agosto — OpenAI Developers presenta los appshots, un mecanismo de captura de contexto destinado a ChatGPT Work y Codex. El principio: en lugar de describir lo que tenemos delante, se transmite al asistente todo el contexto de la aplicación que se está mostrando, para que comprenda la pantalla y actúe sobre ella. El activador es deliberadamente mínimo: dos pulsaciones de la tecla Command (⌘ ⌘).

El hilo detalla diez usos que muestran el alcance previsto, muy por encima del código: resumir un hilo de Slack, rellenar un formulario, utilizar como referencia una API mostrada en pantalla para añadir una funcionalidad, extraer los temas de un conjunto de respuestas en X, identificar los mensajes privados que requieren respuesta, convertir notas en una presentación, recortar un vídeo en iMovie o transformar una receta abierta en una lista de la compra. En la fecha del escaneo, el anuncio solo existe en X: el changelog de ChatGPT y Codex no contiene ninguna entrada entre el 27 y el 29 de agosto aparte de la versión 0.151.0 del CLI. Por tanto, no están documentadas las condiciones de acceso —planes afectados, plataformas, disponibilidad general o progresiva—.

🔗 Hilo de @OpenAIDevs

Antigravity CLI 1.1.22: el comando /model acepta un argumento y ocho correcciones de estabilidad

27 de agosto — Repaso de un canal que no se había escaneado hasta ahora. El changelog de Google Antigravity se divide en cuatro pestañas —Antigravity 2.0, Antigravity CLI, Antigravity SDK y Antigravity IDE—, de las cuales en las pasadas anteriores solo se consultaba la primera. En la práctica, la pestaña CLI publica una versión cada uno a tres días; la última, la 1.1.22, aporta tres mejoras y ocho correcciones.

En cuanto a ergonomía, el comando /model ahora acepta un argumento: en lugar de abrir un selector, se cambia directamente a un modelo indicando su nombre, slug o etiqueta, y la operación establece el valor predeterminado en el mismo paso, con autocompletado en texto fantasma durante la escritura. El comando /effort, que configura el esfuerzo de razonamiento, también completa el texto introducido en lugar de mostrar un ejemplo fijo. La tercera novedad resulta útil en sesiones largas: cuando un agente genera muchos archivos, las ráfagas de eventos del sistema de archivos se agrupan en un único nuevo análisis.

Las ocho correcciones buscan mejorar la estabilidad a largo plazo. La más visible elimina los redibujados continuos de la interfaz cuando el panel de tareas o los detalles de un subagente permanecían abiertos sin ninguna tarea en curso, lo que elevaba el uso del procesador en reposo. Los errores HTTP 502 transitorios, que antes terminaban un run sin más, ahora se reintentan tras una espera creciente (backoff). El resto cubre Windows, el daemon sin interfaz (headless) y la posibilidad de volver a seleccionar el esfuerzo de razonamiento para Gemini 3.1 Pro y Gemini 3.5 Flash al autenticarse mediante una clave de API de Gemini.

Canal de Antigravity	Última versión	Fecha
Antigravity 2.0	2.11.0	26 de agosto de 2026
Antigravity CLI	1.1.22	27 de agosto de 2026
Antigravity SDK	0.1.15	25 de agosto de 2026
Antigravity IDE	2.5.5	13 de agosto de 2026

🔗 Changelog de Antigravity

MiniMax hace balance de H3 Max y declara superada la generación de vídeo más rápida que el tiempo real

29 de agosto — MiniMax publica una declaración inusualmente larga sobre H3 Max, el modelo de vídeo que fal Research obtuvo mediante el postentrenamiento de los pesos abiertos de MiniMax H3. El anuncio del modelo en sí se remonta al 27 de agosto; lo novedoso aquí es la posición del laboratorio de origen sobre lo que este trabajo externo significa para él.

El mensaje se articula en torno a dos ideas. La primera es estratégica: MiniMax afirma que H3 Max ha hecho tangible para sus propios equipos el valor de los pesos abiertos, y se muestra dispuesto a apoyar a cualquier equipo que reproduzca el enfoque de fal. La segunda es técnica y va más lejos: el laboratorio considera ahora superada la generación de vídeo más rápida que el tiempo real, y extrae de ello una lista de casos de uso hasta ahora inalcanzables —flujos de vídeo perpetuos, mundos interactivos, narración en tiempo real—. Dos horas antes, MiniMax compartía una prueba comunitaria que resume bien el cambio: la pregunta ya no es cuánto tarda una generación, sino si el modelo genera más rápido de lo que emite un flujo de Twitch.

They made the value of open weights feel real to our team in a way it hadn’t before. Advancing technology together has always been a core belief at MiniMax. H3 Max made that belief tangible. It showed that the frontier no longer belongs to a few, it belongs to everyone willing to build, experiment, and share what they discover.

🇪🇸 Han hecho tangible para nuestro equipo el valor de los pesos abiertos de una manera que nunca antes había sido posible. Impulsar la tecnología juntos siempre ha sido una convicción fundamental en MiniMax. H3 Max ha hecho tangible esa convicción. Ha demostrado que la frontera ya no pertenece a unos pocos, sino a cualquiera que esté dispuesto a construir, experimentar y compartir lo que descubra. — @MiniMax_AI en X

🔗 Prueba comunitaria compartida por MiniMax

Breves

Grok 4.6 llega a Grok.com y a las aplicaciones de iOS y Android — Tras una distribución centrada en plataformas asociadas —GitHub Copilot, Amazon Bedrock, Gemini Enterprise Agent Platform y después Microsoft Foundry el 26 de agosto—, xAI completa la serie con sus propias superficies de consumo. Tres usos recomendados: problemas complejos, consultas agénticas y creación de aplicaciones. Ninguna cifra, ningún benchmark ni cambios de precios. 🔗 Mensaje de @grok
Midjourney corrige la calidad de imagen de su modelo de edición V8.2 — Menos de veinticuatro horas después de abrir las pruebas, el estudio publica una corrección de la calidad de imagen e invita a los usuarios que hayan encontrado problemas a volver a ejecutar sus generaciones. Se anuncian más actualizaciones, pero sin calendario. 🔗 Mensaje de @midjourney
Gemini CLI bloquea la confianza del espacio de trabajo mediante la denegación predeterminada — La versión nocturna (nightly) v0.59.0-nightly.20260829.g0bd1d4397 incorpora un único cambio: un espacio de trabajo cuya confianza no puede establecerse se trata como no fiable, y los servidores MCP declarados se filtran en modo restringido. El canal estable continúa en v0.57.0 y la preview, en v0.58.0-preview.0. La nightly del 27 de agosto ya había corregido una SSRF en el descubrimiento de metadatos OAuth de los servidores MCP. 🔗 Notas de la versión
NVIDIA sitúa Dynamo frente a SGLang, vLLM y TensorRT-LLM — Formato breve de cinco minutos que responde a una confusión frecuente: Dynamo no sustituye a los motores de inferencia, sino que se instala alrededor de ellos para distribuir la carga entre varias GPU y varios nodos. Vídeo presentado por Vishakha Sadhwani. 🔗 Mensaje de @NVIDIAAI
QwenCloud publica el resumen de la Qwen Conference Hong Kong 2026 — Repaso del evento del 26 de agosto, celebrado ante más de 300 clientes empresariales y desarrolladores, con una keynote que articula la plataforma en torno a tres puntos de entrada —el sitio web, las Skills y el CLI— y una demostración de un agente que encadena la creación de una cuenta, la selección de un modelo, la inferencia, el despliegue, el pago y la facturación. 🔗 Mensaje de @qwen_cloud
Luma organiza una velada creativa en San Francisco — Creative Intelligent Machines Continuum, una velada de creación bajo demanda prevista para el martes 1 de septiembre en tiat, con demostraciones paso a paso dirigidas por los creativos sénior del estudio, un prompt común y acompañamiento in situ. La iniciativa prolonga la serie Dream Lab Weekly, iniciada el 25 de agosto. 🔗 Mensaje de @LumaLabsAI
FAST, un intento de estándar para la notificación de vulnerabilidades por parte de agentes — El Framework for Autonomous Severity and Triage se presenta como un conjunto de archivos Markdown que se colocan en el contexto de un agente, sin SDK ni API. Distingue una pista no probada de una vulnerabilidad con pruebas de impacto reproducibles, proporciona un árbol de decisión de severidad derivado de lo que los programas de recompensas pagan realmente en lugar del cálculo CVSS, e impone una barrera de seis comprobaciones antes del envío. Licencia CC-BY 4.0. 🔗 Artículo en Hugging Face
Dos sesiones de IA, un mismo repositorio y dos veredictos opuestos sobre un agente de autorreparación — Nota de ingeniería sobre un proyecto personal: un diseño de autorreparación autónoma que había sido rechazado reapareció en el repositorio unos días más tarde, escrito por otra sesión que utilizaba un asistente diferente, sin rastro de la primera decisión. El archivo nunca llegó a ejecutarse, pero únicamente gracias a dos errores accidentales —el autor habla de seguridad por accidente, no por diseño—. 🔗 Artículo en Hugging Face
three.ws, una pila open source para dar cuerpo, cartera y oficio a los agentes — El proyecto articula cuatro componentes: generación y rigging 3D con estudios en el navegador, un motor de agente con una cadena de salvaguardas y un sistema de habilidades, una cartera de agente basada en x402 (pago por llamada sobre HTTP) y distribución mediante una única etiqueta que se puede colocar en cualquier sitio web o en realidad aumentada. 🔗 Artículo en Hugging Face

Qué significa

El acceso a los modelos de frontera se convierte en una cuestión de contraparte, no solo de contrato. OpenAI no desconecta Cursor por un impago ni por una cláusula técnica, sino porque afirma que no puede confiar en el uso que haría su nuevo propietario, basándose en dos precedentes mencionados expresamente —Twitter y xAI, ambos bajo SpaceX—. Sin embargo, el argumento con mayores consecuencias es el segundo: OpenAI invoca su próximo modelo Astra, del que anunció el 7 de agosto que ya no podía excluir capacidades cibernéticas de nivel Crítico, para justificar que no proporcionará ningún modelo futuro. En otras palabras, cuanto más peligrosa se considera una generación de modelos, más se reduce la lista de quienes pueden acceder a ella —y el criterio de selección ya no es la solvencia del cliente, sino el historial de cumplimiento de su empresa matriz—. Para los equipos que han construido su cadena de producción sobre un editor externo, el 12 de noviembre es una fecha límite de migración.

Lo que cambia de precio son los límites máximos, no las tarifas. Anthropic no ha modificado ninguna tarifa publicada: convierte un aumento temporal del 50 % en un aumento permanente del 25 %, lo que supone un −17 % frente a hoy, y lo dice explícitamente en el mensaje siguiente. GitHub, por su parte, presenta el esfuerzo de razonamiento como una compensación asumida frente al consumo de tokens y ahora muestra el consumo por modelo en cada turno de conversación. Las cifras de Requesty explican por qué estos límites se han convertido en el precio real: las lecturas de caché representan el 78 % de todos los tokens procesados, la salida visible menos del 2 %, y la proporción entre entrada y salida ha pasado de 15x en enero a 36x en agosto. Un bucle de agente no cuesta lo que escribe, sino lo que vuelve a leer en cada etapa —y es esa magnitud la que los proveedores han empezado a racionar.

Los pesos abiertos han ganado volumen y han perdido valor. La mitad del tráfico, el 13 % del gasto y el 86 % de este último todavía concentrado en tres proveedores: el mercado abierto se ha convertido en un mercado mayorista, donde el mismo modelo cuesta 5,7 veces más de un proveedor de hosting a otro según la única política de caché, y donde un laboratorio pierde la mayoría de los tokens servidos en su propio modelo en once días. GLM-5.3 lo ilustra hoy: pesos publicados el día 28, disponibles en un proveedor externo el día 29 a 1,40 dólares por millón de tokens de entrada, seguidos de una medición independiente que cuantifica exactamente el coste de su versión destilada —2,6 puntos de pass@4 por una diecisieteava parte del precio—. Cuando el modelo es el mismo en todas partes, la diferenciación se desplaza hacia la caché, el enrutamiento y la medición. Es un trabajo de infraestructura, no de laboratorio.

El cliente de línea de comandos vuelve a ser un terreno de competición técnica. Copilot CLI cambia a un motor de ejecución nativo en Rust, manteniendo su interfaz en TypeScript; Claude Code reduce 4,5 veces su descarga para Linux y recupera entre 40 y 70 MB de memoria por sesión; Antigravity CLI elimina los redibujados que hacían subir el procesador en reposo; Codex CLI impide que /cd debilite su sandbox; y Gemini CLI establece la confianza del espacio de trabajo como denegada de forma predeterminada. Cinco editores, la misma semana y sobre los mismos temas: tiempo de arranque, huella de memoria y perímetro exacto de lo que el agente tiene permiso para tocar. Después de un año dedicado a comparar las capacidades de los modelos, la competencia también se libra en el programa que los ejecuta —y la seguridad ocupa ya tantas líneas del changelog como las funcionalidades.