Claude descubre fallos criptográficos inéditos, Gemini Robotics ER 2 hace colaborar a varios robots, GPT-5.6 baja sus precios

El 30 de julio de 2026 está dominado por dos avances de investigación: Claude Mythos, el modelo de investigación interno de Anthropic, descubre fallos criptográficos inéditos en un candidato postcuántico del NIST y en una versión debilitada de AES, mientras que Google DeepMind lanza Gemini Robotics ER 2, capaz de hacer colaborar a varios robots en una misma tarea. En torno a estos dos temas giran una bajada de precios en OpenAI para GPT-5.6, una adopción simultánea de las pull requests apiladas en GitHub y Devin, varias salidas de modelos abiertos (Thinking Machines, Sakana AI, LightOn), y una oleada de actualizaciones en el ámbito de los agentes (Perplexity, Genspark, Gemini).

Claude Mythos descubre fallos criptográficos inéditos (HAWK, AES)

30 de julio — Anthropic publica una investigación de su Frontier Red Team que muestra que Claude Mythos Preview, su modelo de investigación interno más avanzado y no comercializado, ha descubierto fallos matemáticos inéditos en dos algoritmos criptográficos importantes, más allá de los simples bugs de implementación que Claude ya sabía detectar en bibliotecas como OpenSSL. El anuncio se publicó el 28 de julio en X, y luego se detalló en un artículo de blog completo.

Primer resultado: un ataque mejorado contra HAWK, candidato de la tercera ronda del concurso del NIST (el organismo estadounidense de normalización) para firmas digitales postcuánticas. En 60 horas de trabajo, por un coste de unos 100 000 dólares en API, el modelo encontró un ataque que reduce a la mitad el tamaño de clave efectivo de HAWK-256 — el coste estimado de un ataque completo pasa de 2^64 a 2^38 operaciones. Segundo resultado: sobre una versión de AES-128 reducida a 7 rondas de 10, una nueva técnica bautizada Möbius Bridge (puente de Möbius) acelera entre 200 y 800 veces los mejores ataques conocidos, con un coste similar — el modelo primero consideró la tarea irrealizable antes de perseverar bajo el impulso de los investigadores, que luego dedicaron varios cientos de horas a validar el resultado.

Anthropic precisa que ningún sistema en producción se ve afectado: HAWK es solo un candidato no desplegado, y el ataque sobre AES solo se aplica a una versión debilitada del cifrado — el AES completo de 10 rondas no está roto. También hay resultados preliminares que afectan a LEA (clave recuperada en menos de una hora sobre 13 rondas), Serpent-128 (ataque completo a 6 rondas) y mejoras más limitadas en Salsa20, Poseidon y SHA-1.

Para profundizar en estas investigaciones, Anthropic se asocia con ETH Zurich, Tel Aviv University y TU Berlin para construir CryptanalysisBench, un banco de pruebas destinado a medir las capacidades de criptoanálisis de los modelos.

Objetivo criptográfico	Resultado obtenido
HAWK-256 (firma postcuántica)	Tamaño de clave efectivo dividido por dos (2^64 → 2^38), encontrado en 60 horas
AES-128 reducido a 7 rondas de 10	Ataque 200 a 800 veces más rápido mediante la técnica Möbius Bridge
LEA reducido a 13 rondas de 24	Recuperación de clave en menos de una hora en ordenador de escritorio
Serpent-128 reducido a 6 rondas de 32	Nuevo ataque completo de recuperación de clave
Salsa20, Poseidon, SHA-1	Ganancias inferiores a 10 veces sobre los mejores ataques conocidos

🔗 Investigación completa — Anthropic

Google DeepMind lanza Gemini Robotics ER 2

30 de julio — Google DeepMind lanza Gemini Robotics ER 2 (Embodied Reasoning, razonamiento encarnado), su modelo más capaz para dotar a los robots de un cerebro de alto nivel. Comprende el mundo físico, conversa con los humanos, planifica tareas de varios pasos y luego delega la ejecución motora a un modelo visión-lenguaje-acción de nivel inferior; también puede llamar de forma nativa a herramientas como Google Search o a funciones definidas por el desarrollador.

Frente a la versión anterior (ER 1.6), el avance principal se centra en la comprensión continua de vídeo: al observar un flujo de vídeo en directo, un robot puede seguir su propio progreso, adaptarse en caso de error y saber con precisión cuándo pasar a la siguiente etapa. Google introduce también la colaboración multirobot: máquinas diferentes (un robot con ruedas y un humanoide, por ejemplo) se comunican mediante una comprensión semántica compartida para repartirse tareas complejas — demostrado con los robots Apollo 2 de Apptronik y Franka F3 Duo, que ordenan un garaje entre dos.

En cuanto al rendimiento, el modelo alcanza un 57,4 % de precisión en clasificación del progreso de la tarea y un 91,3 % en detección del momento adecuado para actuar (desfase medio de 0,96 segundos), con una velocidad de ejecución 4 veces superior a la de modelos más voluminosos con precisión comparable. En materia de seguridad, Google indica que se trata de su modelo más seguro hasta la fecha: detiene correctamente a un robot humanoide cuando una persona se acerca, y solo reanuda su actividad cuando la zona queda despejada.

El modelo está disponible desde hoy para los desarrolladores a través de la API Gemini y Google AI Studio, con acceso anticipado restringido en la plataforma Gemini Enterprise Agent. También se documenta una demostración con un robot Spot de Boston Dynamics, que va a buscar un snack por comando de voz, con el código disponible en GitHub.

Indicador de rendimiento	Resultado medido
Clasificación de progreso de tarea	57,4 % de precisión
Detección del momento adecuado para actuar	91,3 % de precisión, desfase medio de 0,96 segundos
Velocidad de ejecución vs modelos más grandes	4 veces más rápido

🔗 Anuncio oficial — Google DeepMind

Cursor: los agentes cloud completan el 56 % de las pull requests fusionadas

30 de julio — Cursor comparte una cifra interna destacable sobre la adopción de sus agentes cloud: en diciembre, solo 1 pull request fusionada de cada 10 procedía de un agente cloud; hoy esa cifra alcanza el 56 %. La empresa atribuye este avance a dar a los agentes su propia máquina cloud, con la capacidad de corregir y mejorar por sí mismos su entorno de ejecución, lo que les permite llevar a cabo tareas de ingeniería más largas de principio a fin.

In December, 1 in 10 of our merged PRs came from cloud agents. Today, it’s 56%, as we use cloud agents to complete longer engineering tasks from start to finish. We got here by giving agents their own cloud computers and letting them fix and improve their environments.

🇪🇸 En diciembre, 1 PR fusionada de cada 10 procedía de agentes cloud. Hoy es el 56 %, gracias al uso de agentes cloud para llevar a cabo tareas de ingeniería más largas, de principio a fin. Hemos llegado hasta aquí dándoles a los agentes su propio ordenador cloud y dejándoles corregir y mejorar sus entornos. — @cursor_ai en X

Las pull requests apiladas pasan a preversión en GitHub, Devin las adopta el mismo día

30 de julio — Dos anuncios distintos, el mismo día, en torno a un único flujo de trabajo: dividir un cambio voluminoso en una serie de pull requests más pequeñas y revisables de forma independiente.

GitHub generaliza las stacked pull requests

GitHub pone las stacked pull requests en previsualización pública en todos los repositorios. En lugar de una pull request gigantesca o de varias ramas que haya que rebasar a mano, el cambio se divide en capas ordenadas, cada una revisable mediante un «stack map» que sitúa la capa en revisión dentro del conjunto, y luego fusionables en una sola operación. Fusionar la capa superior hace aterrizar automáticamente todo lo que está debajo; fusionar una capa intermedia rebasea y retargetea automáticamente las capas que siguen abiertas, sin perder las protecciones de rama existentes. La función está disponible a través de github.com, la CLI (extensión gh-stack), la aplicación móvil y directamente desde un agente de codificación como GitHub Copilot gracias a la habilidad dedicada gh-stack.

🔗 Stacked pull requests — GitHub

Devin (Cognition) las adopta de forma nativa

Ese mismo día, Devin, el agente de ingeniería de software de Cognition, anuncia el soporte nativo de las stacked PRs de GitHub: descomponer los cambios grandes en diffs más pequeños, tratar y corregir los comentarios de revisión en toda la pila, y rebasar automáticamente los cambios aguas abajo cuando una capa evoluciona. La adopción simultánea, por parte de la plataforma y del agente, muestra que este nuevo modelo de revisión se integra directamente en los flujos de trabajo impulsados por agentes autónomos, y no solo para desarrolladores humanos.

🔗 Devin — anuncio de Cognition

Amp Labs firma una asociación con el banco Westpac

29 de julio — Amp Labs, la división de servicios/consultoría de Amp (el spin-off independiente de Sourcegraph), anuncia una asociación con Westpac, uno de los bancos australianos más antiguos — una empresa con más de dos siglos de historia. El objetivo: transformar la manera en que el banco construye y entrega su tecnología, en particular la migración y la modernización de sistemas de datos utilizados por millones de personas. Un equipo dedicado trabajará in situ en Sídney, junto a los ingenieros de Westpac. El artículo presenta al equipo fundador del proyecto — procedente de Block, Ethereum Foundation, Google y Canva — y abre una contratación local en Sídney. Esta asociación ilustra el auge de las ofertas de servicio en torno a los agentes de codificación, más allá de la simple suscripción de software: Amp Labs vende ahora una presencia humana in situ, respaldada por su agente.

🔗 Anuncio — Amp Labs x Westpac

Bajada de precios API de GPT-5.6, modo Fast para Sol

30 de julio — Apoyándose en las mejoras de eficiencia obtenidas el día anterior (GPT-5.6 Sol optimizó por sí mismo sus núcleos de producción, ya cubierto), OpenAI baja los precios API de GPT-5.6 Luna, su modelo más rápido y barato, un 80 %, y de GPT-5.6 Terra, su modelo equilibrado para uso habitual, un 20 %. Estas bajadas también se reflejan en el consumo de créditos de las suscripciones Codex y ChatGPT Work, sin cambios en los cupos ni en los precios de suscripción.

OpenAI introduce también un modo Fast en la API, que sustituye la oferta Priority Processing: para GPT-5.6 Sol, ofrece hasta 2,5 veces la velocidad del procesamiento estándar, al doble de precio, sin cambio de inteligencia. Las solicitudes existentes etiquetadas como «priority» cambian automáticamente a este nuevo modo. Se citan varios clientes empresariales como testimonio, entre ellos Replit, Notion, Ramp, Blitzy, Cognition y Dust.

Modelo y modo	Tarificación a partir del 30 de julio
GPT-5.6 Terra (entrada / salida)	2 dólares y 12 dólares por millón de tokens
GPT-5.6 Luna (entrada / salida)	0,20 dólar y 1,20 dólares por millón de tokens
GPT-5.6 Sol, modo Fast	Hasta 2,5 veces más rápido, al doble de precio

GPT‑5.6 Luna is the closest we’ve come to intelligence too cheap to meter. I’ve never seen a model this affordable be this powerful — it’s unlocking use cases for Replit we didn’t expect to build for a long time.

🇪🇸 GPT-5.6 Luna es lo más cercano a una inteligencia demasiado barata para poder medirse. Nunca he visto un modelo tan asequible ser tan potente: esto desbloquea para Replit casos de uso que no pensábamos poder construir hasta dentro de mucho tiempo. — Michele Catasta, Presidente y Head of AI, Replit — citado por OpenAI

Dos ajustes de API triplican las puntuaciones de GPT-5.6 Sol en ARC-AGI-3

29 de julio — OpenAI publica un análisis sobre las puntuaciones inicialmente bajas de GPT-5.6 Sol (7,8 %) y GPT-5.5 (0,4 %) en el benchmark de rompecabezas 2D ARC-AGI-3, cuando Sol, por lo demás, había resuelto problemas abiertos de matemáticas y vencido videojuegos complejos. La investigación muestra que el arnés oficial del benchmark elimina el razonamiento privado del modelo después de cada acción y trunca su historial mediante una ventana deslizante, lo que le impide recordar sus reflexiones y acciones pasadas.

Al reconstruir el arnés con la Responses API de OpenAI (la utilizada en producción en ChatGPT y Codex), al activar la conservación del razonamiento y la compacción en lugar de la truncación, la puntuación de GPT-5.6 Sol en el conjunto público pasa de 13,3 % a 38,3 %, con 6 veces menos tokens de salida — frente a una referencia humana estimada en 48 %. OpenAI extrae de ello una recomendación general: usar la Responses API en lugar de la antigua Chat Completions API para obtener evaluaciones representativas de un uso real.

Configuración probada	Puntuación obtenida (ARC-AGI-3)
Arnés oficial del benchmark	13,3 %
Razonamiento conservado y compacción	38,3 % (6 veces menos tokens de salida)
Referencia humana estimada	48 %

🔗 Análisis completo — OpenAI

GitHub Copilot en Visual Studio: balance de julio

30 de julio — GitHub publica su informe mensual sobre GitHub Copilot en Visual Studio 2026, con cuatro novedades. Un nuevo Agent (Preview) aparece en el selector de Copilot Chat, construido sobre el mismo Copilot SDK que alimenta GitHub Copilot CLI — promesa de respuestas más cortas y de tareas realizadas con menos idas y vueltas. Habilidades integradas de .NET y Azure, redactadas por los equipos internos correspondientes, aparecen automáticamente en la categoría «Built-in» del selector de herramientas en cuanto se instalan las cargas de trabajo correspondientes (desactivadas por defecto). Una función Review Selection permite seleccionar código, hacer clic derecho y obtener comentarios inline accionables. Por último, unas instrucciones personalizadas a nivel de organización permiten a los propietarios de la organización definir preferencias compartidas aplicadas automáticamente a todos los repositorios — reservadas a los planes Business y Enterprise, mientras que las otras tres novedades están disponibles en todos los planes.

🔗 Balance de julio — GitHub Copilot en Visual Studio

Genspark presenta SecondBrain, memoria persistente para AI Workspace 6.0

29 de julio — Genspark destaca, a través de una intervención mediática de su COO Wen Sang, una función llamada SecondBrain dentro de AI Workspace 6.0 (ya lanzado el 20 de julio). El enfoque elegido: el «problema de memoria» de los agentes de IA, que olvidan el contexto de un proyecto de una sesión a otra. Con la autorización explícita del usuario, SecondBrain se conecta a los correos electrónicos, al calendario, al historial de conversaciones, a las notas de reuniones y a herramientas externas (Gmail, Slack, Notion, HubSpot, Microsoft 365…) para constituir una capa de contexto personal utilizable por el Super Agent de Genspark. Se documentan varios usos concretos: resumen semanal automático, briefing antes de reuniones con el contexto de los participantes, o búsqueda transversal en todas las fuentes conectadas. Genspark distingue este software del producto SecondBrain Note, una caja de grabación física vendida por separado, que no es más que un canal de entrada opcional entre otros.

🔗 SecondBrain — anuncio de Genspark

Perplexity lanza Projects, evolución de Spaces en Computer

30 de julio — Perplexity reemplaza los «Spaces» por Projects en Computer, su entorno de orquestación de agentes: espacios de trabajo persistentes para trabajo de larga duración, con un sistema de archivos compartido y jerárquico sobre el que las tareas sucesivas pueden apoyarse sin empezar de cero. Los Projects se conectan a Brain, el sistema de memoria auto-mejorable de Computer, que relee entre tareas los archivos y sesiones del Project para que cada nueva tarea empiece con el contexto acumulado. Se destaca el aspecto colaborativo: varios miembros de un equipo pueden trabajar en un mismo Project manteniendo su memoria personal y sus conectores aislados en su propia cuenta. Perplexity afirma contar con conexión a más de 400 herramientas (Google Drive, Notion, Linear, Snowflake, GitHub), así como integración con Slack y Microsoft Teams. Los Spaces existentes migran automáticamente; disponible desde hoy para todos los usuarios de Computer.

🔗 Spaces se convierte en Projects — Perplexity

Gemini Spark integra Chrome y se expande a 160+ países

30 de julio — Google amplía Gemini Spark, su asistente de automatización de tareas web, con una integración directa en Chrome llamada Chrome auto browse. Con la autorización del usuario, Spark ahora puede apoyarse en las cuentas conectadas y las contraseñas guardadas del navegador para llevar a cabo gestiones tediosas —programar visitas a apartamentos guardados, o buscar vuelos e iniciar una reserva. Google precisa que estas acciones están protegidas contra intentos de inyección de prompt, y que los pasos sensibles como los pagos se devuelven sistemáticamente al usuario para su validación. La función arranca en Estados Unidos, con una expansión prevista a otras regiones. En paralelo, el acceso a Spark se amplía a los suscriptores de Google AI Pro en más de 160 países adicionales a partir de hoy —una expansión mucho más amplia que la del 23 de julio, limitada a Estados Unidos.

🔗 Actualizaciones de Gemini Spark — Google

Nano Banana llega a Google Earth

30 de julio — Google Earth integra ahora Nano Banana 2, el modelo de generación de imágenes de Google, directamente en su interfaz web. Basta con hacer zoom sobre un lugar, hacer clic en «create image» y describir lo que se desea visualizar: el modelo genera una imagen anclada en la imaginería real del lugar (vistas satelitales, aéreas y 3D), y no una escena genérica. El artículo detalla cinco usos concretos: reconstruir un sitio histórico (las ruinas de Pompeya tal como eran en el año 78 d. C.), crear infografías pedagógicas sobre un lugar, producir planos de proyectos inmobiliarios o urbanísticos, visualizar un proyecto de construcción antes de las obras, o simplemente reimaginar un lugar de forma fantasiosa. La función está disponible desde hoy, a nivel global, para todos los usuarios de Google Earth en la web, sin restricción geográfica ni nivel de suscripción particular.

🔗 Nano Banana en Google Earth — Google

ElevenLabs lanza Character Casting en ElevenCreative Audiobooks

30 de julio — ElevenLabs lanza Character Casting dentro de ElevenCreative Audiobooks, su suite de producción de audiolibros por IA. La función permite importar un manuscrito completo y luego previsualizar distintas voces directamente sobre diálogos reales del texto, con el fin de asignar una voz distinta a cada personaje. El objetivo es simplificar el casting vocal, un paso hasta ahora manual y que consumía mucho tiempo en la producción de audiolibros generados por IA —el estudio ajusta ahora la voz sobre réplicas efectivamente pronunciadas en el libro en lugar de sobre un texto de demostración genérico.

🔗 Character Casting — ElevenLabs

Inkling-Small: Thinking Machines publica, NVIDIA sigue el mismo día

30 de julio — Thinking Machines (el laboratorio de Mira Murati) lanza Inkling-Small, una versión comprimida de Inkling: 276 mil millones de parámetros en total, 12 mil millones activos, cuantificación NVFP4, para rendimientos comparables a Inkling —cuatro veces más grande— con mejores resultados en código según Hugging Face. Los pesos completos se publican en acceso libre, con fine-tuning posible mediante Tinker y prueba en el Tinker Playground (texto, imagen, audio). Hugging Face amplifica el lanzamiento el mismo día con un blog dedicado a los benchmarks y al rendimiento, y una colección de modelos en el Hub.

NVIDIA enriquece la salida el mismo día anunciando la compatibilidad de Inkling-Small con NVIDIA NeMo en DGX Station, para el fine-tuning, así como un checkpoint dedicado al formato NVFP4 publicado directamente en Hugging Face. Este soporte material disponible desde el lanzamiento (day-0) ilustra la velocidad con la que el ecosistema se coordina ahora en torno a un modelo abierto de terceros: el laboratorio publica los pesos, Hugging Face documenta el rendimiento y NVIDIA garantiza la compatibilidad de su infraestructura de fine-tuning —todo ello en un solo día.

Característica técnica	Valor medido
Parámetros totales / activos	276 mil millones / 12 mil millones
Cuantificación	NVFP4
Compatibilidad de hardware day-0	NVIDIA NeMo en DGX Station

🔗 Lanzamiento — Thinking Machines en X

🔗 Soporte NeMo/DGX — NVIDIA en X

Sakana AI y NYU publican Dream-Cubed, dataset y modelos para Minecraft

29 de julio — Sakana AI publica, junto con la Universidad de Nueva York (NYU), Dream-Cubed : Controllable Generative Modeling in Minecraft by Training on Billions of Cubes. La contribución es doble: un amplio conjunto de datos de mundos Minecraft (decenas de miles de millones de «cubes» procedentes de terrenos procedurales y de mapas construidos por humanos con su consentimiento), y una familia de transformers entrenados sobre estos cubes como unidad de tokenización, al estilo de las palabras en la modelización del lenguaje. Los modelos permiten generar y editar en directo entornos 3D interactivos con resolución de cube, con inpainting dirigido, outpainting a gran escala y generación condicionada por el usuario, sobre mundos de tamaño arbitrario. El conjunto de datos, el código de entrenamiento y el artículo se publican en acceso libre.

🔗 Anuncio — Sakana AI en X

Together AI y Y Combinator lanzan un clúster GPU dedicado para las startups de YC

30 de julio — Together AI y Y Combinator anuncian una asociación que entrega el primer clúster GPU dedicado al portfolio de startups de YC. El objetivo: eliminar el principal cuello de botella de las jóvenes startups de IA —el acceso al cómputo— sin obligarlas a asegurar contratos de compute de varios años que a menudo superan toda su tesorería. Las startups del portfolio de YC pueden reservar, aprovisionar y gestionar por sí mismas sus GPU a través del portal self-service de Together AI, para necesidades puntuales de inferencia y entrenamiento, sin compromiso a largo plazo, beneficiándose al mismo tiempo de las tarifas habitualmente reservadas a los contratos de largo plazo. El mismo día, Together AI destaca un primer uso concreto: la startup Osmosis_AI, que explora si un modelo open source puede alcanzar el nivel de un modelo fundacional gracias al aprendizaje por refuerzo, entrenada sobre este clúster.

🔗 Clúster GPU dedicado YC — Together AI

LightOn publica mDenseOn & mLateOn en el blog de Hugging Face

30 de julio — El laboratorio francés LightOn AI publica, en el blog de Hugging Face, la colección mDenseOn & mLateOn: modelos de búsqueda de información (retrieval) de vector único y multivector, así como los datasets asociados, especializados en búsqueda multilingüe, contexto largo y búsqueda de código —18 elementos en total, publicados en pesos abiertos. Esta publicación sigue el mismo esquema que la publicación de LiquidAI (LFM2.5-Encoders) el 28 de julio: un laboratorio tercero utiliza el blog de Hugging Face como canal oficial de lanzamiento, con la ficha del modelo y la colección alojadas directamente en el Hub.

🔗 mDenseOn & mLateOn — blog de Hugging Face

Breves

Cognition actualiza FrontierCode 1.1 — con los nuevos descuentos tarifarios de GPT-5.6 Terra y Luna (ver más arriba), la serie se posiciona ahora en la curva de Pareto coste/rendimiento. 🔗 fuente
Hugging Face lanza Trackio Logbooks — la versión 0.34.0 de Trackio captura automáticamente el código, los trazados de agentes y los artefactos de una experiencia de IA en forma de bundle HTML estático reproducible. 🔗 fuente
Antigravity CLI pasa a la versión 1.1.8 — formatos de salida estructurada (json, stream-json) para el modo print, validación mediante esquema JSON personalizado y permisos mejorados para las órdenes compuestas. 🔗 fuente
GitHub Models se retira oficialmente — el playground, el catálogo de modelos, la API de inferencia y BYOK dejan de estar accesibles para cualquier cliente; GitHub redirige hacia Microsoft Foundry o GitHub Copilot. 🔗 fuente
GitHub restringe el control remoto a los dispositivos gestionados — nuevo parámetro empresarial remoteControl (requireSSO / disabled / enabled) para las sesiones Copilot en control remoto, desplegable mediante repositorio privado, MDM o archivo de configuración. 🔗 fuente
Kimi K3 (Max) toma la cabeza del ranking Fullstack Code Arena — por delante de GPT-5.6 Sol (xHigh) y Claude Fable 5, una señal más de que los modelos abiertos están alcanzando a los modelos cerrados en tareas de desarrollo completo (véase Inkling-Small más arriba). 🔗 fuente

Lo que esto significa

La investigación fundamental sale del laboratorio. Claude Mythos encuentra fallos inéditos en un candidato poscuántico del NIST y en una versión debilitada de AES —un avance de investigación, no una vulnerabilidad explotable en producción, pero que ilustra la velocidad con la que un modelo de investigación interno puede hacer avanzar un campo que los humanos estudian desde hace décadas. El mismo día, Gemini Robotics ER 2 hace pasar la robótica encarnada de un único robot que obedece instrucciones a varias máquinas que se coordinan entre sí para una tarea compartida. Google Earth ancla a su vez la generación de imágenes en el mundo real: Nano Banana ya no dibuja una escena genérica, sino una reconstrucción o una proyección a partir de la imaginería satelital de un lugar concreto —mientras Gemini Spark, a través de Chrome, pasa del texto a la acción concreta en la web real del usuario. Cuatro maneras distintas, este 30 de julio, de hacer que la IA abandone el terreno puramente conversacional.

La economía de la inferencia sigue girando en favor de los desarrolladores. OpenAI baja los precios de la API de GPT-5.6 Luna un 80 % y de Terra un 20 %, al tiempo que introduce un modo Fast dos veces más caro pero 2,5 veces más rápido —dos formas opuestas de ajustar el precio al uso real. El mismo día, un análisis de OpenAI muestra que un simple cambio de configuración de la API (razonamiento conservado, compaction) triplica la puntuación de GPT-5.6 Sol en ARC-AGI-3 mientras divide por seis su consumo de tokens de salida —el rendimiento de un modelo depende tanto del arnés que lo ejecuta como del propio modelo. Cognition saca una consecuencia inmediata al actualizar su propio benchmark FrontierCode: con los nuevos descuentos, GPT-5.6 se sitúa en la curva de Pareto coste/rendimiento.

Los modelos abiertos siguen alcanzando a los modelos cerrados. Thinking Machines publica Inkling-Small con soporte de hardware NVIDIA disponible desde el lanzamiento; Sakana AI y NYU abren un dataset y modelos generativos para Minecraft; LightOn publica su colección de modelos de búsqueda de información multilingüe —tres laboratorios distintos eligiendo el mismo canal, el blog de Hugging Face, para lanzar y documentar sus trabajos el mismo día. Kimi K3 (Max), ya líder en el ranking Agent Arena, también toma el primer puesto en el ranking Fullstack Code Arena, por delante de GPT-5.6 Sol y Claude Fable 5. Y Together AI, con Y Combinator, aborda lo que sigue siendo el verdadero cuello de botella de este ecosistema: el acceso al cómputo, entregando un clúster GPU dedicado a las startups de IA del portfolio YC sin obligarlas a compromisos plurianuales.

La industrialización de los agentes de código se acelera. En Cursor, la proporción de pull requests fusionadas procedentes de agentes cloud pasó del 10 % en diciembre al 56 % hoy. GitHub generaliza en previsualización pública las pull requests apiladas, y Devin (Cognition) las admite de forma nativa el mismo día —un mismo flujo de revisión adoptado simultáneamente del lado de la plataforma y del lado del agente. Amp Labs, por su parte, vende ahora una presencia humana sobre el terreno (un equipo in situ en Sídney para Westpac) además de su agente, mientras GitHub refuerza Copilot en Visual Studio con un nuevo agente basado en su SDK. Genspark y Perplexity avanzan sobre un problema relacionado, el de la memoria: SecondBrain y Projects dan a sus agentes un contexto persistente entre sesiones, condición necesaria para llevar a cabo tareas largas sin empezar de cero cada vez.