Anthropic descubre un espacio de trabajo global en los LLM (J-space), Runway abre un hub de physical AI en París, Claude Code explica los bucles agénticos

Este 6 de julio marca una jornada densa entre interpretabilidad fundamental e infraestructura física: Anthropic publica una investigación sobre el J-space, espacio de trabajo global descubierto en los LLM, que recuerda a las teorías neurocientíficas de la conciencia; Runway anuncia su primera oficina en Francia con 30 M USD invertidos en la investigación en physical AI; y el equipo de Claude Code documenta por fin los cuatro tipos de bucles agénticos que estructuran los workflows autónomos. En el ámbito open source, LeRobot v0.6.0 y la asociación Google DeepMind × Apptronik precisan la anatomía de la IA robótica en 2026.

Investigación de Anthropic — El J-space, espacio de trabajo global en los LLM

6 de julio — Anthropic publica en transformer-circuits.pub una nueva investigación de interpretabilidad: los LLM poseen un mecanismo análogo al espacio de trabajo global (global workspace) descrito por las neurociencias cognitivas — una zona de información activa, consciente y accesible al razonamiento. Este mecanismo, llamado J-space, emerge de forma natural en los modelos de lenguaje sin haber sido diseñado explícitamente.

La investigación establece que, del mismo modo que el cerebro humano solo hace accesible a la conciencia una fracción de su actividad neuronal, los LLM concentran su razonamiento activo en este espacio reducido. Este descubrimiento tiene tres implicaciones concretas:

Leer sobre qué razona activamente Claude en un momento dado
Auditar los estados intermedios del razonamiento
Orientar el proceso de pensamiento del modelo durante su ejecución

El hilo de X de Anthropic menciona una demo interactiva disponible a través de Neuronpedia en modelos open-weights, que permite explorar el J-space directamente. La investigación se inscribe en el programa de interpretabilidad mecánica de Anthropic (mechanistic interpretability), cuyo objetivo es comprender las representaciones internas de los modelos para garantizar su fiabilidad a medida que ganan capacidad.

New Anthropic research: A global workspace in language models. Of everything happening in your brain right now, only a tiny fraction is consciously accessible—thoughts you can describe, hold in mind, and reason with. We found a strikingly similar dynamic inside language models. The J-space lets us read, audit, and shape what Claude is actively thinking about—useful tools for keeping models trustworthy as they grow more capable. And it suggests surprising parallels between language models and our own minds.

🇪🇸 Nueva investigación de Anthropic: un espacio de trabajo global en los modelos de lenguaje. De todo lo que ocurre en tu cerebro en este momento, solo una ínfima fracción es accesible de forma consciente: los pensamientos que puedes describir, mantener en mente y razonar. Hemos descubierto una dinámica sorprendentemente similar en los modelos de lenguaje. El J-space nos permite leer, auditar y orientar sobre qué está reflexionando activamente Claude — herramientas útiles para mantener la fiabilidad de los modelos a medida que ganan capacidad. Y sugiere paralelismos sorprendentes entre los modelos de lenguaje y nuestras propias mentes. — @AnthropicAI en X

🔗 Documento completo — transformer-circuits.pub

Runway abre su primera oficina en Francia en París

6 de julio — Runway anuncia la apertura de su primera oficina francesa en París, dedicada a la investigación en world models (modelos del mundo) y en physical AI (IA física). Este hub forma parte de la expansión europea de Runway, seis semanas después de la apertura de su primera oficina londinense.

Elemento	Detalle
Lugar	París, Francia
Equipo inicial	10 personas
Inversión	30 M USD
Enfoque	World models, physical AI
Contratación	París + Europa

“France has one of the deepest concentrations of AI research talent in the world. We’re excited to plant a flag in Paris as we continue to grow our global research presence.”

🇪🇸 « Francia posee una de las concentraciones más profundas de talento en investigación de IA del mundo. Estamos encantados de plantar nuestra bandera en París mientras seguimos desarrollando nuestra presencia mundial en investigación. » — Anastasis Germanidis, co-CEO, Runway

El co-CEO cita la densidad de talento procedente de las grandes instituciones de investigación francesas y el apoyo del gobierno como factores determinantes. Runway contrata activamente en París y en toda Europa. La inversión de 30 M USD posiciona París como un centro de investigación fundamental, complementario al hub londinense orientado a la comercialización.

🔗 Anuncio oficial de Runway

Claude Code — Guía sobre los cuatro tipos de bucles agénticos

6 de julio — El equipo de Claude Code publica a través de @ClaudeDevs una guía de fondo, ya vista 316 000 veces, sobre el diseño de los bucles agénticos. La guía parte de una definición precisa: un bucle es un agente que repite ciclos de trabajo hasta que se alcanza una condición de parada.

Tipo de bucle	Disparador	Condición de parada	Primitivo de Claude Code	Caso de uso típico
Turno a turno (turn-based)	Prompt del usuario	Claude considera que la tarea está terminada	Agentic loop	Tareas cortas y exploratorias
Orientado a objetivo (goal-based)	Prompt + criterio explícito	Criterio alcanzado o número máximo de turnos	`/goal`	Tareas con criterio de salida verificable
Temporal (time-based)	Intervalo temporal	Cancelación o fin del trabajo	`/loop`, `/schedule`	Trabajo recurrente o sistemas externos
Proactiva (proactive)	Evento o schedule sin humano	Fin de cada sub-tarea	Dynamic workflows + modo auto	Flujos de trabajo recurrentes bien definidos

Ejemplos concretos dados en la guía: /goal get the homepage Lighthouse score to 90 or above, stop after 5 tries (goal-based), /loop 5m check my PR, address review comments, and fix failing CI (time-based). La guía aborda también la gestión de la calidad del código en los bucles largos (SKILL.md para la autoverificación, segundo agente para la revisión) y el control del uso de tokens (elección del modelo adecuado, criterios de parada claros).

🔗 Hilo @ClaudeDevs — Empezando con los bucles

Gobierno de Alberta — 466 millones de líneas auditadas en 20 horas

6 de julio — Anthropic publica un caso de uso detallado del gobierno de Alberta (Canadá): desde 2025, la provincia utiliza Claude Code con los modelos Opus y Sonnet para auditar la seguridad de sus sistemas informáticos gubernamentales. Los resultados son impactantes.

Métrica	Valor
Líneas de código analizadas	466 millones
Duración del análisis	20 horas
Agentes paralelos	~50 (Opus + Sonnet)
Aplicaciones cubiertas	1 280
Repositorios cubiertos	3 400
Ministerios implicados	27
Controles de seguridad por pasada	~95

La arquitectura se basa en dos tipos de agentes construidos con el Claude Agent SDK: un agente de «equipo rojo» (red team) que sondea las aplicaciones como un atacante, y un agente de «equipo azul» (blue team) que evalúa las defensas según un estándar de seguridad internacional y redacta el plan de remediación. Un portal de subvenciones Java con 25 años de antigüedad fue reconstruido en 4 a 5 días (frente a 5 meses al inicio). Alberta publica libros blancos técnicos para que otros gobiernos puedan reproducir el enfoque.

🔗 Caso de estudio — anthropic.com

Sakana AI lanza Sakana Translate — traducción JA/EN/ZH en tiempo real

6 de julio — Sakana AI, laboratorio de Tokio especializado en redes neuronales bioinspiradas, lanza Sakana Translate, integrado en su servicio Sakana Chat. La herramienta admite traducción bidireccional japonés ↔ inglés ↔ chino con tres modos distintos:

Modo	Funcionamiento
Translate	Traducción larga en tiempo real
Proofread	Afina el tono y la formulación con seguimiento de cambios
Ask	Aclara las elecciones de palabras matizadas

Este lanzamiento marca la entrada de Sakana AI en las herramientas de traducción para el gran público, con un posicionamiento deliberadamente centrado en las tres grandes lenguas de Asia oriental. El servicio está disponible en translate.sakana.ai.

🔗 Tweet de Sakana AI

HuggingFace LeRobot v0.6.0 — world models, reward models, 9 familias de benchmarks

5-6 de julio — HuggingFace publica LeRobot v0.6.0 bajo el título «Imagine, Evaluate, Improve», una versión que estructura el aprendizaje robótico en tres ejes complementarios.

Políticas con modelo del mundo:

Política	Descripción
VLA-JEPA	VLA compacta (Qwen3-VL-2B) que predice el futuro en espacio latente
LingBot-VA	Modelo vídeo-acción autorregresivo que predice vídeo futuro y acciones simultáneamente
FastWAM	Evalúa si la imaginación en inferencia mejora realmente el rendimiento

Nuevos VLAs integrados: GR00T N1.7 (NVIDIA), MolmoAct2 (Allen AI, inferencia ~12 GB), EO-1, Multitask DiT, EVO1 (0,77 Md parámetros).

Modelos de recompensa: Robometer (zero-shot en cualquier dataset LeRobot) y TOPReward (usa Qwen3-VL como juez).

Los benchmarks cubren ahora 9 familias: LIBERO, Meta-World, NVIDIA IsaacLab-Arena y 6 nuevas. La infraestructura se enriquece con el CLI lerobot-rollout para el despliegue con estrategia DAgger, con soporte FSDP para entrenar modelos más grandes que la memoria GPU disponible, y con HF Jobs para el entrenamiento cloud en una sola línea de comando.

🔗 LeRobot v0.6.0 — HuggingFace Blog

Google DeepMind × Apptronik — Robot Park ampliado, datos Apollo 2 para Gemini Robotics

6 de julio — Google DeepMind anuncia la expansión de su asociación de investigación con Apptronik. Con motivo de la ampliación del Robot Park de Apptronik, los datos recopilados en condiciones reales por la plataforma humanoide Apollo 2 alimentarán directamente el entrenamiento de Gemini Robotics.

Elemento	Detalle
Socio	Apptronik (Robot Park ampliado)
Plataforma	Apollo 2 (robot humanoide)
Uso	Datos reales → entrenamiento de Gemini Robotics

Este anuncio ilustra la estrategia de Google DeepMind: anclar la IA robótica en datos de campo en lugar de en simulaciones, apoyándose en robots humanoides físicos desplegados en entornos reales.

🔗 Tweet de @GoogleDeepMind

Breves

Kimi K2.7 Code vs Claude Fable 5 — páginas de aterrizaje a -94 % de coste — Together AI publica una comparación: 12 páginas de aterrizaje generadas, Kimi K2.7 Code cuesta aproximadamente 4 céntimos por página frente a 1,09 USD para Fable 5 (16× más barato de media), para puntuaciones GPT-5.5 con una diferencia de 4 a 12 puntos según las páginas. La ventaja de Kimi se amplifica con un servidor MCP de referencias visuales. 🔗 Together AI Blog

Lo que esto significa

La interpretabilidad pasa del laboratorio a la herramienta de supervisión. El descubrimiento del J-space por parte de Anthropic no es un resultado académico aislado: es la primera vez que un mecanismo interno de los LLM puede ser leído, auditado y orientado en tiempo real, sin modificar el modelo. Si las herramientas de supervisión basadas en esta investigación llegan a ser operativas, cambiarían fundamentalmente la forma de verificar qué está planeando un agente autónomo, algo que interesa tanto a los equipos de seguridad como a los desarrolladores que depuran workflows agénticos.

El physical AI se instala en Europa a través de París. La apertura de la oficina parisina de Runway, combinada con LeRobot v0.6.0 de HuggingFace y la asociación Google DeepMind × Apptronik, dibuja un ecosistema coherente en torno al physical AI: modelos que imaginan sus acciones antes de ejecutarlas (world model policies), datos reales de robots humanoides para el entrenamiento e infraestructura cloud para democratizar el acceso. Runway elige París por la densidad de investigación fundamental: una señal sobre la geografía futura de este campo.

La IA agéntica entra en producción gubernamental. El caso de Alberta no es un piloto: 466 millones de líneas analizadas en 20 horas por 50 agentes paralelos, 1 280 aplicaciones y 27 ministerios cubiertos, libros blancos publicados para otros gobiernos. Combinado con la guía de Claude Code sobre los bucles, que documenta los primitivos /goal, /loop, /schedule para los workflows totalmente autónomos, es la señal de que la IA agéntica es ahora suficientemente fiable como para desplegarse en sistemas críticos — con arquitecturas multiagente supervisadas.

La ecuación coste-calidad se desplaza. La comparación Kimi K2.7 Code vs Fable 5 publicada por Together AI materializa una tensión estructural: para las tareas de alta frecuencia (generación de páginas, workflows repetitivos), los modelos open-weight bien optimizados reducen el coste en un factor 16 para una diferencia de calidad medida en menos de 10 %. Esto no significa que los modelos cerrados pierdan valor, sino que su ventaja se concentra cada vez más en tareas donde la calidad marginal realmente importa.