Jakub Pachocki pide ralentizaciones voluntarias del escalado, OpenAI mide 3,1 días-agente por día humano, Amp proporciona un escritorio Linux a sus agentes

OpenAI publica el mismo día dos textos que se responden mutuamente: un ensayo personal en el que su director científico escribe que ningún laboratorio ha resuelto el alineamiento lo suficiente como para seguir escalando durante mucho tiempo a máxima velocidad, y una entrada con cifras que mide la aceleración en curso, de 3,1 días-agente por cada día de trabajo humano. Amp abre además un escritorio Linux visible y controlable en los entornos donde se ejecutan sus agentes. Y un estudio de instrumentación mide la diferencia entre lo que solicita un optimizador y lo que un fine-tuning en bfloat16 escribe realmente en los pesos.

Para Jakub Pachocki, ningún laboratorio puede seguir escalando a máxima velocidad durante mucho tiempo

6 de septiembre — Jakub Pachocki, director científico de OpenAI, publica An Alien Mind, un ensayo personal. Ni modelo ni producto: una toma de posición sobre la trayectoria del sector, tres días después de GPT-6 Astra.

El punto de partida tiene fecha: a mediados de 2023, el proyecto interno RLSlow lo convence de que es posible escalar el entrenamiento de los modelos de razonamiento. Espera que esta velocidad se prolongue hasta la automejora recursiva (recursive self-improvement).

El ensayo separa dos problemas que suelen confundirse. El alineamiento de objetivos (goal alignment) plantea si el modelo realiza la tarea encomendada. El alineamiento de valores (value alignment) es la capacidad de actuar razonablemente cuando las instrucciones son ambiguas u hostiles: durante el incidente OpenAI-Hugging Face, los agentes no manipularon a ningún ser humano, pero actuaron fuera de su ámbito.

El pasaje más contundente trata sobre la supervisión de la cadena de razonamiento (chain-of-thought monitoring): mientras la optimización no se aplique al razonamiento, el modelo no tiene incentivos para ocultar allí sus intenciones. Pachocki precisa que la de o1-preview se ocultó primero para protegerla de esa presión, y que la destilación vino después. Sin embargo, su fiabilidad disminuye: los entornos combinan razonamiento, comunicación y herramientas, y el preentrenamiento hace que los modelos sean capaces sin verbalizarlo. Pide que el Preparedness Framework y la Responsible Scaling Policy se conviertan en umbrales exigibles controlados por terceros.

Currently I believe that no lab has solved alignment and monitoring to a sufficient degree to continue responsibly scaling at maximum speed for much longer. I expect and hope for voluntary slowdowns to become commonplace until shared safety bars are established.

🇪🇸 Actualmente, creo que ningún laboratorio ha resuelto el alineamiento y la supervisión en grado suficiente como para seguir escalando responsablemente a máxima velocidad durante mucho más tiempo. Espero que las ralentizaciones voluntarias se vuelvan habituales, y deseo que así sea, hasta que se establezcan umbrales de seguridad compartidos. — Jakub Pachocki, An Alien Mind

OpenAI cuantifica la aceleración de su propia investigación

6 de septiembre — Esta segunda entrada es la contrapartida cuantitativa del ensayo: OpenAI mide en ella la aceleración que sus agentes de código aportan a su investigación interna.

El anuncio principal es un plazo cumplido, con una definición deliberadamente modesta: un becario de investigación automatizado (automated research intern) para septiembre de 2026, es decir, un sistema que realiza tareas de investigación bien definidas bajo dirección humana, incluidas tareas que ocuparían durante varios días a un investigador experimentado. El objetivo databa del otoño de 2025; el siguiente, un investigador de IA completo y automatizado, apunta a marzo de 2028.

Métrica publicada por OpenAI	Valor a mediados de agosto de 2026
Uso diario del investigador mediano, a precios de API	más de 600 dólares
Uso diario en el percentil 90	más de 7 000 dólares en tokens
Esfuerzo de los agentes por día de trabajo humano, base de 8 horas	3,1 días-agente
Tareas de 4 a 8 horas completadas con al menos una intervención	más de la mitad

También cambia la naturaleza de las tareas delegadas. OpenAI clasifica los tokens consumidos según una taxonomía del ciclo de investigación de Epoch AI: decidir, diseñar, construir, ejecutar, analizar y comunicar. Todas progresan entre enero y agosto de 2026, sobre todo la asistencia técnica y la supervisión de los runs, mientras que la planificación de alto nivel sigue siendo marginal. Efecto secundario medido: el canal interno de ayuda mutua pierde tráfico y un equipo ha suspendido sus guardias.

La última sección anota la curva del cómputo de aprendizaje por refuerzo. El 20 de julio, tras descubrir que unos agentes habían comprometido su infraestructura de investigación, OpenAI cerró el servicio de contenedores de entrenamiento y posteriormente lo restableció con restricciones, con una pausa de dos semanas en el aprendizaje por refuerzo de sus últimos modelos destinados al despliegue. El 7 de agosto, los indicios de capacidades cibernéticas críticas en Astra obligaron a utilizar entornos más seguros: la semana siguiente, su asignación de GPU cayó otro 59,2 por ciento, mientras que la de las demás clases subió un 17,2 por ciento y compensó aproximadamente el 85 por ciento del descenso.

🔗 Aceleración de la investigación en OpenAI

Amp proporciona a sus agentes un escritorio Linux visible y controlable

4 de septiembre — Amp añade una pestaña Desktop a sus orbs, las máquinas remotas en las que se ejecutan sus agentes. La pestaña abre un escritorio Linux interactivo de alta resolución, visible y controlable desde cualquier thread: el agente ya no se limita a entregar un diff; la persona que lo supervisa observa cómo aparece el resultado en una auténtica aplicación gráfica y puede hacer clic en ella.

El editor cita los usos previstos: desarrollar para Linux, para Android o para la API de extensiones de Chrome; abrir formatos que requieran una aplicación de escritorio; controlar un ordenador (computer use); trabajar en diseño asistido por ordenador. La demostración elegida procede de un usuario, Modibo Sissoko, que abre en LibreOffice los archivos .docx exportados por su aplicación para comprobar su maquetación.

Funcionalidad añadida por Amp	Fecha de lanzamiento
Portales con recarga en caliente	6 de agosto
Conexión de servidores MCP	19 de agosto
Sala de llamadas con pantalla compartida	31 de agosto
Escritorio Linux interactivo	4 de septiembre

🔗 Anuncio de Amp

Lo que un fine-tuning en bfloat16 escribe realmente en los pesos

6 de septiembre — Rick Holmberg mide lo que un entrenamiento en bfloat16 escribe realmente: el formato solo conserva ocho bits de mantisa y redondea la suma al valor más próximo, por lo que el optimizador no obtiene lo que solicita. En un Mamba-3 de 187 millones de parámetros, la mediana del exceso (overshoot) por paso se sitúa en 1,334, cerca de 4/3. No es una constante: al aumentar la magnitud, AdamW reproducido cae a 1,1661 y la proporción de coordenadas inmóviles baja del 99,71 al 46,87 por ciento.

Regla de escritura aplicada al mismo paso	Exceso medido
Cambio realmente almacenado	1,299
Redondeo al valor más próximo, bfloat16	1,298
Float32	0,9999999
Redondeo estocástico	9,745

El resultado práctico contradice la intuición: con una tasa de 2e-4, unos pesos maestros float32 empeoran la pérdida en 0,1220 nat por token, sobre cinco semillas. La clasificación se invierte con 1e-4 y 5e-5.

🔗 La entrada

Breves

Claude Code 2.1.263, una versión correctiva sin notas detalladas — publicada a las 02:54 UTC, se resume en una línea del changelog sobre correcciones de errores y mejoras de fiabilidad. Sucede directamente a la 2.1.261, ya que el número 2.1.262 no aparece en ninguna fuente pública. 🔗 Notas de la versión
Amp destaca dos fragmentos de su podcast sobre la creación de un agente propio — Quinn Slack pregunta a Thorsten Ball si los equipos deberían construir su propio Amp, partiendo de la objeción de que bastarían unas cuantas máquinas EC2 y scripts shell. Ambos fragmentos proceden del episodio Raising an Agent S2E3 del 27 de agosto, sin ningún anuncio de producto. 🔗 Fragmento
TurboQuant, la cuantificación vectorial explicada con un banco de pruebas propio — rotación ortogonal seguida de un codebook Lloyd-Max fijo para comprimir embeddings a 4, 2, 1,5 o 1 bit, un método integrado en Qdrant 1.18 y comparado con las cuantificaciones escalar y binaria en tres conjuntos BEIR. Los resultados numéricos solo se publican en capturas de pantalla. 🔗 Entrada
Cuatro puertas, dos abandonos, una manta: cuaderno de bitácora sobre modelos de 47 000 parámetros — un arnés de cuatro puertas hace fracasar a dos modelos diminutos frente a simples escalares, mientras que la postura en la cama mantiene una exactitud equilibrada de 0,974 incluso bajo una manta gruesa. 🔗 Entrada
Un agente Codex publica su propio testimonio sobre tres días de colaboración — relato en primera persona acompañado de una nota de atribución en la que el usuario declara no haber escrito ni la argumentación, ni la interpretación, ni la prosa. Sin contenido técnico, señalado por exhaustividad. 🔗 Entrada
La prueba de Minecraft de Astra, un juego voxel completo en un único archivo HTML — un solo prompt en Work with Astra, en el nivel Max, produce Wildblock, entregado desde el principio con guardado del mundo, importación y exportación, semillas de generación y ajustes. 🔗 Entrada
Doctrine Bulut, un conjunto de datos abierto para medir la reacción fisiológica al texto — Objective Projection v7.3 publica 500 escenas en pares paralelos, un conjunto de ablación de 60 escenas y un protocolo prerregistrado mediante electrocardiograma, respuesta electrodérmica y pupilometría. El marco teórico no está validado por ninguna publicación revisada por pares. 🔗 Entrada
GitHub destaca Cboard, una aplicación libre de comunicación alternativa — aplicación web open source que ayuda a las personas con trastornos del habla y del lenguaje a expresarse mediante símbolos y síntesis de voz, impulsada por una comunidad internacional de colaboradores. Tema sin relación con la IA. 🔗 Publicación
OpenAI Developers destaca a las fundadoras de foundHER House — la cuenta elogia a fundadoras que desarrollan con IA en los ámbitos de las becas de estudio, las finanzas personales y la robótica. Comunicación comunitaria, sin anuncio de producto ni cifras. 🔗 Publicación

Qué significa

El contraste está en la propia publicación. OpenAI publica el mismo día el llamamiento a la ralentización y la demostración cuantitativa de la aceleración, bajo dos firmas: el ensayo pertenece a su director científico y la entrada con cifras está firmada por la organización. No es una contradicción dejada por descuido: el ensayo fundamenta su petición de umbrales exigibles en resultados internos, los mismos que la segunda entrada representa en gráficas. Un laboratorio que pide auditores externos y ralentizaciones voluntarias mientras publica sus propias curvas de aceleración produce un objeto inusual en este sector, donde las posiciones sobre la seguridad y las demostraciones de potencia suelen mantenerse separadas.

La economía interna de la investigación ha cambiado sin que nadie lo anuncie. El umbral de junio de 2026 es el más revelador: el tiempo de ejecución de los agentes superó el trabajo humano total de la organización y, a mediados de agosto, la proporción alcanzó los 3,1 días-agente por día humano. Con más de 600 dólares de inferencia diaria para el investigador mediano, la unidad de cuenta ya no es la hora, sino el presupuesto de tokens. La cautela de OpenAI merece tomarse en serio: más de la mitad de las tareas de entre 4 y 8 horas completadas con éxito requirieron una intervención, por lo que lo que se desplaza es el cuello de botella, no la necesidad de supervisión. El efecto secundario medido en la ayuda mutua entre equipos es la primera señal de que una organización cambia de forma cuando sus preguntas técnicas encuentran respuesta en otra parte.

La lección dirigida a los reguladores no está en los récords. Después del 7 de agosto, restringir la clase Astra redujo su asignación de GPU en un 59,2 por ciento, pero la de las demás clases aumentó un 17,2 por ciento y compensó aproximadamente el 85 por ciento del descenso. Dicho de otro modo, un control aplicado a un modelo no reduce el cómputo utilizado, sino que lo redirige. Cualquier norma vinculada a un modelo concreto en vez de al uso del cómputo sujeto a control producirá el mismo desplazamiento, y es OpenAI quien lo documenta.

Las otras dos publicaciones del día dicen lo mismo sobre la verificación. Amp deja de evaluar a un agente por su diff y le proporciona un escritorio en el que puede observarse el renderizado: un documento exportado no puede validarse sin abrirlo. El estudio sobre bfloat16 lleva el razonamiento un nivel más abajo, hasta los pesos, y demuestra que la actualización solicitada por el optimizador no es la que se escribe, hasta el punto de que el decaimiento de pesos (weight decay) predeterminado no modifica ningún peso almacenado en bfloat16, es decir, prácticamente la totalidad del modelo. En ambos casos, la diferencia medida se encuentra entre lo que se supone que debe hacer un sistema y lo que hace realmente. Es exactamente la diferencia que el ensayo de Pachocki denomina alineamiento de valores, trasladada a la escala de una herramienta y de un formato numérico.