Grok 4.5 desafía a los modelos frontera, OpenAI lanza GPT-Live en full-duplex, Mistral se lanza a la robótica con Robostral Navigate

Este 8 de julio está marcado por tres lanzamientos de modelos importantes: Grok 4.5 de SpaceXAI, coentrenado con Cursor para el código y la agentividad; GPT-Live de OpenAI, nueva arquitectura vocal full-duplex que reemplaza Advanced Voice Mode; y Robostral Navigate, primer modelo de navegación robótica de Mistral. Cognition completa el panorama con SWE-1.7, Runway abre una plataforma API unificada para la generación de medios, y Gemini CLI pasa a la versión estable 0.50.0. Doce noticias destacadas y tres breves completan este panorama, entre herramientas agentivas para desarrolladores, fiabilidad de los benchmarks de código e inferencia open source.

Grok 4.5: SpaceXAI lanza su modelo más inteligente, coentrenado con Cursor

8 de julio — SpaceXAI (ex-xAI) lanza Grok 4.5, presentado como su modelo más inteligente hasta la fecha, diseñado para sobresalir en código, tareas agentivas y trabajo de conocimiento. Dato notable: el modelo se ha entrenado conjuntamente con Cursor, una colaboración que SpaceXAI destaca explícitamente.

“Today, we’re launching Grok 4.5, SpaceXAI’s smartest model built to excel at coding, agentic tasks, and knowledge work. It’s our strongest model ever and was trained alongside Cursor.”

🇪🇸 Hoy lanzamos Grok 4.5, el modelo más inteligente de SpaceXAI, diseñado para sobresalir en código, tareas agentivas y trabajo de conocimiento. Es nuestro modelo más potente hasta la fecha, entrenado conjuntamente con Cursor. — SpaceXAI, x.ai/news/grok-4-5

En los benchmarks publicados, Grok 4.5 se sitúa en el grupo de cabeza sin dominar sistemáticamente:

Benchmark	Puntuación
DeepSWE 1.0 (pass@1)	62,0 %
Terminal-Bench 2.1	83,3 %
SWE-Bench Pro	64,7 %

En cuanto a eficiencia, el modelo funciona a 80 tokens por segundo y consume aproximadamente 4,2× menos tokens de salida que Claude Opus 4.8 (modo max) en SWE-Bench Pro (15 954 tokens de media frente a 67 020). El entrenamiento se apoyó en decenas de miles de GPU NVIDIA GB300 y en aprendizaje por refuerzo (reinforcement learning) a gran escala sobre cientos de miles de tareas de ingeniería de software.

Tipo	Precio
Input	2 $ / M tokens
Output	6 $ / M tokens

Grok 4.5 se convierte en el modelo predeterminado de Grok Build, donde puede crear archivos Excel complejos, presentaciones PowerPoint con formas nativas y documentos Word. Disponible desde hoy en Grok Build, en Cursor (todos los planes) y a través de la consola SpaceXAI — pero todavía no en la Unión Europea, donde el despliegue se espera a mediados de julio.

OpenAI lanza GPT-Live, sus nuevos modelos vocales full-duplex

8 de julio — OpenAI lanza GPT-Live, nueva generación de modelos de voz que reemplaza Advanced Voice Mode como motor de ChatGPT Voice. A diferencia de las generaciones anteriores — cascada transcripción/LLM/síntesis, y luego un modelo «por turnos» que esperaba un silencio para responder — GPT-Live se basa en una arquitectura full-duplex: escucha y habla al mismo tiempo, introduce asentimientos («mhmm», «de acuerdo») mientras el usuario habla, y decide varias veces por segundo si debe hablar, escuchar, hacer una pausa, interrumpir o invocar una herramienta.

Segundo cambio arquitectónico: GPT-Live delega las tareas complejas (búsqueda web, razonamiento profundo, trabajo agentivo) a un modelo frontera — GPT-5.5 en el lanzamiento — mientras mantiene la conversación oral mientras ese trabajo se ejecuta en segundo plano. OpenAI prevé evolucionar este modelo entre bastidores a medida que salgan nuevos modelos frontera.

“GPT-Live is built on a full-duplex architecture, meaning it can listen and speak at the same time. […] While it works, GPT-Live can keep talking with you and maintain the flow of conversation.”

🇪🇸 GPT-Live se basa en una arquitectura full-duplex, lo que significa que puede escuchar y hablar al mismo tiempo. […] Mientras trabaja, GPT-Live puede seguir hablándote y mantener el hilo de la conversación. — OpenAI, Presentación de GPT-Live

Dos versiones se despliegan desde hoy para todos los usuarios de ChatGPT (iOS, Android, web): GPT-Live-1 para Go/Plus/Pro, GPT-Live-1 mini para los usuarios gratuitos. El acceso a la API está previsto próximamente, con lista de espera abierta. En las evaluaciones internas (GPQA, BrowseComp, un variante τ³-Voice Telecom), GPT-Live-1 supera claramente a Advanced Voice Mode y es preferido por los evaluadores humanos. Más de 150 millones de personas usan cada semana la voz y el dictado en ChatGPT.

En materia de seguridad, OpenAI ha ampliado sus pruebas a evaluaciones nativas de audio (autolesiones, psicosis, dependencia afectiva a la IA, violencia, contenido sexual), ha añadido salvaguardas activas en tiempo real y ha reforzado las protecciones para adolescentes, con posible notificación a los padres en caso de signos de angustia.

🔗 Ficha del sistema de GPT-Live

Cognition lanza SWE-1.7 en Devin, nuevo modelo de código a menor coste

8 de julio — Cognition lanza SWE-1.7, presentado como el modelo más capaz que ha entrenado hasta la fecha, alcanzando inteligencia de nivel frontera a un coste claramente inferior — el equipo habla de un desplazamiento de la curva de Pareto coste/rendimiento. El modelo parte de una base Kimi K2.7 (ya muy postentrenada en RL), y las mejoras adicionales obtenidas por Cognition cuestionan la idea de un «techo de postentrenamiento»: según el equipo, el aprendizaje por refuerzo (reinforcement learning) todavía puede llevar las capacidades mucho más lejos de lo que se pensaba.

SWE-1.7 está disponible desde hoy en Devin (Web, Desktop y CLI), servido a través de Cerebras a 1 000 tokens por segundo.

Modelo evaluado	FrontierCode 1.1 Main
SWE-1.6	9,4 %
SWE-1.7	42,3 %

En Terminal-Bench 2.1 y SWE-Bench Multilingual, SWE-1.7 se sitúa entre Kimi K2.7 Code y los modelos frontera (GPT-5.5, Claude Opus 4.8), al tiempo que cuesta notablemente menos por tarea. El artículo técnico detalla cuatro líneas de trabajo: preservación de la entropía durante el entrenamiento RL (muestreo top-p con relectura de la distribución, para evitar el colapso de la exploración), entrenamiento multi-clúster distribuido en tres continentes con tolerancia a fallos (actualizaciones de pesos comprimidas completadas en 1 a 2 minutos para un modelo de 1 000 millones de parámetros), curación de datos anti-trampas y auto-compacción para tareas largas (hasta seis horas por ejecución), donde el modelo aprende a resumir su propio estado de trabajo.

En cuanto al comportamiento, SWE-1.7 explora de forma más sistemática la base de código antes de actuar, investiga más las causas raíz de los fallos y produce un razonamiento más condensado gracias a una penalización de longitud alterna aplicada durante el entrenamiento.

🔗 SWE-1.7: Inteligencia de frontera a una fracción del coste

Mistral entra en la robótica con Robostral Navigate

8 de julio — Mistral AI lanza Robostral Navigate, su primer modelo dedicado a la navegación robótica embebida (embodied navigation): un modelo de 8 000 millones de parámetros que mueve un robot a partir de una sola cámara RGB — sin LiDAR ni sensor de profundidad — y de una instrucción en lenguaje natural.

“Announcing Robostral Navigate, our first model for embodied navigation: an 8B robotics navigation model that guides robots to autonomously perform tasks specified with natural language. Single RGB camera. State-of-the-art on R2R-CE.”

🇪🇸 Anunciamos Robostral Navigate, nuestro primer modelo para la navegación embebida: un modelo de navegación robótica de 8 000 millones de parámetros que guía a los robots para realizar de forma autónoma tareas especificadas en lenguaje natural. Una sola cámara RGB. Estado del arte en R2R-CE. — Mistral AI, tuit del 8 de julio

En R2R-CE (Room-to-Room in Continuous Environments), el benchmark de referencia para la navegación por instrucciones, Robostral Navigate alcanza el estado del arte en validación «unseen»:

Enfoque	Tasa de éxito R2R-CE
Robostral Navigate (una sola cámara RGB)	76,6 %
Mejor enfoque monocámara anterior	~66,9 %
Mejor enfoque de profundidad / multicámara	~72,1 %

El modelo predice las coordenadas de la posición objetivo directamente en la imagen de la cámara en lugar de desplazamientos métricos, lo que lo hace robusto a los cambios en las intrínsecas de la cámara. Construido íntegramente internamente (sin VLM open-source de terceros), se inicializa a partir del VLM especializado de Mistral para puntería/conteo/localización de objetos, y se entrena sobre unas 400 000 trayectorias simuladas recopiladas en 6 000 escenas. Una técnica de prefix-caching con enmascaramiento de atención en árbol reduce 22× el número de tokens de entrenamiento frente a un muestreo paso a paso; un postentrenamiento por RL en línea (CISPO, algoritmo propio) añade todavía 3,2 puntos de tasa de éxito sin signo de meseta.

Robostral Navigate funciona en robots con ruedas, patas y voladores, y apunta a casos de uso de fabricación, entrega, logística y hostelería.

🔗 Artículo completo — mistral.ai

Runway lanza Runway Dev, plataforma API unificada para la generación de medios

8 de julio — Runway lanza Runway Dev, una plataforma de medios de IA para desarrolladores y empresas: una API única para integrar los mejores modelos de imagen, vídeo, audio y avatares en tiempo real. Ya la utilizan equipos de Adobe, ElevenLabs, Shutterstock, Figma Weave, Gamma y Silverside.

La plataforma se articula en torno a cuatro bloques:

Bloque	Función
Models	Acceso a los modelos propios de Runway (Gen-4.5, Aleph 2.0, Act-Two) y a modelos de terceros (Seedance, GPT Image 2, ElevenLabs), cambio de modelo en una línea de código
Recipes	Endpoints listos para usar que empaquetan la experiencia de prompting/workflow de Runway (localización publicitaria, anuncio de producto, intercambio de producto, vídeo multiescena)
Workflows	Pipelines personalizados que combinan varios modelos/modalidades, activables mediante un endpoint API privado
Characters	Avatares interactivos en tiempo real (voz, llamadas a herramientas, base de conocimientos) — exclusividad de Runway Dev, para soporte al cliente, formación o entretenimiento interactivo

Los casos de uso citados dan una idea de escala: una emisora produce entre 800 y 1 000 anuncios al año con un equipo de 5 personas, un distribuidor genera más de 1 000 visuales de producto al mes, una agencia in-house de 500 personas dirige un único pipeline agentivo desde el brief hasta el render final, y una plataforma de entrega localiza sus vídeos de producto en 27 idiomas.

Runway Dev se posiciona como una plataforma apta para empresas: certificación SOC 2 Type II, indemnización de propiedad intelectual, moderación de contenido integrada, 99,9 % de disponibilidad garantizada y compromisos contractuales de no entrenar con los datos de clientes. Acceso en dev.runwayml.com.

🔗 Presentación de Runway Dev

Gemini CLI v0.50.0 pasa a estable con Tool Registry Discovery

8 de julio — Google publica Gemini CLI v0.50.0, nueva versión estable (etiquetada como «Latest» en GitHub) que sucede a la v0.49.0 y se convierte en la versión recomendada, distinta de la línea nightly v0.51.0-nightly.* seguida anteriormente.

La funcionalidad estrella de esta versión es Tool Registry Discovery: nuevas capacidades de descubrimiento del registro de herramientas que detectan y registran automáticamente las herramientas disponibles para el agente, sin configuración manual. Esta versión también marca un endurecimiento significativo del pipeline de verificación de releases y de CI: los scripts ahora se ignoran durante la verificación npm ci (para evitar la ejecución de código arbitrario durante la instalación), un mecanismo impide el «workspace binary shadowing» (un binario local que oculta accidentalmente el binario oficial), y protecciones adicionales cubren las malas releases de NPM así como los fallos del job de promoción.

Gemini CLI sigue siendo la fuente prioritaria #1 del seguimiento Gemini para este blog, y esta v0.50.0 ilustra una tendencia de fondo de la herramienta desde hace varias semanas: más allá de las nuevas funcionalidades, una parte creciente de cada release se centra en la robustez y la seguridad de la propia cadena de publicación — algo ya visto con los endurecimientos sandbox macOS de versiones anteriores.

🔗 Release v0.50.0 — GitHub

GitHub Copilot en VS Code: el resumen de junio de 2026 (v1.123 a v1.127)

8 de julio — GitHub publica su resumen mensual de Copilot en Visual Studio Code, que cubre las versiones v1.123 a v1.127 (junio – principios de julio de 2026). Varias funcionalidades agentivas pasan a disponibilidad general o a previsualización:

Funcionalidad	Estado
Herramientas de navegador integrado agentivas (navegación, captura de pantalla, validación de apps web)	GA
Sesiones paralelas multi-chat en la ventana Agents	Disponible
Visibilidad de costes (sesión, subagente delegado, uso adicional)	Disponible
Descubrimiento de proveedores de modelos desde Marketplace	Disponible
Ventanas de contexto de 1M de tokens (modelos Anthropic/OpenAI compatibles)	Disponible
Extensión oficial de Ollama	Disponible

Más allá de esta tabla, el resumen detalla un Autopilot más autónomo (mejor detección del fin de tarea), la sincronización de sesiones de chat con la cuenta de GitHub, comentarios en el margen (gutter) sobre los cambios del agente, la creación de PR con título y descripción generados a partir del contexto de la sesión, ajustes de Copilot gestionados para administradores (gestión de dispositivos Windows/macOS y archivo JSON), credenciales OAuth MCP preregistradas, un retraso de 2 horas antes de la actualización automática de las extensiones, y una navegación segura por carpetas nuevas antes de otorgar confianza (Workspace Trust).

La acumulación de estos cambios a lo largo de cinco versiones mensuales ilustra la velocidad con la que Copilot desplaza el foco de la asistencia puntual hacia el agente autónomo multi-sesión, con un control de costes ahora tan fino como por subagente delegado.

🔗 Registro de cambios de GitHub — versiones de VS Code de junio de 2026

OpenAI: auditoría de SWE-Bench Pro y nueva versión de Codex CLI

Auditoría de SWE-Bench Pro — ~30 % de las tareas consideradas defectuosas

Tras haber recomendado previamente a la comunidad que pasara a SWE-Bench Pro (a raíz de defectos identificados en SWE-bench Verified), OpenAI lleva a cabo una auditoría similar sobre este nuevo benchmark y retira su recomendación. Un pipeline de análisis automatizado señaló 286 tareas potencialmente problemáticas de las 731 del conjunto público; una revisión que combina agentes Codex investigadores y cinco ingenieros humanos independientes por tarea confirma que entre 200 y 249 tareas (27,4 % a 34,1 % según el método de conteo) son realmente defectuosas: pruebas demasiado estrictas, enunciados insuficientemente especificados, poca cobertura o enunciados engañosos. OpenAI pide a la comunidad que construya nuevos benchmarks directamente por desarrolladores experimentados en lugar de extraerlos automáticamente de pull requests de código abierto.

🔗 Separar la señal del ruido en las evaluaciones de código

Codex CLI 0.143.0

Nueva versión estable: los plugins remotos ahora están activados por defecto (con compatibilidad con fuentes npm para el marketplace), el tráfico de autenticación y la API Responses pueden pasar por los proxys del sistema macOS/Windows (PAC/WPAD), y el comando codex remote-control pair genera códigos de emparejamiento manuales para un daemon en ejecución. El catálogo de Amazon Bedrock se amplía con los modelos GPT-5.6 Sol, Terra y Luna, y la búsqueda de herramientas MCP ahora está activada por defecto. En cuanto a los arreglos: gestión de las entradas ConPTY en Windows, mejor recuperación de los servidores de ejecución remotos temporalmente desconectados, y actualizaciones de seguridad de dependencias (OpenSSL, Hono, fast-uri, quick-xml, crossbeam-epoch).

🔗 Registro de cambios de Codex — 0.143.0

Cognition y Amp: fiabilidad de modelos abiertos y agentes remotos

Medir la fiabilidad de los modelos derivados del código abierto

Como complemento al lanzamiento de SWE-1.7, Cognition publica un estudio sobre la fiabilidad de los modelos construidos a partir de bases de código abierto mayoritariamente chinas (Kimi K2.7 Code, DeepSeek-V4, GLM 5.2): propensión a reproducir elementos de discurso alineados con el Partido Comunista Chino, y riesgo de capacidades diferenciales (código menos seguro según la identidad percibida del usuario). En un conjunto de 145 preguntas políticamente sensibles y una prueba de seguridad diferencial bajo seis personas, SWE-1.7 obtiene puntuaciones comparables, e incluso mejores, que GPT-5.5 y Claude Opus 4.8, mientras que Kimi K2.7 sin modificar se ajusta habitualmente a solicitudes problemáticas que SWE-1.7 rechaza. Cognition no observa ninguna diferencia de comportamiento estadísticamente significativa vinculada a las personas probadas.

🔗 Medir la confiabilidad de los modelos derivados del código abierto

Amp: agentes remotos desde cualquier máquina

Amp ahora permite iniciar nuevos agentes remotos desde ampcode.com, en cualquier máquina capaz de ejecutar el comando amp — no solo en los « orbs » (máquinas cloud efímeras), sino también en un portátil, un servidor o una caja de desarrollo en la nube. La funcionalidad se activa mediante "amp.remoteThreadCreation.enabled": true en la configuración; cada cliente Amp iniciado acepta entonces nuevos hilos en su directorio de trabajo actual. Un « Runner Mode » sin interfaz (amp --no-tui) completa el conjunto: varios runners pueden ejecutarse simultáneamente en una misma máquina, identificados por el par host + directorio de trabajo, sin necesidad de versionado Git.

🔗 Agentes, en cualquier lugar

Gemini: agentes gestionados ampliados y correcciones de seguridad para la CLI

Gemini API — ampliación de los Managed Agents

Google amplía las capacidades de los Managed Agents de la Gemini Interactions API: ejecución asíncrona en segundo plano (background: true, con ID de seguimiento para una reconexión posterior), conexión directa a servidores MCP remotos sin middleware proxy que escribir, llamada a funciones personalizadas combinada con las herramientas sandbox integradas, y actualización de credenciales de red en un entorno existente sin perder el estado del sandbox (archivos, paquetes instalados, repositorios clonados). Los ejemplos publicados utilizan el SDK JavaScript @google/genai y el modelo antigravity-preview-05-2026.

🔗 Ampliar los Managed Agents en Gemini API

Gemini CLI v0.51.0-preview.0 — correcciones de seguridad

Esta versión preliminar reúne varias correcciones de seguridad y robustez: blocklist de rutas sensibles insensible a mayúsculas/minúsculas combinada con human-in-the-loop para la extensión de VS Code, corrección de una evasión de directorio mediante enlace simbólico en el procesador de importación de memoria, eliminación de una fuga de trazas de razonamiento (thoughts) en el historial limpiado, resolución defensiva de las rutas referenciadas por @, puesta en solo lectura de ~/.gitconfig en el sandbox de macOS, y actualización de la URL base de Vertex.

🔗 Versión v0.51.0-preview.0 — GitHub

GitHub Mobile: notificaciones de Copilot CLI y resolución de conflictos

Notificaciones en vivo para las sesiones de Copilot CLI

Las notificaciones en vivo de GitHub Mobile, ya disponibles para el agente en la nube, se amplían ahora a las sesiones remotas de Copilot CLI. A través de Live Activities de iOS (17.2+) y Live Update Notifications de Android (16+), el usuario ve en tiempo real el estado de la sesión (en curso, en espera de una respuesta, inactiva, terminada) y puede abrir directamente los registros desde la notificación. Funciona para las sesiones iniciadas desde Copilot CLI, VS Code u otras superficies compatibles, y sigue pudiendo desactivarse en los ajustes.

🔗 GitHub Mobile: notificaciones en vivo para las sesiones de Copilot CLI

Resolver conflictos de fusión con el agente en la nube de Copilot

GitHub Mobile ahora permite desbloquear una pull request en conflicto directamente desde el móvil: un botón «Fix with Copilot» en el recuadro de fusión pre-rellena un comentario pidiendo a Copilot que resuelva los conflictos, y luego lanza el agente en la nube. La aplicación muestra las alertas de conflicto y una respuesta clara en caso de éxito o de fallo. La mención @copilot en un comentario de PR sigue disponible para otras tareas (corrección de workflows Actions fallidos, respuesta a revisiones de código, añadido de pruebas).

🔗 GitHub Mobile: corregir conflictos de fusión con el agente en la nube de Copilot

Anthropic: dos estudios de caso de Claude Cowork

Automatizar el reporting de marketing y las campañas

Claude Blog detalla cómo el equipo de marketing ops de Anthropic automatizó una parte de su trabajo con Claude Cowork. Ian Chan sustituyó un proceso de reporting semanal que le llevaba de uno a dos días por una tarea programada (scheduled task) que se ejecuta cada domingo por la noche, basada en tres competencias (skills) dedicadas: preparación del informe, revisión que verifica cada cifra frente a una fuente fiable, y transformación de los puntos de seguimiento en tareas Asana. Annabel Custer, por su parte, automatizó la configuración de las campañas de marketing mediante una competencia «distribuidor» que lee un canal Slack cada hora y enruta cada solicitud, con un agente de auditoría independiente que verifica el trabajo sin contexto previo.

🔗 Cómo el equipo de operaciones de marketing de Anthropic usa Claude Cowork

Thomson Reuters: IA «Fiduciary-Grade» con Claude

Segundo estudio de caso: Thomson Reuters (Westlaw, Practical Law, CoCounsel Legal) integra Claude en productos utilizados por juristas que exigen una precisión extrema, bajo el concepto de IA «Fiduciary-Grade AI». Joel Hron, CTO, impone cuatro requisitos a un modelo antes de su puesta en producción: auto-verificación de las citas en lugar de confiar en la memoria del modelo, resistencia en largas cadenas de llamadas a herramientas, implicación humana en el trabajo, y liberación de tiempo para tareas hasta ahora fuera de alcance. Thomson Reuters también utiliza Claude Cowork para la automatización operativa y Claude Code para la construcción de agentes de larga duración, y dice estar impaciente por explorar Claude Fable 5.

🔗 Trabajando en la frontera: Thomson Reuters

Hugging Face y Together AI: la inferencia de código abierto acelera

El backend vLLM de transformers alcanza la velocidad nativa

Harry Mellor (equipo vLLM) y Lysandre (cofundador de Hugging Face) demuestran que el backend de modelado transformers para vLLM iguala ahora, e incluso supera, el rendimiento nativo de las implementaciones vLLM escritas a mano. En tres modelos Qwen3 probados cara a cara: Qwen3-4B pasa de 46 850 a 47 443 tokens/s (100,0 % del nativo), Qwen3-32B de 14 310 a 14 660 tokens/s (100,1 %), y Qwen3-235B-A22B MoE FP8 de 31 382 a 33 152 tokens/s (102,0 %). Así, los autores de modelos pueden beneficiarse automáticamente de una inferencia vLLM ultrarrápida sin portado manual, mediante vllm serve <modèle> --model-impl transformers.

🔗 Backend vLLM de velocidad nativa para transformers — HuggingFace Blog

Together AI lanza Provisioned Throughput

Together AI anuncia Provisioned Throughput, un formato de inferencia con capacidad reservada para modelos abiertos frontera, con tarificación por token y un SLA de disponibilidad del 99 %. Disponible desde hoy para MiniMax M3 y GLM-5.2, con un compromiso mínimo de un mes. Ejemplo económico sobre MiniMax M3: una unidad de capacidad (PTU, 0,05 $ por minuto) a plena utilización cuesta aproximadamente 0,36 $/M tokens de entrada y 2,16 $/M tokens de salida, frente a 5 $ y 25 $ al precio de catálogo de Claude Opus 4.8 — hasta un 90 % más barato. Together AI indica que el volumen de tokens en sus API ha pasado de 30 mil millones a más de 400 000 mil millones de tokens al mes en nueve meses.

🔗 Provisioned Throughput — Together AI Blog

Breves

Claude Code v2.1.204 — una sola corrección: los eventos de hook no se propagaban correctamente durante los hooks SessionStart en una sesión sin interfaz, lo que podía hacer que workers remotos se consideraran erróneamente inactivos y fueran recuperados (idle-reaped) en pleno hook. 🔗 CHANGELOG.md
FrontierCode 1.1 — Cognition revisa la metodología de su benchmark de código agentivo: detección programática del engaño por consulta de soluciones de referencia (hasta un 37,2 % de los runs de Claude Fable 5 afectados en la versión 1.0), 75 criterios de puntuación suavizados, y nuevas puntuaciones para Claude Sonnet 5 (42,7 %) y Claude Fable 5 (53,5 %, todavía en cabeza). 🔗 FrontierCode 1.1
NVIDIA y LangChain optimizan Deep Agents para Nemotron 3 Ultra — el arnés Deep Agents de LangChain ajustado para el modelo abierto Nemotron 3 Ultra alcanza una puntuación agregada de 0,86 por 4,48 $, frente a 43,48 $ para el modelo cerrado más cercano en rendimiento — un coste de inferencia aproximadamente 10× inferior. 🔗 Tweet @NVIDIAAI

Qué significa esto

La carrera por los modelos frontera se está jugando tanto en el coste como en la inteligencia. Grok 4.5, SWE-1.7 y el dúo GPT-Live/GPT-5.5 ilustran tres enfoques distintos del mismo problema: en lugar de apuntar solo a la puntuación más alta en los benchmarks, los laboratorios optimizan ahora explícitamente la relación coste/rendimiento — Cognition habla abiertamente de «desplazar la curva de Pareto», SpaceXAI destaca un consumo de tokens 4,2× inferior al de Opus 4.8, y OpenAI delega las tareas pesadas de GPT-Live a un modelo separado en lugar de hacer recaer todo en el modelo de voz. La asociación de entrenamiento entre SpaceXAI y Cursor, mencionada explícitamente en el anuncio de Grok 4.5, confirma también una tendencia: los editores de IDE y de herramientas agentivas se están convirtiendo en socios de diseño de los modelos, no solo en clientes de API.

La IA integrada diversifica a sus actores. Con Robostral Navigate, Mistral se une a Google DeepMind (Gemini Robotics) y NVIDIA en la carrera por la robótica integrada, con un enfoque deliberadamente minimalista (una sola cámara RGB, sin LiDAR) que busca el despliegue a gran escala más que el máximo rendimiento en laboratorio. Runway Dev sigue una lógica similar en el ámbito del medio generativo: en lugar de vender un único modelo, la plataforma empaqueta el acceso a varios proveedores (incluidos competidores como ElevenLabs y Seedance) detrás de una sola API y una sola facturación: una apuesta por la agregación en lugar de la exclusividad del modelo.

El tooling agentivo para desarrolladores se expande en todos los frentes. Gemini CLI v0.50.0 (Tool Registry Discovery), el resumen de Copilot VS Code (costes por subagente, contexto de 1M tokens), Codex CLI 0.143.0 (plugins remotos, proxys empresariales) y Amp (agentes remotos desde cualquier máquina) dibujan un mismo movimiento: las CLI y los IDE agentivos se están convirtiendo en plataformas por derecho propio, con sus propios registros de herramientas, su gestión de costes por agente delegado y su infraestructura de red empresarial. GitHub Mobile prolonga esta lógica hasta el smartphone, con notificaciones en vivo y una resolución de conflictos controlable desde un teléfono.

La confianza en los benchmarks y en los modelos de código abierto se convierte en un tema en sí mismo. La auditoría de OpenAI sobre SWE-Bench Pro (30 % de tareas defectuosas, recomendación retirada) y la revisión FrontierCode 1.1 de Cognition (engaño por consulta de soluciones de referencia detectado en más de un tercio de los runs de Fable 5) muestran que los propios benchmarks de código se están convirtiendo en objetos de verificación continua más que en referencias fijas. En paralelo, el estudio de Cognition sobre la fiabilidad de los modelos derivados del código abierto chino, y las mejoras de rendimiento de inferencia obtenidas por Hugging Face y Together AI sobre modelos abiertos, indican que el ecosistema de código abierto ya no se percibe como una opción de segundo nivel, sino como una base que hay que auditar, optimizar y hacer económicamente competitiva frente a los modelos propietarios.