2026-09-22
The Verge · IA
infraestructura
★★★☆☆
El gobernador de California, Gavin Newsom, firmó un paquete de siete leyes que obligan a los data centers de IA a pagar las mejoras de las redes eléctricas y los sistemas de agua locales, y que crean una nueva clasificación tarifaria para estos centros a través de la California Public Utilities Commission. Otras normas exigen que los proyectos divulguen su uso estimado de agua, eficiencia energética y planes de sequía ante los gobiernos locales, y cumplir ciertos requisitos de consumo para acceder a un proceso de aprobación simplificado. La noticia se enmarca en la línea previa de Newsom sobre regulación de IA, tras su orden ejecutiva para agilizar la creación de un "kill switch" de IA.
IMPORTA: Para quien despliega o planifica capacidad de cómputo en California, esto anticipa nuevos costos de conexión a la red, requisitos de divulgación de agua y energía, y una tarifa específica para data centers que afectará la viabilidad y los plazos de los proyectos.
Por qué importa: Para quien despliega o planifica capacidad de cómputo en California, esto anticipa nuevos costos de conexión a la red, requisitos de divulgación de agua y energía, y una tarifa específica para data centers que afectará la viabilidad y los plazos de los proyectos.
↳ Contexto: Gavin Newsom is pushing for an AI kill switch · ver hilo completo
TechCrunch · IA
investigacion
★★★★☆
OpenAI anunció un grupo asesor independiente sobre matemáticas e IA, alojado en el Institute for Advanced Study de Princeton, con nueve matemáticos destacados como miembros iniciales; el grupo evaluará la relevancia de nuevos resultados y coordinará su publicación, pero no tendrá poder para frenar o redirigir la investigación matemática interna de la empresa. El anuncio llega tras la publicación abrupta de una solución al problema del Milenio de Navier-Stokes, y OpenAI afirma que el mismo modelo interno ha resuelto más de 100 problemas abiertos en diversas áreas de las matemáticas, en medio de críticas de matemáticos, incluidos 25 ganadores de la Medalla Fields que firmaron una carta abierta.
Por qué importa: Marca un precedente sobre cómo los laboratorios de IA gestionan la divulgación y validación externa de resultados científicos generados por modelos internos, algo relevante para equipos que diseñan pipelines de evaluación y verificación de outputs de LLMs en dominios de alto rigor.
TechCrunch · IA
agentes
★★★☆☆
Los usuarios del asistente de IA de Meta, Muse, comenzaron a recibir un mensaje de error al intentar comprar en Amazon que indicaba que el acceso continuado de un agente de IA no autorizado viola las Condiciones de Uso de Amazon, bloqueando así las compras a través del agente. El artículo señala que Amazon tiene sus propios modelos fundacionales y una plataforma de inference popular, y que podría no querer entrar todavía en el comercio agéntico porque tendría que asumir la gestión de pedidos erróneos de Muse, cuyo índice de alucinaciones, aunque bajo, sigue siendo superior a cero.
Por qué importa: Es un caso real de fricción entre agentes autónomos y las condiciones de uso de una plataforma externa, algo que cualquiera que despliegue agentes que actúan sobre servicios de terceros tendrá que anticipar (bloqueos, identificación del agente, responsabilidad por acciones erróneas).
Hugging Face Blog
infraestructura
★★★☆☆
Hugging Face anuncia que Jun Kim, creador y mantenedor de oMLX, se une a su equipo para apoyar a la comunidad MLX. oMLX sigue bajo licencia Apache 2.0 y Jun continúa liderándolo, ahora con desarrollo financiado y respaldo para guiar a los contribuidores. La meta es servir como testbed de nuevas ideas mientras se aprovecha el trabajo de dependencias como mlx-lm y mlx-vlm, y agilizar el paso de una definición de modelo en transformers a una implementación de referencia en MLX consumible por distintos engines.
Por qué importa: Para quien despliega LLMs en local sobre Apple Silicon, esto apunta a un ecosistema MLX más estable y mejor mantenido, con un camino más corto desde transformers hacia implementaciones nativas optimizadas para Apple.
Hugging Face Blog
investigacion
★★★★★
Un paper de Multiverse Computing reformula la eliminación de bloques transformer (depth pruning) como un problema de optimización binaria restringida equivalente a un vidrio de Ising, donde las interacciones entre bloques se capturan mediante los términos fuera de la diagonal de un Hessiano aproximado. El Hessiano se calcula una sola vez desde un dataset de calibración y permite evaluar configuraciones candidatas con un simple cálculo de energía, reutilizándolo para distintos objetivos de compresión. En compresión del 50% de Llama-3.3-70B-Instruct reportan casi 23 puntos porcentuales más en MMLU que el mejor método de block-removal competidor.
IMPORTA: Ofrece un método concreto y computacionalmente baato para decidir qué bloques eliminar en modelos grandes, reutilizando un único Hessiano para varios ratios de compresión, algo directamente aplicable a quienes despliegan LLMs con restricciones de memoria o latencia.
Por qué importa: Ofrece un método concreto y computacionalmente barato para decidir qué bloques eliminar en modelos grandes, reutilizando un único Hessiano para varios ratios de compresión, algo directamente aplicable a quienes despliegan LLMs con restricciones de memoria o latencia.
Latent Space
modelos
★★★★★
Xiaomi lanzó MiMo-V2.6-Pro y MiMo-V2.6-Flash, modelos open weights omnimodales bajo licencia MIT, con 1.02T parámetros totales y 42B activos; Artificial Analysis sitúa a MiMo-V2.6-Pro como el mejor modelo open weights de su Intelligence Index (46). El reporte técnico detalla el escalado de RL en tres ejes (batches grandes y arquitectura asíncrona con 1,568 muestras por update y hasta 1M de contexto, una suite multi-tarea con coding, agentes generales, visual y cyber, y más cómputo de grader), con un coste de RL citado de 130 horas, 75B tokens y $2.6M. Xiaomi liberará el tooling, entornos y recetas de entrenamiento, aunque aún no los datasets completos de más de 7K tareas.
Por qué importa: Que un fabricante fuera del círculo habitual de labs fronterizos publique pesos, código de entrenamiento y entornos de RL a este nivel de escala y coste sugiere que el post-training con RL —y los entornos de calidad como activo— puede ser una vía
↳ Contexto: [AINews] Qwen 3.8 Max(2.4T) and 27B, new open weights models for Coding and Cowork · ver hilo completo
Latent Space
modelos
★★★★☆
Entrevista con Diogo Almeida, CEO de TypeSafe AI y coautor de InstructGPT, sobre el lanzamiento de Jev, un modelo "System One" diseñado para software y automatización en lugar de chat. Jev introduce "Reinforcement Learning for Calibrated Decisions" (RLCD), una técnica que optimiza para "probabilidades epistémicamente honestas" en tareas System One, en contraste con RLHF (que genera alucinaciones y sycophancy) y RLVR (que exacerba la "jagged intelligence"). Almeida también expone su tesis de la "Bitterest Lesson" (elegir el objetivo correcto importa más que el cómputo), rechaza benchmarks públicos en favor de "intelligence per dollar", y discute cómo Jev busca integrarse en control flow de software y reshaping de coding agents más allá del KV cache.
Por qué importa: Plantea un paradigma alternativo a RLHF/RLVR para construir modelos componibles y programables que se integren en control flow de software (con primitivas, structured state y decisiones medibles), lo que afecta directamente cómo se diseñan coding agents, workflows autónomos y sistemas donde la fiabilidad importa más que
Construir este día costó 73.865 tokens de entrada
y 8286 de salida en 36 llamadas a modelos — unos 0,0494 $.