El radar

Release 5.18.0

La release 5.18.0 de transformers añade varios modelos: Nemotron 3 Diarization, un modelo open-weight de diarización de hablantes en streaming y offline que soporta hasta ocho hablantes y usa Arrival-Order Speaker Cache (AOSC) y una cola FIFO, con latencias configurables desde un buffer de entrada de 80 ms hasta uno de 30.4 s; NemotronH Omni, un modelo multimodal de razonamiento de NVIDIA que combina el LM híbrido Mamba-Transformer NemotronH con un encoder de visión RADIO y un encoder de sonido opcional basado en Parakeet; y HyperCLOVAX Vision V2 de NAVER, VLM que combina un backbone HyperClovaX con un encoder de visión Qwen2.5-VL y soporta texto, imagen y vídeo con thinking tokens. También se incorpora GTE, un encoder bidireccional estilo BERT con RoPE, MLP con gating y layer normalization tras cada conexión residual, propuesto en el paper mGTE. IMPORTA: Da acceso inmedi

Por qué importa: Da acceso inmediato, vía librería estándar, a nuevos modelos multimodales y de diarización en streaming con latencias configurables, lo que habilita pipelines de audio y razonamiento multimodal sin integraciones propias.

Disrupting a coordinated model-distillation campaign

OpenAI publica que ha interrumpido una campaña coordinada de destilación de modelos dirigida a extraer el razonamiento protegido de sus modelos, y detalla que está reforzando sus defensas frente a la destilación adversarial. La pieza se enmarca en la línea reciente de OpenAI sobre evaluaciones de ciberseguridad de terceros en torno a sus modelos. IMPORTA: Si construyes productos sobre APIs de modelos, esto confirma que la extracción de capacidades vía prompting masivo es ya un vector tratado activamente por los proveedores, con implicaciones para rate limits, ToS y detección de uso abusivo en tu propia infraestructura.

Por qué importa: Si construyes productos sobre APIs de modelos, esto confirma que la extracción de capacidades vía prompting masivo es ya un vector tratado activamente por los proveedores, con implicaciones para rate limits, ToS y detección de uso abusivo en tu propia infraestructura.

↳ Contexto: Third-party cyber evaluations involving OpenAI models · ver hilo completo

Google announces Gemini 4 and says it’s so capable that only ‘trusted cyber defenders’ can have it right now

Google presentó Gemini 4 Argon, su nuevo modelo frontera, con acceso inicial limitado a un "conjunto de defensores cibernéticos de confianza" mientras la compañía participa en el proceso voluntario del gobierno de EE.UU. para acceso previo a modelos. Koray Kavukcuoglu afirma que el modelo ya impulsa flujos de trabajo internos de Google, como migraciones de bases de código a gran escala, y que se reforzarán salvaguardas críticas —incluida la defensa frente a prompt injection y la monitorización de desalineación— antes de un despliegue más amplio. El lanzamiento llega un día después del DevDay de OpenAI, donde se presentaron el agente Dots y el modelo GPT-6.1 Sol.

Por qué importa: Marca un patrón de despliegue por fases restringido por seguridad para modelos frontera, algo que afecta directamente a la disponibilidad, el acceso y las políticas de adopción que tendrá que planificar cualquiera que construya sobre estos modelos.

↳ Contexto: Google launches a cheaper alternative to large AI security models like Mythos · ver hilo completo

The AI Tamagotchis are coming

Meta y OpenAI apuestan por hardware de IA personal tras el fracaso de dispositivos como el Humane AI Pin o el Friend. OpenAI trabaja con Jony Ive en un dispositivo que no llegaría antes de febrero de 2027 y presentó en DevDay su plataforma de agentes Dots; Meta planea lanzar antes de la temporada navideña el Muse Charm, un dispositivo tipo llavero con pantalla que muestra su agente Muse. Ambas compañías siguen una estrategia de lanzar primero los agentes de software para acostumbrar al público antes de dar el salto al hardware físico.

Por qué importa: Marca la dirección de los agentes como interfaz persistente "always-on" conectada a hardware dedicado, lo que anticipa nuevos requisitos de despliegue, latencia e integración de agentes en dispositivos de borde para quienes construyen este tipo de sistemas.

↳ Contexto: One company is at the center of a wave of rogue AI attacks · ver hilo completo

Google reportedly tests paying publishers for AI search results

Según The Information, Google ha lanzado un programa piloto que paga a unos 100 publishers por su contribución a los resultados de búsqueda con IA (AI Overviews y AI Mode) y a su chatbot Gemini. Un publisher que entró al inicio del programa habría ingresado más de un millón de dólares en un año, y otro que se unió hace unos meses entre 50.000 y 60.000 dólares. El programa llega en medio de críticas, demandas y presión regulatoria (Reino Unido y la Unión Europea) por el impacto de las funciones de IA de Google en el tráfico web, y se relaciona con nuestra pieza reciente sobre la nueva vía de Google para que los publishers combatan la pérdida de tráfico por IA.

Por qué importa: Para quien construye productos sobre búsqueda o RAG, marca un cambio en la economía del contenido que alimenta a los modelos: si los publishers empiezan a cobrar o a limitar su contenido según cómo lo consuman los sistemas de IA, cambian las fuentes disponibles y la sostenibilidad de los pipelines de datos.

↳ Contexto: Google gives publishers a new way to fight AI-driven traffic losses · ver hilo completo

Here’s how tech leaders will self-police AI safety under Trump’s deal

Trump anunció el "Joint Commitment on Frontier Responsibilities", un acuerdo de autorregulación en seguridad de IA firmado por Pichai, Amodei, Zuckerberg, Brockman, Musk y Huang, junto con la orden de que el gobierno de EE.UU. se refiera a la IA como "Super Intelligence". El documento establece cuatro reglas: controles internos de capacidades y alineación durante training y deployment, un equipo interno que verifique esos controles, un auditor externo independiente y un comité del board que supervise los reportes. El texto admite que "con el tiempo, podría tener sentido codificar estos pasos en leyes o regulaciones", pero no incluye penalizaciones por incumplimiento; la propia pieza señala que Google, OpenAI y Anthropic habrían violado la primera regla recientemente. Esto se relaciona con nuestra pieza previa "Is Big Tech's AI slowdown a safety pact or a cartel?".

Por qué importa: Si los controles de alineación durante training y deployment quedan como autoevaluación sin auditoría vinculante ni penalizaciones, quien despliega agentes y modelos en producción no puede tratarlos como garantía de seguridad y debe seguir asumiendo sus propios controles, evals y observabilidad.

↳ Contexto: Is Big Tech’s AI slowdown a safety pact or a cartel? · ver hilo completo

Reddit is killing RSS feeds and ending public API access because of AI bots

Reddit dejará de dar soporte a los feeds RSS y está cerrando el acceso público a su API, en el marco de una estrategia de endurecimiento del acceso a su contenido generado por usuarios. La medida se atribuye a la presión de los bots de IA y se suma a restricciones previas sobre el uso de sus datos. IMPORTA: Para quien construye pipelines de datos o agentes que dependen de contenido público de Reddit vía RSS o API, esto anticipa la pérdida de una fuente no oficial y la necesidad de revisar alternativas de ingesta o acuerdos formales de datos.

Por qué importa: Para quien construye pipelines de datos o agentes que dependen de contenido público de Reddit vía RSS o API, esto anticipa la pérdida de una fuente no oficial y la necesidad de revisar alternativas de ingesta o acuerdos formales de datos.

Meta disputes claim that Muse read a user’s private messages without permission

Meta niega que su agente de IA Muse pueda acceder a los mensajes privados de un usuario sin permiso explícito, después de que un periodista asegurara que el agente leyó sus mensajes privados mientras el ajuste requerido en Mac estaba desactivado. La compañía sostiene que el agente no puede acceder a Messages sin autorización del usuario.

Por qué importa: Para quien despliega agentes con acceso a datos personales en el escritorio, este episodio subraya que los permisos a nivel de sistema operativo y su verificación real son la línea de defensa crítica, y que la discrepancia entre lo que declara el vendor y lo que observa el usuario es exactamente lo que hay que instrumentar y auditar.

[AINews] Gemini 4 Argon: GDM’s answer to Astra/Fable, with 1M output

Google DeepMind lanzó Gemini 4 Argon, un modelo frontier centrado en coding, knowledge work empresarial y defensa cibernética, que lidera 13 de 19 benchmarks publicados frente a GPT-6 Astra y Claude Opus 5.5, con disponibilidad inicial limitada a testers de confianza en el programa Fairwind. Destaca un límite de salida de hasta 1M tokens vía "Long Decode Continuation", un precio estándar de $4/$20 por millón de tokens input/output (con descuento introductorio del 50% y 95% en cached input), y deployments internos donde sus agentes liberaron más de 300 TiB de memoria en data centers y migraron más de 800K líneas de C/C++ a Rust. Se reportan también lanzamientos como pplx-embed-v2-context-9b-preview de Perplexity, la familia Cohere Embed 5, Ideogram 4.5, GPT-6.1 Sol y el stack de agentes de OpenAI en DevDay. IMPORTA: Para quien construye sistemas de agentes e infrae

Por qué importa: Para quien construye sistemas de agentes e infraestructura de inferencia, el salto a 1M tokens de output y el desglose de coste-por-tarea (donde el ahorro viene del precio y no de la eficiencia, con 62K tokens de salida frente a 27K de Astra) cambia cómo se diseñan y presupuestan flujos agénticos largos.

Build Applications on NVIDIA BlueField Faster with NVIDIA DOCA Agent Skills

NVIDIA publica en GitHub un conjunto de "DOCA Agent Skills", un formato abierto basado en archivos SKILL.md que da a los agentes firmas de API verificadas, requisitos de capacidades de hardware y restricciones de build para desarrollar sobre BlueField DPUs (con cobertura de Flow, GPUNetIO, PCC, RDMA, entre otros). En una evaluación de 65 prompts reales, los agentes sin skills solo cumplieron el 19% de los criterios de checklist, frente al 100% con skills; en una demo lado a lado, el agente con skills usó un 73% menos de código escrito a mano y un 46% menos de comandos de hardware para construir una aplicación RDMA en Go sobre BlueField-3. Los fallos más frecuentes sin skills fueron APIs inventadas (59 de 65 prompts) y falta de verificación de capacidades de hardware (46 de 65).

Por qué importa: Refuerza el patrón de "skills" como contrato machine-readable que ancla a los agentes a APIs y restricciones reales, algo directamente trasladable a cualquier equipo que quiera que sus coding agents dejen de inventar interfaces al trabajar sobre infraestructura especializada.

↳ Contexto: Lower the Cost of Building and Running Visual AI Agents with NVIDIA VSS Blueprint 3.3 · ver hilo completo

Fine-Tuning NVIDIA Nemotron for Saudi Arabic Dialects, with a Path to Other Languages

NVIDIA detalla un workflow de fine-tuning del modelo Nemotron 3.5 ASR usando el framework NeMo para adaptarlo a los dialectos árabes saudíes Najdi y Hijazi, partiendo de 133,7 horas de audio curado con el NeMo Curator y un weighted replay mix con datos de FLEURS. El fine-tuning redujo el WER del 55,05% al 29,96% en el split objetivo y mejoró el inglés del 11,04% al 10,42% sin degradar otros dialectos árabes. El post también cubre decisiones técnicas como el deshielo parcial del encoder (hasta 230,4 millones de parámetros entrenables en las 24 capas), el uso de un contexto de atención mayor con decodificación beam-8 MALSD que bajó el WER 2,71 puntos sin reentrenar, y Nemotron 3 Diarization para hasta ocho hablantes. Documenta una receta reproducible de adaptación de un modelo ASR multilingüe a un dialecto de bajos recursos, con cifras concretas de WER, coste en pa

Por qué importa: Documenta una receta reproducible de adaptación de un modelo ASR multilingüe a un dialecto de bajos recursos, con cifras concretas de WER, coste en parámetros entrenables y trade-offs de latencia, útil para quien necesite especializar modelos de voz en dominios o idiomas mal cubiertos sin perder capacidades previas.

Deploying an HSTU Generative Recommender with NVIDIA Dynamo-Triton

NVIDIA Dynamo-Triton (antes Triton Inference Server) ahora soporta un workflow end-to-end de inferencia para recomendadores generativos basados en HSTU a través del repositorio recsys-examples, combinando PyTorch AOTI, cache KV con backend FlexKV, validación en C++ nativo y NV embedding cache. En una GPU RTX PRO 6000 Blackwell Workstation Edition, con batch size 8 y 100% de hit rate en el KV-cache de GPU, el modelo HSTU de ocho capas logró hasta 5.93x menos latencia frente a la misma configuración AOTI sin cache. El artículo detalla el pipeline de exportación con torch.export, la gestión del KV cache paginado en GPU con evicción LRU hacia almacenamiento host, y cómo se reutiliza el mismo paquete AOTI entre validación y serving en producción. IMPORTA: Muestra un patrón concreto (KV caching paginado para secuencias de usuario largas) para reducir el coste de recomputación en inferencia de modelos secuenciales con

Por qué importa: Muestra un patrón concreto (KV caching paginado para secuencias de usuario largas) para reducir el coste de recomputación en inferencia de modelos secuenciales con historiales largos, algo directamente trasladable a problemas de serving de LLMs con contexto extenso.

↳ Contexto: Simplifying Model Serving Across Multiple GPUs with NVIDIA TensorRT Multi-Device Integration in NVIDIA Dynamo-Triton · ver hilo completo

Expanding AI Storage Access with NVIDIA cuObject and the NVIDIA SCADA Server SDK

NVIDIA anuncia la disponibilidad general de las librerías cliente y servidor de cuObject, que ofrecen APIs estandarizadas y un protocolo RDMA para acceso acelerado a object storage sin pasar los datos por la CPU del servidor. El consorcio xio-sig se amplía para incluir cuObject junto a cuFile, con Google Cloud evaluando su participación y Microsoft planeando unirse al board, y se presenta el nuevo SCADA Server SDK para que proveedores de storage construyan servidores que respondan a peticiones iniciadas por GPU, con un prototipo de IBM Storage que integra SCADA con IBM Storage Scale. La iniciativa Storage-Next coordina a más de 40 vendors y clientes para definir estándares abiertos de acceso a storage iniciado por GPU. IMPORTA: Habilita acceso a object storage por RDMA sin pasar por la CPU del servidor, algo crítico para pipelines de entrenamiento, fine-tuning e inference que alimentan a las GPUs desde almacenamiento remoto, además de abrir la puerta a estándares interoperables que evitan integraciones propietarias por proveedor.

Por qué importa: Habilita acceso a object storage por RDMA sin pasar por la CPU del servidor, algo crítico para pipelines de entrenamiento, fine-tuning e inference que alimentan a las GPUs desde almacenamiento remoto, además de abrir la puerta a estándares interoperables que evitan integraciones propietarias por proveedor.

With most information hidden, the game Stratego had stumped AI—until now

Un equipo de Carnegie Mellon, MIT, NYU y Stanford entrenó a Ataraxos, una IA que venció al campeón mundial de Stratego Pim Niemeijer 15-1 (con cuatro empates) y ganó 38 de 40 partidas en el campeonato mundial de 2025. A diferencia de DeepNash, que requería 1.024 chips especializados y meses de entrenamiento, Ataraxos usó self-play con ajustes de estrategia grandes al inicio y pequeños después, más una red neuronal de "belief model" que infiere las piezas ocultas del rival para hacer búsqueda antes de cada movimiento, con un coste de solo 16 GPUs durante una semana. El mismo enfoque también funcionó en Barrage Stratego, Hanabi y dou dizhu.

Por qué importa: La idea de entrenar un modelo auxiliar que estime el estado oculto del entorno y guíe la búsqueda en vez de enumerar todo el espacio de estados es directamente trasladable a agentes que operan con información incompleta en el mundo real, y además demuestra que un resultado de nivel campeón mundial puede lograrse con 16 GPUs en vez de un clúster dedicado.

Google announces Gemini 4 Argon AI model, but you can't use it yet

Google anunció Gemini 4 Argon, un modelo frontier con acceso todavía limitado a un grupo reducido de testers, aunque ya publicó precios de API ($2 por millón de tokens de entrada y $10 por millón de salida, con 95% de descuento en input cacheado) y un límite de salida de 1 millón de tokens. Internamente, Google afirma que Argon logró ahorrar 300 TiB de memoria en sus data centers usando telemetría de flota y que agentes basados en el modelo migraron codebases de C/C++ a Rust, incluyendo más de 800.000 líneas del kernel Zircon de Fuchsia. En benchmarks reporta 77.9% en DeepSWE v1.1 y encabeza el Vals Index, con foco inicial en ciberdefensa bajo su Fairwind Program. Esto continúa lo que ya cubrimos sobre los modelos Gemini lanzados sin 3.5 Pro.

Por qué importa: Marca un salto en límites de salida (de 64.000 a 1 millón de tokens) y precios de API concretos, lo que cambia cómo se diseñan pipelines de inferencia y tareas agénticas de largo horizonte en producción.

↳ Contexto: Google releases three new Gemini models — but no 3.5 Pro · ver hilo completo

RFK Jr. thinks AI will free us from the "tyranny" of medical facts, expertise

En un evento de Make America Healthy Again, el Secretario de Salud Robert F. Kennedy Jr. afirmó que la IA liberará a los estadounidenses de la "tiranía médica" de doctores y expertos, y sugirió usarla para obtener segundas opiniones médicas. El artículo contrasta esto con pruebas: al preguntar a Gemini y ChatGPT sobre mascarillas, distanciamiento social y vacunas, ambos chatbots respondieron afirmativamente, en línea con el consenso experto y contradiciendo lo que Kennedy anticipaba. El evento estuvo patrocinado, entre otros, por OpenAI y Anthropic, con paquetes de patrocinio de hasta 300.000 dólares.

Por qué importa: Ilustra el riesgo reputacional y de posicionamiento de los laboratorios de IA al asociarse con eventos o figuras que prometen que los modelos validarán desinformación, algo que los equipos que construyen o despliegan estos sistemas deben anticipar en sus políticas de uso y evaluación.

b11320

llama.cpp añade un handler dedicado para el dialecto Harmony de LLM-jp-4.1, seleccionado mediante la declaración chat_format=llm-jp-harmony-v1 en la chat template. LLM-jp-4.1 usa el formato GPT-OSS, pero su tokenizer decodifica un espacio tras cada token especial y separa las tool calls paralelas de una forma que el handler de GPT-OSS rechaza, por lo que se necesita uno específico.

Por qué importa: Si sirves modelos con llama.cpp cuya chat template sigue el formato GPT-OSS/Harmony, este cambio evita fallos al parsear tool calls paralelas y espacios en la salida del tokenizer, algo que rompería agentes que dependen de esas llamadas.

b11318

El release b11318 de llama.cpp corrige el manejo de BOS/EOS en los modelos PLaMo-2 y PLaMo-3: sus tokenizer_config.json originales traen add_bos_token: true y add_eos_token: false, pero _set_vocab_plamo() no escribía esos metadatos y la ruta de tokenización PLAMO2 los ignoraba. El cambio lee esos ajustes del tokenizer_config.json y los respeta en la tokenización; los GGUF que no incluyen esas claves mantienen el comportamiento anterior. IMPORTA: Si sirves o conviertes modelos PLaMo-2/3 en llama.cpp, este fix evita que la tokenización difiera de la del tokenizer original, algo que puede degradar silenciosamente la calidad de las respuestas.

Por qué importa: Si sirves o conviertes modelos PLaMo-2/3 en llama.cpp, este fix evita que la tokenización difiera de la del tokenizer original, algo que puede degradar silenciosamente la calidad de las respuestas.

b11313

El commit b11313 de llama.cpp vuelve a habilitar el tensor `-sm` para qwen4exp, que se había desactivado en #27941 porque `test-llama-archs` fallaba con un assert en el dispositivo Meta al incluir una capa PLE. El problema era que, con embeddings residentes en host, el REPEAT de `hc_init` quedaba en la CPU y el reshape posterior dentro del split meta veía un nodo host-resident; expandir `hc_init` justo tras construirse lo coloca antes del primer nodo de dispositivo, donde la pass 2 de `ggml_backend_sched_split_graph` lo asigna, manteniendo el reshape del embedding en el split de CPU y copiándolo como split input, igual que en deepseek4.

Por qué importa: Es un caso concreto de cómo el split de grafos del backend scheduler de llama.cpp debe respetar fronteras CPU/dispositivo al añadir nuevas arquitecturas con PLE y embeddings en host, algo directamente relevante para quien depura la asignación de tensores y el offload en inferencia local.

Automated Evaluation of Multi-Turn Dialogues in In-Car Conversational Assistants

Se propone un framework automatizado para evaluar asistentes conversacionales en vehículo (ICAs) en diálogos multi-turno, tratándolos como caja negra mediante simulación en bucle cerrado con un simulador de usuario guiado por estrategia, un gestor de estrategias adversariales y un LLM judge de dos niveles que evalúa fallos por turno y calidad global de la conversación. Se evalúa sobre un ICA industrial con seis backends LLM y doce anotadores humanos, mostrando acuerdo sustancial entre el juez automático y los humanos; la guía por estrategia descubre 2.96 veces más tipos únicos de fallo por conversación y más del doble de conversaciones con fallos únicos frente a la simulación sin guía. Ofrece un método concreto de evaluación multi-turno con LLM-as-judge y simulación adversarial que cualquiera que construya o testee agentes conversacionales puede adaptar para detectar fallos de retención de contexto y manejo de restricciones que las evaluaciones de un solo turno no capturan.

Por qué importa: Ofrece un método concreto de evaluación multi-turno con LLM-as-judge y simulación adversarial que cualquiera que construya o testee agentes conversacionales puede adaptar para detectar fallos de retención de contexto y manejo de restricciones que las evaluaciones de un solo turno no capturan.

↳ Contexto: Evaluating Language Models in Realistic Conversational Contexts · ver hilo completo

Constructing Challenging Browser-Use Tasks by Controlled Environment Interventions

El paper presenta BreakingWeb, un benchmark que construye tareas difíciles para agentes de navegador interviniendo tareas que ya resuelven, en lugar de recolectar tareas nuevas. Cada tarea base se empareja con una condición de intervención determinista, detectable y recuperable que altera el entorno en distintas capas del stack web preservando la instrucción del usuario y el criterio de éxito. El benchmark incluye 519 pares tarea limpia/intervenida en siete sitios autocontenidos y 29 familias de intervención, y al evaluar seis agentes de browser-use, tres agentes solo-GUI y humanos, las intervenciones reducen la tasa de éxito de los agentes un 22.9% en promedio y revierten casi la mitad de las tareas que cada agente resuelve sin intervención, mientras que los humanos pierden 10.0% en el primer intento y 5.7% después de un intento de familiarización. El fallo dominante es de creencia: el 75% de los fallos de los seis agentes terminan declarando éxito aunque el cambio requerido nunca ocurrió.

Por qué importa: Muestra que los agentes de navegador fallan sobre todo por declarar éxito sin verificar el estado real del entorno, un problema de verificación y observabilidad directamente aplicable a cualquier sistema agéntico en producción, no solo a browser-use.

How to Run Statistics over LLM Judges and Trust the Results: Calibrated Inference for Small-Sample AI Evaluation with evalstats

El paper aborda el problema de que correr estadística sobre puntuaciones crudas de LLM judges produce falsos positivos inflados, con el riesgo de falsos positivos alcanzando su pico justo en niveles de acuerdo humano-LLM "casi perfecto". Propone guías y tooling para diseños mixtos humano-IA, implementa nueve tests de hipótesis vía prediction-powered inference (PPI) —incluyendo las primeras correcciones PPI para cuatro tests basados en rangos— e introduce bootstrap-adaptive power tuning para estabilizar PPI++ con conjuntos de calibración pequeños. Empaqueta las recomendaciones (derivadas de simulaciones Monte Carlo para N<100, con advertencia contra bootstrap CIs) en evalstats, un paquete open-source de Python que selecciona métodos calibrados automáticamente. IMPORTA: Cualquiera que use LLM judges para evaluar modelos o pipelines agénticos debería revisar sus intervalos de confianza y tests de significancia con esta herramienta antes de publicar o decidir con esos resultados, porque el paper demuestra que un judge validado como "acuerdo sustanc

Por qué importa: Cualquiera que use LLM judges para evaluar modelos o pipelines agénticos debería revisar sus intervalos de confianza y tests de significancia con esta herramienta antes de publicar o decidir con esos resultados, porque el paper demuestra que un judge validado como "acuerdo sustancial" puede llevar a conclusiones espurias.

PrimeSeeker: Capability-Oriented Supervision for Deep Search Agents

PrimeSeeker propone "latent anchor reasoning", una unidad de retrieval que descompone el deep search en cadenas de operaciones acopladas: resolver un anchor de retrieval sin nombre a partir de especificaciones descriptivas y transferirlo a una demanda de información posterior. El framework construye estructuras de anchors basadas en web, deriva conjuntamente una pregunta y un esqueleto de evidencia de referencia, y reutiliza ese esqueleto para auditar la cobertura de pasos de referencia como recompensa de RL. Entrenan un search agent de 30B sobre 9.221 trayectorias de expertos, con mejoras en cinco benchmarks de deep search y menos tool calls que sistemas de horizonte largo.

Por qué importa: Ofrece un método concreto para construir datos de entrenamiento y recompensas de RL orientados a la capacidad real de retrieval, algo directamente aplicable si entrenas o evalúas agentes de búsqueda y buscas reducir tool calls manteniendo cobertura.

Gemini 4 Argon: our next era of frontier intelligence

Google DeepMind anuncia Gemini 4 Argon, su nuevo modelo frontier, que se despliega por fases empezando por defensores de ciberseguridad del programa Fairwind y testers de confianza antes de llegar a la API y a los consumidores. Destaca por un límite de salida ampliado a 1M tokens (frente a 64K), resultados líderes en benchmarks como DeepSWE v1.1 (77.9%), Vals Index, Harvey's Legal Agent Benchmark, AutomationBench de Zapier (51.3%) y LVBench (91.7%), y capacidades de ciberseguridad defensiva sin guardrails para defensores de confianza, con precios introductorios de $2/M tokens de entrada y $10/M de salida. Esta noticia continúa el anuncio previo de Gemini 4 que ya publicamos, ahora con el nombre Argon y los detalles de despliegue y rendimiento. IMPORTA: El salto a 1M tokens de salida y las capacidades agénticas de ciberseguridad sin guardrails cambian los supuestos

Por qué importa: El salto a 1M tokens de salida y las capacidades agénticas de ciberseguridad sin guardrails cambian los supuestos de diseño para quien construye agentes y pipelines de inferencia, desde la gestión de contexto largo hasta las defensas contra prompt injection en flujos autónomos.

↳ Contexto: Google announces Gemini 4 and says it’s so capable that only ‘trusted cyber defenders’ can have it right now · ver hilo completo

Barclays scales Claude to upgrade operations and improve client experience

Barclays amplía su colaboración con Anthropic para desplegar Claude en toda la organización, con la expectativa de que Claude Code llegue al 50% de su plantilla de desarrolladores a finales de 2026 y a la mayoría de sus ingenieros en 2027. Ya en marcha, su Colleague Knowledge Assistant, basado en RAG sobre Claude, ha sido adoptado por más de 16.000 empleados y ha gestionado más de un millón de búsquedas, mientras que en Global Markets los modelos clasifican y enrutan aproximadamente 120.000 emails diarios.

Por qué importa: Es un caso concreto de adopción de coding agents y RAG a escala en un entorno altamente regulado, con cifras de despliegue y volumen que sirven de referencia para quien planifica rollouts de IA en empresas grandes.