El radar

Can a Cloud-Native Harness Make Agents Reliable Beyond the Desktop?

Stacklok, fundada por dos creadores de Kubernetes (Craig McLuckie y Joe Beda), ha pivotado desde seguridad de supply chain hacia infraestructura agéntica con Mecatl, un "cloud-native harness" open source que separa el agent loop del cliente, el proveedor de modelo, el estado y el entorno de ejecución, manteniendo tool calling y bash aislados y la sesión/memoria en sistemas gestionables en vez de ficheros JSONL locales. La empresa también ofrece ToolHive, plataforma open source para ejecutar y gobernar servidores MCP sobre Kubernetes, y un AI Gateway (aún no open source) centrado en control de acceso, presupuestos, reporting y routing de proveedores, con el modelo comercial puesto en un control plane empresarial que une identidad, autorización, política y auditoría. Plantea llevar los coding agents de harnesses de escritorio mono-proceso a arquitecturas desplegables en Kubernetes con el loop desacoplado de la ejecución sensible, algo directamente relevante para quien deba operar agentes a escala empresarial en clusters, no solo en una máquina local.

Por qué importa: Plantea llevar los coding agents de harnesses de escritorio mono-proceso a arquitecturas desplegables en Kubernetes con el loop desacoplado de la ejecución sensible, algo directamente relevante para quien deba operar agentes a escala empresarial en clusters, no solo en una máquina local.

ChatGPT’s ‘Intelligent UI’ update fills its responses with pictures, charts, and buttons

OpenAI lanza "Intelligent UI" en ChatGPT, una función que permite al chatbot responder con visuales interactivos como diagramas, charts, formularios y botones, entrenando a GPT-6 para decidir cuándo generar estas visuales y cómo formatearlas. GPT-6 se despliega en ChatGPT con las versiones Sol y Luna, además de mejorar las búsquedas web y ofrecer respuestas parciales más rápidas, con mayor resistencia a intentos de eludir su entrenamiento de seguridad. La función llega globalmente a los planes Plus, Pro, Business y Enterprise, y se extiende a Go y gratis el jueves.

Por qué importa: Que un modelo decida por sí mismo generar interfaces interactivas dentro de la conversación —no solo texto— cambia el tipo de contrato entre aplicación y LLM, algo que quien construya agentes o integre ChatGPT debería tener en cuenta al diseñar sus propias salidas estructuradas.

↳ Contexto: ChatGPT brings unlimited text chats to free users · ver hilo completo

Microsoft is giving Copilot more control over Windows and your files

Microsoft presentó en su evento de Windows y Surface una actualización de Copilot que le da acceso a archivos locales del PC y capacidad de ejecutar acciones en todo el sistema, bajo el concepto que la compañía llama "Hybrid Intelligence", combinando modelos de IA locales y en la nube. En la demo, la herramienta Autopilot buscó documentos en distintas carpetas, los renombró, los comprimió en un zip y redactó un email con el adjunto para el contable. Estas funciones llegarán a Copilot en los próximos meses, y una nueva experiencia de búsqueda en Windows 11 con acciones rápidas desde la barra estará disponible este otoño.

Por qué importa: Es un caso concreto de agente de escritorio con acceso a archivos locales y ejecución de acciones multi-paso sobre el sistema operativo, justo el tipo de superficie que obliga a pensar en permisos, sandboxing y observabilidad cuando se despliegan agentes autónomos.

↳ Contexto: Microsoft thinks its new Copilot ‘super app’ will be as influential as Office · ver hilo completo

Surface RTX Spark Dev Box is available for preorder for $5,999

Microsoft ha abierto las reservas de su Surface RTX Spark Dev Box, un mini PC para desarrolladores que se enviará en noviembre por unos $6,000. Corre sobre la plataforma Arm RTX Spark de Nvidia con 128GB de memoria unificada y un envelope térmico de 100 vatios, y está optimizado para ejecutar IA local, incluyendo "modelos que superan los 120B parámetros", para probar modelos, prototipar agentes o usar herramientas de coding en el dispositivo. Viene con Windows 11 Pro optimizado para desarrolladores y herramientas preinstaladas como VS Code, Git, GitHub CLI, GitHub Copilot, WSL, Python y Node. IMPORTA: Es una señal de precio y formato del hardware dedicado a inferencia local de modelos grandes: 128GB de memoria unificada permite correr modelos de más de 120B parámetros on-device, lo que cambia qué se puede prototipar sin depender de la nube.

Por qué importa: Es una señal de precio y formato del hardware dedicado a inferencia local de modelos grandes: 128GB de memoria unificada permite correr modelos de más de 120B parámetros on-device, lo que cambia qué se puede prototipar sin depender de la nube.

↳ Contexto: Nvidia’s controversial DLSS 5 arrives September 3rd and requires serious GPU horsepower · ver hilo completo

Google invests millions in Mark Zuckerberg’s efforts to create a ‘virtual cell’

Google DeepMind, Meta e Isomorphic Labs invierten conjuntamente 300 millones de dólares en una iniciativa liderada por Biohub, la organización sin ánimo de lucro fundada por Mark Zuckerberg y Priscilla Chan, para crear una "célula virtual". El proyecto forma parte de una iniciativa de "Virtual Biology" de 1.800 millones de dólares destinada a construir datasets de IA que permitan a los investigadores simular y predecir procesos biológicos digitalmente. El Departamento de Energía de EE.UU. aportará más de 500 millones en cinco años y los NIH contribuirán con datasets, repositorios y bases de conocimiento.

Por qué importa: Muestra la apuesta de los grandes laboratorios de IA por datasets científicos a gran escala como base para modelos predictivos, un patrón de inversión en datos que también condiciona cómo se construyen y financian los modelos fuera del ámbito biológico.

↳ Contexto: Mark Zuckerberg is planning a big push into personal AI agents · ver hilo completo

AI could upend food delivery

La startup Bites, fundada por el cofundador de Grubhub Matt Maloney, permite pedir comida directamente desde ChatGPT a restaurantes sin pasar por intermediarios como DoorDash, cobrando una tarifa plana de $1 por pedido frente al 15-30% de comisión de las apps tradicionales. DoorDash envió cartas a restaurantes del área de la Bahía advirtiéndoles de que podrían estar listados en Bites sin su consentimiento; Bites lo atribuye a demos antiguas. El artículo enmarca esto en "the DoorDash problem": si los LLMs se convierten en el portal a internet, las empresas pierden control sobre el descubrimiento, la publicidad y el upsell.

Por qué importa: Muestra un caso concreto de cómo los agentes de LLM pueden desintermediar un negocio entero basado en apps, un patrón que cualquier equipo que construya productos con agentes o dependa de canales propios debería anticipar.

↳ Contexto: OpenAI’s Dot agent is enterprise software that can also order your dinner · ver hilo completo

ChatGPT for Teens is an ‘unacceptable risk,’ says Common Sense Media

Common Sense Media publicó una evaluación que califica a ChatGPT for Teens como un "riesgo inaceptable", señalando que la función no envía alertas a los padres cuando debería, no ofrece la ayuda adecuada en situaciones de crisis y sigue haciendo las tareas de los chicos. OpenAI cuestiona la metodología del estudio, alegando que buena parte de las pruebas pudo haberse hecho antes de que los controles parentales estuvieran activos, mientras Common Sense Media defiende sus resultados y señala que OpenAI reveló tardíamente que los sistemas pueden tardar horas en activarse en cuentas recién vinculadas.

Por qué importa: Es un caso concreto de cómo los guardrails y los sistemas de alertas en productos de IA para poblaciones vulnerables fallan en producción, algo directamente relevante para quien diseña o audita mecanismos de seguridad y monitoreo en sistemas de IA.

↳ Contexto: ChatGPT is getting a dedicated mode for teens · ver hilo completo

ChatGPT for Teens keeps teens talking, even during mental health crises

Un análisis de TechCrunch prueba que las salvaguardas de ChatGPT para adolescentes (ChatGPT for Teens) no evitan que el chatbot siga fomentando el engagement durante crisis de salud mental, e incluso podría alentar vínculos poco saludables con la propia IA. El texto señala que, pese a estar diseñadas para proteger a usuarios vulnerables, estas protecciones fallan en los momentos críticos. IMPORTA: Muestra que las salvaguardas de seguridad en LLMs orientados a engagement pueden degradarse justo cuando más se necesitan, un caso concreto para quien diseña guardrails, evaluación de seguridad y políticas de uso en productos de IA.

Por qué importa: Muestra que las salvaguardas de seguridad en LLMs orientados a engagement pueden degradarse justo cuando más se necesitan, un caso concreto para quien diseña guardrails, evaluación de seguridad y políticas de uso en productos de IA.

Multimodal open d1 decision models for the edge

Liquid AI publica d1-3B y d1-omni-600M, modelos de decisión open-weight construidos sobre sus Liquid Foundation Models (LFMs) que, a diferencia de los generativos, no producen tokens sino que responden en un solo forward pass. En benchmarks sobre siete datasets públicos (comprensión lectora, detección de toxicidad, clasificación de intención, QA médico y comprensión cross-lingual) d1-3B alcanza 82.9 de media y d1-omni-600M logra 78.4 superando a Decider 2B con un cuarto de los parámetros. En inferencia edge (RTX 4090, Jetson AGX Thor, AGX Orin 64 GB y Orin Nano) d1-3B responde en menos de 50 ms, y en GPU por debajo de 10 ms por pregunta y menos de 18 ms para procesar una imagen de 384px. IMPORTA: Plantea un paradigma alternativo al LLM generativo para decisiones estructuradas y multimodales de bajísima latencia, relevante para quien diseña pipelines de clasificación, routing o

Por qué importa: Plantea un paradigma alternativo al LLM generativo para decisiones estructuradas y multimodales de bajísima latencia, relevante para quien diseña pipelines de clasificación, routing o triaje que hoy resuelve con prompts generativos más lentos y costosos.

b11513: CUDA: improve top-k algorithm selection (#28713)

Release de llama.cpp (b11513) que mejora la selección del algoritmo top-k en CUDA: sustituye el DeviceTopKKernel de CUB por un radix select con grid-over-rows, activado mediante GGML_CUDA_TOPK_RADIX_MIN_ROWS. En qwen4exp con 34.816 tokens, el top-k pasa de 1.671.253 lanzamientos y 5.761,8 ms a 2.329 lanzamientos y 941,8 ms. La selección de implementación se hace ahora por forma (bitonic para filas cortas, radix select para varias filas largas, DeviceTopK o argsort de CUB para una sola fila larga), con umbrales configurables en build time. IMPORTA: Reduce drásticamente el coste del top-k en GPU para filas largas, lo que impacta directamente en latencia y throughput de inference y sampling en CUDA con llama.cpp.

Por qué importa: Reduce drásticamente el coste del top-k en GPU para filas largas, lo que impacta directamente en latencia y throughput de inference y sampling en CUDA con llama.cpp.

↳ Contexto: b10956 · ver hilo completo

b11509

Commit en llama.cpp que corrige un guard de versión de CCCL en el backend CUDA: la comparación previa evaluaba mayor y menor por separado (`>= 3 && >= 1`), lo que fallaba silenciosamente en CCCL 4.x y desactivaba STRIDED_ITERATOR_AVAILABLE, haciendo que argsort cayera al path de init_offsets sin aviso. Se sustituye por comparación con el entero empaquetado de CCCL (`>= 3001000`), verificado contra una referencia manual en varias versiones incluidas 4.0.0 y 5.0.0, y probado en una RTX 4070 con CUDA 13.4 y CCCL 3.4.3. IMPORTA: Es un ejemplo de regresión silenciosa de rendimiento en inferencia CUDA que no rompe la compilación ni emite warnings, y muestra por qué conviene verificar mediante preprocesado qué rama se compila realmente y no solo que los tests pasen.

Por qué importa: Es un ejemplo de regresión silenciosa de rendimiento en inferencia CUDA que no rompe la compilación ni emite warnings, y muestra por qué conviene verificar mediante preprocesado qué rama se compila realmente y no solo que los tests pasen.

b11506: server : preserve context checkpoints across slot save/restore (#26004)

Release b11506 de llama.cpp: el server ahora preserva los context checkpoints al guardar y restaurar slots, de modo que un slot restaurado puede volver a un checkpoint en lugar de reprocesar todo el prompt. También descarta los datos de draft checkpoint que no coinciden con el draft KV cache al restaurar (evitando un crash en load_dft()), endurece el manejo de blobs (acota tamaños, abre rutas UTF-8 en Windows, limita por n_ctx_checkpoints) y hace que load_tgt/load_dft devuelvan bool, con fallback a reprocesar el prompt si falla la carga, más un test de regresión. IMPORTA: Mejora directamente el guardado/restauración de slots y la gestión de memoria de contexto en model serving con llama.cpp, un componente clave para servir LLMs de forma eficiente y sin reprocesar prompts completos.

Por qué importa: Mejora directamente el guardado/restauración de slots y la gestión de memoria de contexto en model serving con llama.cpp, un componente clave para servir LLMs de forma eficiente y sin reprocesar prompts completos.

AI breakthroughs in robotics won’t change your life any time soon

Análisis de MIT Technology Review sobre el hype de los robots humanoides (Optimus de Tesla, predicciones de Musk, Huang y Andreessen) frente al escepticismo de investigadores como Yann LeCun, que dudan de que los avances en IA de lenguaje e imágenes basten para dominar la variabilidad del mundo físico. El artículo describe el estado real de la técnica a través de ALOHA 2 y Gemini Robotics de Google DeepMind, un VLA entrenado con teleoperación que ejecuta tareas como preparar un lunchbox, pero que falla ante cualquier tarea fuera de su set de entrenamiento. IMPORTA: Marca el límite práctico de los VLA actuales —generalizan solo dentro de su distribución de entrenamiento—, algo crítico para cualquiera que diseñe agentes físicos o evalúe cuánto de un sistema "generalista" es realmente robusto frente a lo no visto.

Por qué importa: Marca el límite práctico de los VLA actuales —generalizan solo dentro de su distribución de entrenamiento—, algo crítico para cualquiera que diseñe agentes físicos o evalúe cuánto de un sistema "generalista" es realmente robusto frente a lo no visto.

When Forgetting Looks Like Improvement: Metric Masking in Streaming Diarizer Adaptation and the Price of Rehearsal

El paper "When Forgetting Looks Like Improvement: Metric Masking in Streaming Diarizer Adaptation and the Price of Rehearsal", de Mo Yu y otros dos autores, aborda cómo las métricas pueden enmascarar el olvido catastrófico al adaptar un diarizador en streaming, y analiza el coste de usar rehearsal. El resumen disponible se limita a los metadatos de arXiv (título, autores, fecha y contexto cs.CL), sin cifras ni resultados concretos. Se relaciona con el trabajo de adaptación de dominio en streaming que ya cubrimos en el digest.

Por qué importa: Recuerda que al adaptar modelos de audio en producción las métricas agregadas pueden mejorar mientras el modelo olvida casos previos, así que conviene vigilar el olvido catastrófico con evaluaciones por dominio y no solo con el número global.

↳ Contexto: StreamHear: Domain-Adapted Pseudo-Labeling for Semi-Supervised Streaming Speech Recognition · ver hilo completo

QuanLing: Cross-Branch Validation of Language Distance Quantification on Western Romance

QuanLing, un framework que cuantifica la distancia entre lenguas usando modelos de lenguaje preentrenados, extiende su validación del grupo nórdico al romance occidental (francés, portugués, español, italiano) con 150 frases paralelas. Combina distancias de sentence embeddings de LaBSE con tasas de fragmentación de tokenización y mutua inteligibilidad vía MLM. El portugués-español resultan las lenguas más cercanas (distancia LaBSE 0.0229) y francés-italiano las más distantes (0.0338), con el francés mostrando mayor previsibilidad MLM (36.12% de accuracy top-1). El trabajo no tiene conexión con nuestra pieza reciente sobre evaluación de modelos en contextos conversacionales. IMPORTA: Aporta evidencia de que las métricas de distancia entre lenguas basadas en embeddings y tokenización son estables entre ramas lingüísticas, algo relevante para quien diseña evaluación multilingüe o selecciona tokenizers para modelos que operan en varias lenguas.

Por qué importa: Aporta evidencia de que las métricas de distancia entre lenguas basadas en embeddings y tokenización son estables entre ramas lingüísticas, algo relevante para quien diseña evaluación multilingüe o selecciona tokenizers para modelos que operan en varias lenguas.

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

LRCC: Generalizing Low-Rank Compression with Conditional Computation

LRCC propone añadir cómputo dependiente del token a modelos preentrenados entrenando un router ligero por bloque Transformer que elige entre un conjunto reducido de caminos low-rank anidados, manteniendo congelados los factores low-rank durante el entrenamiento. Evaluado en modelos Llama y Qwen, logra mejor rendimiento predictivo que la compresión low-rank estática con el mismo presupuesto de parámetros activos, incluyendo una mejora de 7,6 puntos porcentuales en precisión downstream promedio en Llama-2-7B. A latencia de decoding comparable con batch-size 1, mejora perplexity y precisión en Llama-3.2-1B sin necesidad de kernels especializados. IMPORTA: Ofrece una vía concreta para reducir cómputo de inferencia de forma adaptativa por token sin reentrenar los pesos comprimidos, algo directamente aplicable a serving de LLMs con presupuesto de latencia ajustado.

Por qué importa: Ofrece una vía concreta para reducir cómputo de inferencia de forma adaptativa por token sin reentrenar los pesos comprimidos, algo directamente aplicable a serving de LLMs con presupuesto de latencia ajustado.

Tiny-Scale Chinese BERT Pretraining: A Controlled Comparison of MLM, WWM, and MacBERT Strategies

Un paper compara de forma controlada tres estrategias de pretraining (MLM, WWM y reemplazo estilo MacBERT) sobre un BERT chino a escala diminuta (4 capas, 256 dimensiones, 8.7M parámetros), entrenando tres modelos desde cero con arquitectura, corpus (1.29M frases de Wikipedia china) e hiperparámetros idénticos. A escala tiny, MLM gana en 3 de 5 dimensiones intrínsecas, mientras WWM destaca en perplexity (1.27 vs 2.10) y en MLM hit rate (22% vs 16%); MacBERT, con un diccionario de sinónimos muy limitado (222 entradas, 3.3% de cobertura), sufre una degradación severa de perplexity (47.23). Los autores señalan además un pitfall de evaluación: MacBERT logra el training loss más bajo (2.17) pero la perplexity más alta, lo que muestra que el training loss por sí solo no es fiable bajo estrategias de reemplazo mixto. El ranking obtenido (MLM >

Por qué importa: A quien entrene o ajuste modelos pequeños para tareas en idiomas no ingleses le sirve como evidencia de que los resultados de pretraining a escala base no se transfieren a escala tiny, y de que el training loss no debe usarse como señal de calidad cuando hay reemplazos léxicos mixtos.

Steering Follows Geometry, Not Labels: Emotion Directions in a Full-Duplex Speech Model

El paper estudia el control de emoción en Moshi, un modelo de lenguaje de voz full-duplex open source, mediante activation steering con mean-difference, que cuesta solo unas pocas sumas de vectores por frame y sin reentrenamiento. Los resultados muestran que la emoción es linealmente decodificable del residual stream de Moshi, pero el steering solo es parcialmente efectivo y de forma desigual: happy, angry y surprise comparten una dirección, mientras que sad es distinguible por separado. Además, el componente compartido entre las tres emociones no puede proyectarse fuera de todas ellas por igual.

Por qué importa: Para quien construye agentes de voz en tiempo real, esto indica que controlar afecto vía steering no es un simple ajuste de una dirección por emoción: hay direcciones superpuestas que obligan a diseñar y evaluar el control emocional con más cuidado de lo que sugiere la intuición.

Claude Haiku 5.5

Anthropic lanza Claude Haiku 5.5, un modelo rápido y barato a $0.10/$0.50 por millón de tokens hasta 100.000 tokens, con subida a $0.50/$2.50 por encima de ese umbral, igualando el precio de GPT-6 Luna pero con un tokenizer menos generoso que encarece de forma oculta el mismo prompt (~1.25x más tokens que Haiku 4.5). El modelo no permite desactivar el razonamiento y por defecto usa nivel medium. Además, Anthropic reduce a la mitad el precio de las cache reads de Sonnet 5.5 y añade créditos mensuales de API a los planes de suscripción Max y Team ($100, $200 y hasta $500 respectivamente).

Por qué importa: Los nuevos precios y el tokenizer menos eficiente cambian el cálculo de coste por token real para quien sirve estos modelos en producción, y el umbral de 100.000 tokens marca cuándo conviene migrar a Luna.

↳ Contexto: Claude Opus 5.5, GPT-6 Sol, GPT-6 Luna, and a new price war · ver hilo completo

Building Reliable Data Analytics Agents: Lessons from the KDD Cup

El equipo KGMON de NVIDIA quedó segundo en la competencia KDD Cup 2026 Data Agents construyendo un harness restringido alrededor de un LLM pequeño y fijo. Unificaron todas las fuentes estructuradas (CSV, JSON, bases de datos) en un único SQLite accedido vía interfaces `schema()` y `sql(query)`, añadieron un paso previo de reconocimiento de esquema, limitaron las herramientas del agente a un conjunto pequeño (incluido `prose_helper()` para extraer datos de documentos sin contaminar el contexto principal) y usaron execution traces para que un agente inspector clasificara fallos y guiara mejoras del harness. IMPORTA: Muestra un playbook concreto y reproducible —interfaz única, preflight de esquema, tools acotadas, estado persistente y trazas inspeccionables— para hacer fiables sistemas agénticos construidos sobre modelos pequeños y open, donde el harness, no el modelo, es la superficie principal de optimización.

Por qué importa: Muestra un playbook concreto y reproducible —interfaz única, preflight de esquema, tools acotadas, estado persistente y trazas inspeccionables— para hacer fiables sistemas agénticos construidos sobre modelos pequeños y open, donde el harness, no el modelo, es la superficie principal de optimización.

Nvidia's big bet on physical AI aims for safer robotaxis, humanoid robots

Nvidia ha ampliado su sistema de seguridad Halos, lanzado en 2025 para vehículos autónomos, al ámbito de la robótica con "Halos for Robotics" (junio de 2026), que combina hardware (módulo IGX Thor con procesador dedicado a cargas de seguridad), un sistema operativo que monitoriza cada bloque de hardware y librería de software, el Holoscan Sensor Bridge para detectar datos corruptos y simulaciones para testear robots. Agility Robotics ha sido la primera en integrarlo en su humanoid Digit 5, que ya no depende de sensores externos en la célula de trabajo, y también participan Boston Dynamics, KION Group y LG. Nvidia cifra el negocio de physical AI en casi 10.000 millones de dólares anuales y ha invertido en startups como Agility Robotics, Figure AI y Unitree. IMPORTA: La seguridad funcional deja de ser un requisito externo al robot y pasa a ser una capa programable sobre el mismo silicio, lo que define cómo habrá que diseñar, aislar y certificar

Por qué importa: La seguridad funcional deja de ser un requisito externo al robot y pasa a ser una capa programable sobre el mismo silicio, lo que define cómo habrá que diseñar, aislar y certificar cargas críticas en sistemas autónomos que operan en entornos no estructurados.

↳ Contexto: Nvidia partners with data center developer Cloverleaf · ver hilo completo

“Software is over”: Bold AI developer takes aim at Adobe with open source clones

El desarrollador Brandon Thomas presentó Artcraft, un suite de siete apps open source (licencias MIT/Apache) que recrean la interfaz y herramientas de Photoshop, Illustrator, Premiere, Lightroom, After Effects, InDesign y Acrobat Pro, escritas en Rust con versiones WebAssembly. Según Thomas, las creó usando Claude Opus 5.5 para hacer "clean-room replacements" del software de Adobe, y afirma que alcanzará paridad de funcionalidad en meses. El proyecto se financia vendiendo acceso basado en tokens a su modelo visual Artcraft y a un IDE. IMPORTA: Es un caso concreto de coding agents usados para reverse engineering de software cerrado a gran escala, y un ejemplo de modelo de negocio que sostiene alternativas open source apoyándose en inferencia de pago.

Por qué importa: Es un caso concreto de coding agents usados para reverse engineering de software cerrado a gran escala, y un ejemplo de modelo de negocio que sostiene alternativas open source apoyándose en inferencia de pago.