2026-10-20
The Verge · IA
infraestructura
★★★☆☆
Un informe del Environmental Defense Fund y Atlas Public Policy señala que EE.UU. construye más infraestructura de combustibles fósiles que en la última década mientras el crecimiento renovable se frena. La capacidad fósil planificada pasaría del 5% de toda la nueva capacidad en 2024 al 30% en el segundo trimestre de 2026, y llegaría a 68 GW en 2030. La demanda eléctrica crece por data centers, fábricas y vehículos eléctricos, y los proyectos renovables se cancelan a mayor ritmo (4,9%) que los fósiles (2,9%).
Por qué importa: La composición y el coste de la energía que alimentará los data centers de IA condiciona la viabilidad, la ubicación y el precio de la capacidad de cómputo a medio plazo, un factor directo para quien planifica infraestructura de IA.
The Verge · IA
infraestructura
★★★★☆
Los bonos de CoreWeave entraron en territorio distressed y sus acciones cayeron más de un 20% desde el cierre del martes, con efecto contagio en otros valores ligados al buildout de IA como Oracle. CoreWeave debe más de 35.000 millones de dólares y perdió más de mil millones en el primer semestre, aunque sus remaining performance obligations ascienden a 103.700 millones, con Microsoft, OpenAI y probablemente Nvidia como principales clientes (casi tres cuartas partes de los ingresos del segundo trimestre). Un cofundador declaró al FT que la compañía busca deuda con grado de inversión para poder financiarse con aseguradoras.
Por qué importa: El coste y la estructura del crédito que financia las neoclouds de GPU es un riesgo sistémico para cualquiera que dependa de capacidad de cómputo alquilada, así que conviene vigilar la salud financiera de los proveedores de inference y training que sostienen los pipelines.
The Verge · IA
seguridad
★★★★☆
La firma de seguridad Norforge detectó más de 20 instancias expuestas de Cairn, una plataforma open-source de agentes de IA, algunas "probablemente maliciosas"; el atacante más activo comprometió más de 100 sitios web en EE. UU., Canadá, Australia y Japón, tardando unas 23 horas por brecha y definiendo sus tácticas de intrusión preferidas en menos de 100 caracteres en chino. Entre las víctimas reportadas por Reuters figuran John Deere, SharkNinja y Cummins, que dicen estar investigando o haber contenido la amenaza. El creador de Cairn sostiene que la plataforma "nunca fue una herramienta de hacking" y que el mal uso es una decisión humana. Esto continúa la oleada de ataques con agentes de IA que ya cubrimos en "One company is at the center of a wave of rogue AI attacks".
Por qué importa: Muestra que la orquestación de agentes con un simple objetivo de inicio y fin ya se usa para intrusiones autónomas a escala, así que quien despliegue plataformas de agentes necesita control de acceso, aislamiento y observabilidad por defecto, no como añadido.
↳ Contexto: One company is at the center of a wave of rogue AI attacks · ver hilo completo
TechCrunch · IA
seguridad
★★★★☆
Microsoft presentó nuevas funciones de seguridad para proteger a las empresas frente a agentes de IA, entre ellas Guardian Agents, dentro de Project Perception, para monitorizar los agentes que una compañía despliega. Su responsable de seguridad, Hayete Gallot, afirmó que "los frontier models, independientemente de su origen, no pueden ser confiables" por ser impredecibles, y Nadella abogó por separar "el suministro de inteligencia de la autoridad sobre ella". Además, Microsoft Defender incorpora detección de hasta 60 tipos de agentes traídos por empleados, incluidos Claude Code, Codex y OpenClaw, junto con límites de acceso a datos y permisos dinámicos por tarea con aprobación humana ante decisiones de riesgo; Microsoft es miembro inaugural de la Open Agent Safety Platform de Nvidia.
Por qué importa: Refuerza la tendencia de tratar a los agentes desplegados como insider threats y de exigir capas de control y auditoría independientes del proveedor del modelo, lo que afecta directamente al diseño de permisos, observabilidad y aislamiento en plataformas que ejecutan agentes.
↳ Contexto: Crossing the Threshold: How OpenAI and Anthropic Approach Autonomy and Safety in Financial Agents · ver hilo completo
TechCrunch · IA
infraestructura
★★★★☆
AWS lanzó TorchNeuron, una herramienta que permite ejecutar aplicaciones escritas en PyTorch sobre Trainium cambiando solo una línea de configuración, sin reescribir código. Amazon afirma que cerca del 85% de las apps de IA usan PyTorch y que Trainium sirve tanto para training como para inference, citando el caso de Deepgram, que procesa un 70% más de audio por dólar. Además, Amazon contribuirá upstream a PyTorch cambios para desacoplar el framework de hardware específico y hacerlo más agnóstico.
IMPORTA: Si PyTorch se vuelve realmente agnóstico de hardware, portar workloads entre Trainium, AMD o GPU de Nvidia pasará a ser una decisión de coste y no de reescritura de código, lo que cambia el cálculo de precio-rendimiento en cualquier plataforma de serving.
Por qué importa: Si PyTorch se vuelve realmente agnóstico de hardware, portar workloads entre Trainium, AMD o GPU de Nvidia pasará a ser una decisión de coste y no de reescritura de código, lo que cambia el cálculo de precio-rendimiento en cualquier plataforma de serving.
TechCrunch · IA
seguridad
★★★★☆
Atacantes accedieron a parte de la plataforma online de OpenCode, un agente de coding open source alternativo a Claude Code y Cursor, y robaron API keys de algunos usuarios, generando cargos en sus cuentas de IA. Según el artículo, las herramientas de IA a las que se recurrió para analizar el incidente se negaron repetidamente a examinar el código malicioso.
Por qué importa: Expone un riesgo directo para quien opera coding agents o plataformas con credenciales de terceros: el robo de API keys puede traducirse en costes reales, y las salvaguardas de los propios modelos pueden bloquear el análisis de código malicioso justo cuando más se necesita.
llama.cpp (release)
infraestructura
★★★★☆
El servidor de llama.cpp ahora propaga el parámetro id_slot al convertir peticiones del endpoint Anthropic /v1/messages al formato interno OAI. Antes ese campo se descartaba, de modo que un proxy que fijara sesión a un slot concreto (donde reside su KV cache) caía en selección automática de slot y, en modelos híbridos/recurrentes, pagaba un re-prefill completo. Se añade un test que verifica, vía GET /slots, que una petición con id_slot se sirve por ese slot.
Por qué importa: Si mantienes proxies o gateways que enrutan sesiones a slots específicos para reutilizar KV cache, este fix evita re-prefills silenciosos al usar la API compatible con Anthropic.
llama.cpp (release)
investigacion
★★★★☆
Un commit de llama.cpp hace determinista la selección del router en arquitecturas MoE, rellenando el sesgo de selección con una rampa de paso 2 para que cada experto tenga su propio rango de puntuación y el top-k dependa solo del índice del experto, sin alterar los pesos que se derivan de las probabilidades sin sesgo. El problema afectaba a Beam (8 expertos, 2 usados; 4 grupos, 2 usados), donde 2 de 20 seeds fallaban en un M2 Ultra con diferencias de logits de 4e-3 en lugar de 5e-7; tras el cambio, Beam coincide con la referencia de CPU dentro de 4e-7 en las 160 seeds. Además se añade el nombre del dispositivo a la tabla de tests para distinguir filas indistinguibles.
Por qué importa: Para quien valida inferencia MoE en distintos backends (Metal vs CPU), este arreglo elimina falsos negativos en los tests por ruido de selección del router y hace que las diferencias de logits reflejen errores reales del kernel.
llama.cpp (release)
infraestructura
★★★☆☆
Release b11751 de llama.cpp actualiza el toolchain a snapdragon-toolchain v0.8 y habilita el soporte de Hexagon v85 en el backend Hexagon (DSP de Qualcomm). Incluye cambios en los scripts de build y en la CI para usar la nueva versión del toolchain, un pequeño script en Python para el swiv necesario en algunos dispositivos IoT, y ajustes en los scripts de build y ejecución para soportar Ubuntu con transporte adb.
IMPORTA: Para quien despliega inferencia de LLMs en hardware Qualcomm, este release mueve el soporte Hexagon a una toolchain más nueva y añade Hexagon v85, lo que afecta a cómo se compila y se ejecuta llama.cpp en esos dispositivos.
Por qué importa: Para quien despliega inferencia de LLMs en hardware Qualcomm, este release mueve el soporte Hexagon a una toolchain más nueva y añade Hexagon v85, lo que afecta a cómo se compila y se ejecuta llama.cpp en esos dispositivos.
Ars Technica · IA
seguridad
★★★☆☆
Un juez ha ordenado a Meta identificar a los ejecutivos que autorizaron la descarga de libros de bibliotecas piratas como LibGen y Anna's Archive para entrenar modelos como Llama 1 y 2, tras las demandas de autores como Richard Kadrey y Sarah Silverman y de la editorial Entrepreneur Media. Meta sostenía que no hubo decisiones formales y que las descargas las hicieron empleados "técnicamente", pero los demandantes alegan que torrentear 80,6 TB de LibGen y 35,7 TB de Anna's Archive exigía aprobación de directores o VPs. La orden también obliga a producir los historiales de comandos de los servidores usados para torrentear.
IMPORTA: Expone cómo se construyeron los datasets de entrenamiento de modelos frontera y qué trazabilidad legal y de gobernanza se les va a exigir, un precedente directo para cualquier equipo que arme pipelines de datos a gran escala.
Por qué importa: Expone cómo se construyeron los datasets de entrenamiento de modelos frontera y qué trazabilidad legal y de gobernanza se les va a exigir, un precedente directo para cualquier equipo que arme pipelines de datos a gran escala.
arXiv cs.CL
seguridad
★★★☆☆
Artículo de arXiv (cs.CL) de Haoxuan Jia y otros 15 autores que estudia cuándo los agentes LLM deciden seguir prompt injections, centrando el análisis en la ventana del razonamiento del agente. El texto disponible es la página de metadatos del paper, sin abstract ni resultados visibles. Se relaciona con nuestra pieza previa sobre verificación pre-acción en agentes LLM, en la misma línea de decidir antes de actuar.
IMPORTA: Si la decisión de obedecer una inyección se puede localizar en el razonamiento del agente, abre la puerta a monitorizar esa traza como punto de control de seguridad en sistemas agénticos en producción.
Por qué importa: Si la decisión de obedecer una inyección se puede localizar en el razonamiento del agente, abre la puerta a monitorizar esa traza como punto de control de seguridad en sistemas agénticos en producción.
↳ Contexto: Look Before You Leap: Pre-Action Verification for LLM Agents · ver hilo completo
arXiv cs.CL
investigacion
★★★★☆
CoDA es un asistente open-source que colabora con expertos de dominio para desarrollar codebooks (guías de anotación) de forma iterativa, revisando predicciones incorrectas del modelo e incorporando feedback experto. Se demuestra en dos casos reales: extracción de indicadores de salud en notas de gestión de casos de personas sin hogar y clasificación de sentimiento en posts sobre tráfico de fauna. Logra un rendimiento downstream comparable a codebooks expertos reduciendo el tiempo de desarrollo de varias semanas a dos horas y requiriendo 5 veces menos ejemplos anotados manualmente.
Por qué importa: Para quien construye pipelines de anotación o evaluación con LLMs, muestra que el cuello de botella real está en las guías de anotación y no en el modelo, y ofrece un método concreto para reducir drásticamente el esfuerzo de anotación humana sin perder calidad.
arXiv cs.CL
modelos
★★★★☆
El artículo describe cómo añadir control de fonemas a un modelo TTS conversacional preentrenado sin reentrenarlo desde cero, mediante una extensión del vocabulario ARPAbet, fine-tuning supervisado continuado con aumento de fonemas y una etapa de acoustic-biasing en inferencia sin entrenamiento. En una evaluación de 7.500 clips de pronunciación de nombres de fármacos, la corrección estricta juzgada por Gemini sube del 54,6% al 90,7% frente a todas las baselines conversacionales y no conversacionales. En un estudio humano ciego y aleatorizado, el 84% de los clips se juzgan correctos frente al 82% de la mejor baseline, con intervalos de confianza solapados en un subconjunto estratificado. Muestra un patrón reutilizable para dar control léxico explícito a modelos generativos preentrenados sobre entidades raras y críticas sin reentrenar, algo directamente aplicable a pipelines ASR→LLM→TTS en producción donde una pronunciación incorrecta de un término de dominio tiene coste real.
Por qué importa: Muestra un patrón reutilizable para dar control léxico explícito a modelos generativos preentrenados sobre entidades raras y críticas sin reentrenar, algo directamente aplicable a pipelines ASR→LLM→TTS en producción donde una pronunciación incorrecta de un término de dominio tiene coste real.
arXiv cs.CL
investigacion
★★★★☆
Estudio que parte del entrenamiento fonémico previo de BabyLM (Goriely et al., 2024) para comprobar si añadir una estimación de la prosodia que usan los bebés mejora el modelado del lenguaje a escala BabyLM. Comparan un baseline ortográfico con tres condiciones de creciente riqueza fonológica, entrenando BERT MLMs con 10M y 100M palabras, y construyen una tarea de decisión léxica y dos tareas de organización semántica para evaluar. El control fonotáctico con trifonos y el scoring por pseudo-log-likelihood muestran que las puntuaciones reflejan familiaridad fonotáctica más que condición de palabra, y que el stream fonémico con anotación prosódica da la mejor organización taxonómica en ambas escalas. Aporta evidencia de que la estructura prosódica es un componente clave del modelado fonémico en régimen de pocos datos y expone un artefacto metodológico en benchmarks de decisión léxica que conviene revisar antes de fiarse de métricas similares en evaluación de modelos.
Por qué importa: Aporta evidencia de que la estructura prosódica es un componente clave del modelado fonémico en régimen de pocos datos y, sobre todo, expone un artefacto metodológico en benchmarks de decisión léxica que conviene revisar antes de fiarse de métricas similares en evaluación de modelos.
Construir este día costó 140.327 tokens de entrada
y 16.104 de salida en 71 llamadas a modelos — unos 0,0885 $.