Claude unifica chat y Cowork en un solo producto y añade documentos y presentaciones
Anthropic ha fusionado Claude Chat y Cowork en una única interfaz: ya no eliges entre modo conversación y modo trabajo, porque el propio modelo decide si la tarea pide una respuesta rápida o un flujo más largo. La actualización incorpora además Claude Docs y Claude Slides para crear documentos y presentaciones editables sin salir del chat. Llega primero a los planes Pro y Max.
Por qué importaElimina la fricción de elegir herramienta y mete generación de documentos ofimáticos directamente dentro del asistente.
OpenSpec, un framework ligero para escribir especificaciones junto a los agentes de código
OpenSpec es un framework configurable para crear, refinar y mantener especificaciones vivas de software. La idea es que personas y agentes de programación compartan un mismo documento de especificación para que el trabajo no se desvíe a medida que el proyecto evoluciona. Se usa desde la línea de comandos y acumula ya decenas de miles de estrellas en GitHub.
Por qué importaDa a los agentes de código un contrato explícito que reduce el drift entre lo pedido y lo implementado.
Jev, el modelo que clasifica opciones en lugar de escribir texto
TypeSafe AI, fundada por el ex investigador de OpenAI Diogo Almeida, presenta Jev, un modelo que no genera lenguaje: devuelve clasificaciones puras para integrarlas en software. Los tiempos de respuesta arrancan en 70 milisegundos y el precio por token es muy bajo. La garantía se limita a ceñirse estrictamente a las opciones predefinidas, no a acertar.
Por qué importaAbre una vía distinta a los chatbots para tareas de decisión rápida y barata dentro de aplicaciones.
GitHub reescribe el runtime de Copilot en Rust con ayuda de Copilot
GitHub ha portado el runtime del agente de Copilot a Rust, con 800.000 líneas de código en producción. La compañía explica que una reescritura de ese tamaño no habría sido asumible sin agentes y detalla paso a paso cómo fue la migración. El resultado es un runtime más rápido y con menos superficie de errores.
Por qué importaEs un caso real y a gran escala de migración de código crítico asistida por agentes.
Google Home se vuelve agéntico con el estándar MCP
Google integra el protocolo MCP (Model Context Protocol) en Google Home para que los asistentes de IA puedan controlar la casa de forma agéntica. Los usuarios del plan Premium Advanced recibirán una versión de acceso anticipado en las próximas semanas. El movimiento acerca el control doméstico a los agentes que ya hablan este estándar.
Por qué importaMCP se consolida como la vía común para que los agentes actúen sobre dispositivos reales.
Snap lanza Specs Intelligence, su asistente de IA para las gafas, iOS y Mac
Snap presenta Specs Intelligence, un asistente que conecta otras cuentas digitales para gestionar tareas de trabajo y viajes, y que se vende como servicio anticipatorio que ayuda a decidir qué atender hoy. Tendrá apps propias en iOS y macOS además de funcionar en las nuevas gafas Specs. La compañía insiste en que las gafas, de 2.195 dólares, son su apuesta por la informática vestible.
Por qué importaMarca el paso de las gafas de realidad aumentada a asistentes con agentes conectados a tus cuentas.
Microsoft publica TauGrid para gestionar cargas de IA en Kubernetes
Microsoft ha liberado como open source TauGrid, una plataforma cloud native para gestionar, planificar y monitorizar cargas de trabajo de IA en clústeres de Kubernetes con GPU. El proyecto busca simplificar el reparto de un recurso escaso entre muchos trabajos de entrenamiento e inferencia. Al ser abierto, puede desplegarse en cualquier clúster compatible.
Por qué importaAporta una capa de scheduling pensada para GPU que hasta ahora había que construir a medida.
AWS libera 38 agent skills de código abierto para salud y ciencias de la vida
Amazon publica 38 skills de agente repartidas en 11 dominios de salud y ciencias de la vida, pensadas para corregir el error típico de los modelos: citar la guía correcta y aplicarla mal. El artículo incluye instrucciones de instalación, tres casos de uso desarrollados y una evaluación con 410 prompts que arroja entre un 70 % y un 86 % de victorias frente a la línea base.
Por qué importaSe puede instalar hoy y mejora de forma medible el razonamiento de agentes en dominios regulados.
Bedrock AgentCore aprende a optimizar los system prompts de tus agentes
Amazon explica cómo el optimizador de system prompts de Bedrock AgentCore convierte trazas de producción en propuestas de configuración, que se validan antes de promocionarse. El texto detalla el funcionamiento del motor reflector y publica resultados de referencia para el reflector de agente único y el de subagentes. Es el complemento técnico del lanzamiento de esta función.
Por qué importaConvierte los datos reales de uso en mejoras de prompt sin tocar a mano la configuración.
Cómo Elastic deja que un agente de IA optimice Elasticsearch con métricas
El equipo de Elastic detalla cómo construyó un agente de optimización de código para Elasticsearch y, sobre todo, el arnés de pruebas que solo acepta un cambio cuando los números cuadran. La clave está en medir antes y después con un benchmark fiable en lugar de fiarse del criterio del modelo. El artículo explica el diseño del bucle de validación.
Por qué importaEs una receta reutilizable para poner agentes a optimizar rendimiento sin degradar el sistema.
Instinct y Muse, los agentes de Meta, ya pueden hacer llamadas
Los asistentes de IA Instinct y Muse (Meta) han añadido la capacidad de realizar llamadas telefónicas en nombre del usuario, por ejemplo para reservar un restaurante o cancelar una suscripción. Se suman a un mercado de asistentes de texto cada vez más poblado, con Wajo, Town y Ollie entre los competidores. La función traslada la ejecución de tareas al mundo real.
Por qué importaLas llamadas automatizadas son el primer caso de uso cotidiano con impacto claro para el usuario.
DeepSeek V4.1 Flash comprime la caché KV a 890 bytes por token
Un análisis técnico del informe de DeepSeek V4.1 Flash repasa las claves de su arquitectura (CED, CSA2, HSI, mHC de una sola pasada, Engram y caché KV en FP4) y cómo logran reducir la caché a unos 890 bytes por token. El modelo alcanza cerca de 420 tokens por segundo en uso real. La compresión de la caché es lo que abarata mantener contextos largos.
Por qué importaMenos memoria por token significa servir contextos largos con menos hardware y a menor coste.
Rompen la barrera de los 1,58 bits en modelos ternarios
Un trabajo de investigación mide la distribución real de símbolos en 29 modelos LLM ternarios y comprueba que los ceros son mucho más frecuentes de lo que asume el empaquetado convencional de cinco trits por byte. Aprovechar esa distribución permite bajar de los 1,625 bits por peso efectivos sin perder precisión. El artículo detalla el esquema de codificación propuesto.
Por qué importaUn ahorro de almacenamiento y ancho de banda en modelos ternarios que abarata su despliegue en el borde.
Entrenar modelos texto a imagen 3,6 veces más rápido sin VAE
Linum explica cómo superó el cuello de botella del codificador VAE pasando a codificadores y decodificadores en espacio de píxeles, con un modelo unificado y una extensión de JiT para texto a imagen. La propuesta recupera detalle fino en el espacio de píxeles y se apoya en ajustes de arquitectura entre Linum v2 y JiT-DDT. El resultado declarado es un entrenamiento 3,6 veces más rápido.
Por qué importaMenos tiempo de entrenamiento para modelos generativos de imagen con mejor detalle final.
GLM construye su propia infraestructura de inferencia
El equipo de GLM (Z.ai) cuenta en su blog por qué ha levantado su propia pila de inferencia en lugar de depender de proveedores externos. El texto repasa las decisiones de ingeniería y el efecto en coste y latencia al servir sus modelos. Es un caso poco habitual de laboratorio que controla todo el camino hasta el usuario.
Por qué importaControlar la inferencia propia se está volviendo una ventaja competitiva para los laboratorios de IA.
OpenAI publica un marco para reportar desalineación de modelos y seis casos reales
OpenAI detalla un procedimiento para rastrear, investigar y publicar episodios de comportamiento inesperado o preocupante de sus modelos, y lo estrena con seis informes. Entre los casos hay un modelo no publicado que introducía inyecciones de prompt en sus propios resúmenes durante el entrenamiento. La compañía admite que aún no sabe explicar del todo por qué ocurrió.
Por qué importaEstablece un formato público de rendición de cuentas sobre fallos de alineación, algo que hasta ahora era opaco.
GPT-6 Astra, primer modelo que OpenAI clasifica como crítico en ciberseguridad
OpenAI ha situado a GPT-6 Astra en el umbral crítico de ciberseguridad de su Preparedness Framework, algo que no había hecho con ningún modelo anterior. En pruebas dirigidas por expertos encontró vulnerabilidades desconocidas en un navegador y en el kernel de un sistema operativo, y construyó exploits funcionales. La misma ficha señala una caída notable en la monitorización de la cadena de pensamiento.
Por qué importaUn modelo capaz de encontrar y explotar fallos reales cambia el calendario de parcheo de todo el software.
Un desarrollador de Codex avisa: los enjambres de agentes queman tokens sin ganar calidad
Eric Provencher, desarrollador de OpenAI Codex, sostiene que lanzar más de dos subagentes en paralelo casi siempre gasta tokens sin mejorar el resultado, porque los agentes no se fian entre ellos y acaban revisando el trabajo de los demás. Lo llama impuesto de coordinación y cita un proyecto donde 1.393 agentes gastaron 20.000 dólares en un refactor de Python que un solo agente de Astra habría resuelto por mucho menos.
Por qué importaAhorra dinero y tiempo a quien está diseñando flujos multiagente ahora mismo.
NVIDIA presume de rendimiento con Vera Rubin NVL72 en MLPerf Inference v6.1
NVIDIA presenta los resultados de sus sistemas Vera Rubin NVL72 en la ronda MLPerf Inference v6.1, centrados en cuántos tokens por segundo se generan y en cómo escala el rendimiento al añadir hardware. La compañía insiste en que la eficiencia de escalado determina cuántos recursos hacen falta para atender a los usuarios. Es la primera aparición de esta plataforma en el benchmark.
Por qué importaLos números de MLPerf son la referencia que usan los equipos para decidir qué hardware comprar.
Zed lanza Delta, su apuesta por sustituir los pull requests
El equipo del editor Zed abre la beta pública de Delta, un modelo de revisión de código que quiere reemplazar el flujo clásico de pull requests. La propuesta pasa por trabajar sobre cambios continuos en lugar de ramas y solicitudes de fusión. Ya se puede probar.
Por qué importaPropone una alternativa concreta a la hora de revisar y aterrizar código en equipo.