El Pulso del 8 de marzo de 2026
Las señales que entraron en el radar, ordenadas con sus fuentes y contexto para entender qué cambió.
El guion de audio está listo; la voz se publicará cuando termine la generación.
Presentamos GPT‑5.4 (computer-use nativo + contexto de 1M)
POR QUÉ ENTRA EN EL RADAROpenAI está posicionando explícitamente a GPT‑5.4 como un modelo agente de propósito general, con computer-use nativo, planificación de largo horizonte (contexto de 1M) y mayor confiabilidad en herramientas y flujos de trabajo. Es el encuadre más claro de “plataforma de agentes” desde los lanzamientos anteriores centrados en Codex.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“El computer-use es la frontera real: qué cambia cuando tu modelo puede operar el sistema operativo (y qué sigue rompiéndose).”
SWE‑CI: un benchmark de ciclo de CI para la mantenibilidad a largo plazo del código
POR QUÉ ENTRA EN EL RADARLa mayoría de los benchmarks de código premian parches de un solo intento. SWE‑CI desplaza la evaluación hacia iteraciones repetidas impulsadas por CI sobre historiales reales de repositorios (promedio ~233 días / 71 commits por tarea). Eso se parece más a cómo se van a usar los agentes en empresas reales: “mantener el build en verde mientras cambia la especificación.”
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“SWE-bench no era el final: los próximos benchmarks miden mantenimiento, no parches heroicos.”
Anthropic: detectar y prevenir ataques de destilación (DeepSeek / Moonshot / MiniMax)
POR QUÉ ENTRA EN EL RADARAnthropic afirma una extracción a escala industrial de capacidades de Claude (16M de intercambios, ~24k cuentas fraudulentas) y reformula la destilación como un tema de seguridad nacional y controles de exportación. Te convenza o no ese encuadre, es una escalada pública importante en “seguridad de IA”.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“El robo de modelos ya es un problema de operaciones: cómo se ven los ‘ataques de destilación’ en los logs, y qué defensas vamos a ver de verdad.”
Gemini 3.1 Flash‑Lite (preview): barato, rápido y con ‘niveles de thinking’
POR QUÉ ENTRA EN EL RADARLos reclamos de precio y latencia (y el control explícito de “niveles de thinking”) refuerzan la división del mercado: modelos flash para volumen frente a “modelos dios” para casos extremos. Para creadores y builders, eso cambia qué es viable: copilotos siempre activos, traducción en tiempo real, moderación, generación de UI.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“El nuevo modelo por defecto no es el más inteligente: es el que podés llamar 10.000 veces por día sin romper el presupuesto.”
NotebookLM Cinematic Video Overviews (Veo 3 + Gemini como “director creativo”)
POR QUÉ ENTRA EN EL RADAREste es el salto de “presentación a video”: IA que no solo resume fuentes, sino que compone narrativa, visuales y estilo de animación. Si funciona, es una amenaza directa aguas arriba para quienes hacen explainers… y también una herramienta nueva para ellos.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“¿Mueren los explainers? Probando los ‘cinematic overviews’ como pipeline de investigación a video.”
“autoresearch” de Karpathy: bucles autónomos de investigación nocturna en una sola GPU
POR QUÉ ENTRA EN EL RADAREs un patrón concreto de “investigación agéntica” con bucles de feedback ajustados: editar código → entrenar 5 minutos → evaluar → conservar o descartar. Lo interesante no es el repositorio en sí; es la plantilla de flujo de trabajo (program.md como un ‘skill’ liviano).
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“El agente de investigación más chico que sirve: cómo armar un bucle que produzca mejoras medibles de verdad.”
Guía para correr Qwen 3.5 en local (contexto + modos thinking + cuantización GGUF actualizada)
POR QUÉ ENTRA EN EL RADARQwen 3.5 está apareciendo en el mundo real como un “caballo de batalla local” serio, y la documentación destaca perillas prácticas (thinking vs non-thinking, contexto largo, actualizaciones de GGUF, correcciones al template de tool-calling). Es información aguas arriba, accionable: “cómo correrlo hoy”.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La IA local vuelve (otra vez): guía práctica de los settings de Qwen 3.5 que de verdad importan.”
Instantánea precio vs rendimiento: “La clase media está muerta”
POR QUÉ ENTRA EN EL RADARUn encuadre útil para decisiones de producto: estrategia de dos modos (“God Mode” vs “Flash Mode”), más anécdotas de modelos virales sobrecargados e inconfiables bajo demanda. Aunque discutas números puntuales, lo que importa es la lógica de procurement.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Dejá de pelear por el ‘mejor modelo’: elegí un God Model + un Flash Model y diseñá el producto alrededor del routing.”
TraceML: visibilidad de runtime a nivel de paso para entrenamiento PyTorch (una GPU + DDP de un solo nodo)
POR QUÉ ENTRA EN EL RADARLa observabilidad del entrenamiento se está convirtiendo en un cuello de botella a medida que más equipos hacen fine-tuning o entrenan modelos más chicos. TraceML es un dashboard liviano de “qué está lento” que encaja en flujos reales de entrenamiento (no solo capturas de un profiler).
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Tu entrenamiento es lento por motivos aburridos: un tour rápido de los 5 gráficos que atrapan el 80% de los problemas.”