El Pulso del 5 de abril 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.
Gemma 4: “byte a byte, los modelos abiertos más capaces” (Apache 2.0)
POR QUÉ ENTRA EN EL RADARGoogle está impulsando pesos abiertos optimizados para flujos agenticos (function calling, JSON estructurado) y contexto largo (128K–256K), y los posiciona de forma explícita como “capacidad de frontera con menos hardware”.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La historia de verdad no es ‘otro modelo abierto’: son las features de agente + la licencia + el contexto lo que de golpe vuelve viables los flujos locales y en el edge.”
OpenAI levanta US$122B (valuación post-money de US$852B) + el framing de ‘AI superapp’
POR QUÉ ENTRA EN EL RADAREste post es, en la práctica, un roadmap de cómo OpenAI quiere ganar: distribución al consumidor → adopción enterprise → plataforma para developers → volante de compute. Vale la pena citarlo de forma directa para análisis estratégico.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Qué significa de verdad ‘AI superapp’ para creadores: menos herramientas sueltas, más flujos consolidados (ChatGPT + Codex + browsing) — y qué se commoditiza después.”
Asientos pay-as-you-go de Codex para equipos (sin fee fijo por asiento)
POR QUÉ ENTRA EN EL RADAREs un movimiento de pricing y packaging que señala que quieren que la adopción de Codex adentro de las empresas se comporte como uso de cloud: arrancar chico y expandir a partir de flujos que ya probaron valor.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Se acaba la era del ‘seat’. Los agentes de coding se vuelven infraestructura medida (como los minutos de CI). Acá qué deberían instrumentar y medir los equipos.”
Compromiso de la cadena de suministro de axios (versiones maliciosas entregaron un RAT vía una dependencia)
POR QUÉ ENTRA EN EL RADARLo inquietante es que axios en sí se veía limpio; el payload estaba en una dependencia agregada, con un hook de postinstall más comportamiento de auto-borrado y señuelo. Este es el blueprint de futuros ataques a OSS.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Los agentes de coding con IA van a amplificar el riesgo de supply chain si no armamos guardrails: lockfiles, allowlists, min-release-age, alertas de egress de red y políticas de ‘no postinstall’.”
Segundo ángulo técnico del incidente de axios: “OIDC trusted publishing vs tokens de larga vida robados”
POR QUÉ ENTRA EN EL RADARStepSecurity marca una señal forense: los releases legítimos de axios usaban OIDC trusted publishing de GitHub Actions; el malicioso no. Es una heurística de detección práctica para organizaciones.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Checklist de 60 segundos para maintainers: si tu pipeline de release se puede saltear, se va a saltear.”
Lanzó ARC-AGI-3: benchmark interactivo donde “Humanos 100%, IA de frontera 0,26%”
POR QUÉ ENTRA EN EL RADAREs una historia limpia de ‘próxima frontera’: seguir instrucciones no es lo mismo que exploración e inferencia de objetivos. Este benchmark está diseñado para castigar la memorización y premiar el aprendizaje adaptativo.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Por qué los ‘agentes’ todavía fallan: la habilidad que falta es la exploración no supervisada. ARC-AGI-3 es un llamado de atención.”
Paper técnico de ARC-AGI-3 (arXiv)
POR QUÉ ENTRA EN EL RADARSirve para no repetir hype. Describe el framework de scoring (basado en eficiencia, anclado en baselines de acciones humanas) y la metodología de construcción del benchmark.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Desglose leyendo el paper: qué no mide ARC-AGI-3 (lenguaje/conocimiento) vs qué sí mide (modelado del entorno + planning).”
Self-distillation mejora la generación de código (sin verifier / sin RL)
POR QUÉ ENTRA EN EL RADARSi esto se sostiene, es un truco ‘upstream’ de post-training: samplear tus propias salidas, hacer fine-tune y obtener grandes gains en pass@1. Eso sale más barato que muchos pipelines de RL.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“No hace falta RL sofisticado para mejorar modelos de código: quizás alcanza con mejor sampling + SFT. Qué implica esto para los modelos abiertos.”
Un buen explainer upstream: “Components of a coding agent” (harness × model)
POR QUÉ ENTRA EN EL RADAREs el mapa conceptual que los creadores siguen pasando por alto: la gente le atribuye la ‘magia del agente’ al modelo, pero la mayor parte de la capacidad viene del diseño del harness (tools, contexto, memoria, loop de control).
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Robate esta estructura: seis building blocks para evaluar cualquier producto agente (Codex, Claude Code, sistemas estilo OpenClaw).”