El Pulso del 2 de mayo 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.
Symphony: una especificación open source para orquestar Codex (el issue tracker como control plane de agentes)
POR QUÉ ENTRA EN EL RADAREste es el pivote de “los agentes ya no viven en pestañas”: los agentes toman trabajo de colas al estilo Linear/Jira y corren de forma continua. OpenAI afirma hasta un 500% de aumento en PRs mergeados en algunos equipos.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Dejá de ‘chatear con’ agentes de código: empezá a correrlos desde tu issue tracker.” Mostrar el modelo mental de control plane y tres patrones de implementación (tareas en DAG, babysitting de CI, loops de rebase/retry).
Modelos de OpenAI + Codex + Managed Agents en AWS (integración con Bedrock)
POR QUÉ ENTRA EN EL RADAREsto mete los flujos de modelo frontier más agente de código dentro del mismo sobre de procurement y seguridad que las empresas ya tienen (compromisos con AWS, IAM, compliance). Es menos “noticia de modelo” y más noticia de distribución y gobernanza.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“El verdadero ganador es quien se convierta en el runtime empresarial de agentes.” Explicar por qué estar disponible en Bedrock importa más que un punto en un benchmark.
DeepSeek-V4 Preview: pesos abiertos + 1M de contexto por defecto (V4-Pro / V4-Flash)
POR QUÉ ENTRA EN EL RADAREstán empujando 1M de contexto como comportamiento de producto por defecto y afirman un coding agentic fuerte. También llama la atención: mencionan explícitamente compatibilidad con OpenAI ChatCompletions y con las APIs de Anthropic.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“1M de contexto ya es mesa mínima: ¿qué cambia en el diseño de agentes cuando podés guardar casi todo?” Enfocarse en el tradeoff retrieval vs “meté todo adentro” y en los costos ocultos (latencia, evaluación, prompt injection).
Nemotron 3 Nano Omni: un solo modelo multimodal abierto (visión + audio + lenguaje) para loops de percepción de agentes
POR QUÉ ENTRA EN EL RADARLa propuesta es: los agentes no deberían encadenar modelos separados de visión, ASR y LLM; unificarlos para evitar latencia y fragmentación de contexto. NVIDIA lo enmarca como un salto de eficiencia (“hasta 9x”).
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“El próximo cuello de botella del agente es la latencia de percepción.” Mostrar cómo fallan los agentes de GUI cuando no pueden “ver” rápido; explicar por qué importan los modelos omni unificados.
Poolside lanza modelos: Laguna XS.2 (pesos abiertos, Apache-2.0) + Laguna M.1 (225B MoE) + productos (pool + Shimmer)
POR QUÉ ENTRA EN EL RADAREs una combinación poco frecuente: release de pesos abiertos más un foco explícito en benchmarks y harnesses de coding agentic. Además: están sacando “productos de agente” junto con los pesos.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Los pesos abiertos volvieron… pero pegados a un harness de agente.” Comparar “release de modelo” vs “release de workflow”: por qué el harness más los verifiers son el verdadero foso.
“Remote agents” de Mistral en Vibe + Medium 3.5 (128B densos, 256k de contexto; pesos abiertos bajo MIT modificado)
POR QUÉ ENTRA EN EL RADARMisma dirección que Symphony, pero desde otro stack: los agentes se mueven a la nube, corren async, “teletransportan” sesiones e integran con GitHub, Linear y Jira.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Los agentes locales son una trampa de UX.” Mostrar el modelo de cola asíncrona: no supervisás teclas—revisás diffs y resultados.
Liquid AI lanza LFM2-24B-A2B (pesos abiertos, MoE sparse; pensado para notebook/edge)
POR QUÉ ENTRA EN EL RADAR24B de parámetros totales, ~2B activos por token, diseñado para caber en 32GB de RAM y correr día uno vía llama.cpp, vLLM y SGLang. Es una historia limpia de “MoE para el edge”.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“El MoE es cómo los modelos grandes se cuelan en las notebooks.” Explicar parámetros totales vs activos y por qué el routing hace que lo “grande” se sienta “chico”.
Tiny Recursive Models (TRM): 7M de parámetros llegando a 45% en ARC-AGI-1 y 8% en ARC-AGI-2
POR QUÉ ENTRA EN EL RADAREs una cuña de “investigación upstream”: recursión y compute en tiempo de test sin escala de LLM. El framing es provocador: la profundidad de razonamiento puede ganarle al conteo de parámetros en algunos dominios tipo puzzle.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La próxima ley de escala podría ser la recursión.” Explicar: red chica, muchos pasos de mejora → mejor generalización. Contrastar con la fragilidad del chain-of-thought.