El Pulso del 22 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.
Plataforma para desarrolladores de Notion (Workers + CLI + disparadores por webhook)
POR QUÉ ENTRA EN EL RADARNotion se está convirtiendo en un “runtime de agentes”: podés desplegar código determinístico (Workers) en el sandbox de Notion, sincronizar fuentes de datos externas a bases de Notion y disparar flujos vía webhooks entrantes—sin hostear tu propia infraestructura. Es exactamente el tipo de capa de pegamento que van a demostar los creadores, pero la historia de fondo apunta a runtimes hospedados y gobernanza para agentes.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Notion se convirtió en silencio en una plataforma de agentes: Workers son la pieza que faltaba entre MCP y las automatizaciones reales de producción.” (Mostrar 3 casos de uso concretos: ingestión nocturna PDF→Notion, sync de CRM, webhook de PR mergeado → cierre de tarea.)
Thinking Machines Labs: preview de investigación de “Interaction Models” (micro-turno, multi-stream en tiempo real)
POR QUÉ ENTRA EN EL RADAREs una propuesta arquitectónica concreta de que “la interactividad en tiempo real escala con la inteligencia”, vía un diseño multi-stream de micro-turnos y una separación entre un modelo de interacción siempre presente y un modelo asíncrono de fondo para uso profundo de herramientas.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La próxima guerra de interfaces no es agentes versus chat: es modelos por turnos versus modelos continuos.” Comparar con los papers de LLMs multi-stream (abajo) y con los harnesses de tiempo real actuales (VAD, etc.).
LLMs Multi-Stream (streams paralelos para pensamientos / entradas / salidas) + código
POR QUÉ ENTRA EN EL RADARSostiene que el “stream único de chat” es el cuello de botella y propone entrenar modelos para streams paralelos, no solo enganchar harnesses por encima. Beneficios reclamados: paralelización/eficiencia, separación de responsabilidades (seguridad) y monitorabilidad.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Por qué tu agente no puede leer mientras escribe—y el arreglo en el entrenamiento.” Hacer un visual: 3 carriles (INPUT / THINK / OUTPUT) con dependencia causal a lo largo de los timesteps.
CODA: reescribir bloques Transformer como programas GEMM+epílogo (recortar ops limitadas por memoria)
POR QUÉ ENTRA EN EL RADARCada vez más del tiempo de entrenamiento se lo comen las “ops de entorno” limitadas por memoria (norm/activación/residual/reducciones). CODA propone una abstracción de kernels acotada para que esas ops corran mientras los tiles de GEMM siguen on-chip (antes de escribir a memoria global).
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Las próximas mejoras de 2× en velocidad de entrenamiento no van a venir de GPUs nuevas: van a venir de fusionar lo aburrido.” Explicar el mainloop de GEMM y las primitivas de epílogo en lenguaje llano.
OpenAI: un modelo refuta la conjetura de distancia unitaria de Erdős (hito de IA en matemática)
POR QUÉ ENTRA EN EL RADARReclamo: primera vez que una IA resolvió de forma autónoma un problema abierto destacado y central en un subcampo (geometría combinatoria/discreta), usando ideas de teoría algebraica de números. Es contenido de “IA como investigadora” con sustancia matemática real.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Esto no es clickbait de ‘la IA resolvió la matemática’: lo sorprendente es la transferencia entre campos—maquinaria de teoría de números → geometría euclidiana.”
LocalLLaMA: hype de Qwen 3.7 + link al anuncio upstream (fetch fallido)
POR QUÉ ENTRA EN EL RADARLos releases de pesos abiertos siguen siendo el “acelerante de internet” para agentes y flujos locales. Aunque no pudimos parsear el detalle (el fetch del sitio no extrajo el cuerpo del artículo), el link upstream es donde suelen aparecer primero las specs, pesos y detalles de licencia.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Qué mirar en Qwen 3.7 (antes de los benchmarks): licencia, largo de contexto, formato de tool-use, y si trae buenos checkpoints chicos (4B–8B) para agentes en el borde.”
NuExtract3: VLM open-weight de 4B para OCR/Markdown/extracción estructurada (fetch fallido)
POR QUÉ ENTRA EN EL RADARLa extracción de documentos es un cuello de botella enorme para “agentes en el mundo real”: facturas, capturas, PDFs, tablas. Si realmente es auto-hospedable con buenas cuantizaciones (como se afirma en el post de Reddit), es una alternativa práctica a stacks pagos de OCR+LLM.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Tu agente solo es tan bueno como su ingestión de documentos.” Mostrar un pipeline: PDF → imágenes → NuExtract → esquema JSON → acción del agente.
Creator-watch (subidas nuevas) → usarlas como “señales”, pero ir upstream
Abrir fuente original ↗