El Pulso del 19 de agosto 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.
Qwen3.8-27B: un modelo agente multimodal de 27B de pesos abiertos
POR QUÉ ENTRA EN EL RADARQwen presenta este modelo denso de 27B como nativo de visión-lenguaje, con 262K de contexto nativo (extensible a 1M), esfuerzo de razonamiento ajustable y una ejecución agéntica de horizonte largo más sólida. Los resultados publicados reclaman 61.7 en SWE-bench Pro y 73.0 en Terminal Bench 2.1: afirmaciones que conviene verificar de forma independiente, no repetir sin más.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“El lanzamiento de IA más importante puede ser el que realmente se puede ejecutar.” Explicar por qué un modelo multimodal de 27B desplegable cambia más la conversación sobre agentes locales que otro buque insignia disponible solo por API.
Gemini 3.7 Flash baja el precio y apunta a los agentes de código
POR QUÉ ENTRA EN EL RADARGoogle llama a 3.7 Flash su caballo de batalla para código y agentes, y publica un precio introductorio de US$ 0,75/M tokens de entrada y US$ 3,75/M de salida: la mitad del precio original de 3.6 Flash. Las mejoras publicadas incluyen DeepSWE 65.3 frente a 49.0 y AutomationBench 30.4 frente a 17.0, comparado con 3.6 Flash.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La guerra de precios de los agentes ya no se juega en centavos por token.” Enmarcar el costo como costo por tarea completada, incluyendo reintentos, supervisión y fallas de herramientas.
Cerebras CS-4: la batalla de la inferencia se desplaza de los chips a los racks interactivos
POR QUÉ ENTRA EN EL RADARCS-4 combina tres wafers WSE-3 Turbo en un sistema a escala de rack. Cerebras afirma hasta 30× más velocidad de inferencia que los sistemas GPU, hasta 10× más throughput por watt que CS-3, 2 microsegundos de latencia wafer a wafer, y 1.000 tokens/s en modelos de más de 10T de parámetros. Son afirmaciones del fabricante, pero la arquitectura es la historia: latencia, alimentación eléctrica, refrigeración y E/S ahora son características del producto-modelo.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Por qué los agentes de IA se sienten lentos aunque el modelo sea inteligente, y qué intenta corregir Cerebras.” Visualizar el procesamiento del prompt frente a la decodificación token a token.
Nuevo paper: los agentes de auto-mejora son frágiles ante reejecuciones y cambios en el orden de las tareas
POR QUÉ ENTRA EN EL RADAREl paper reevalúa agentes de auto-mejora con memoria textual y encuentra que los resultados pueden ser ruidosos y altamente dependientes del orden de las tareas; los órdenes por defecto pueden funcionar, en silencio, como un currículum oculto. Rúbricas más detalladas y feedback del entorno ayudan, pero no cierran la brecha.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Tu agente de auto-mejora puede estar mejorando por el orden del test.” Una pieza limpia de desmitificación: ejecutarlo varias veces, mezclar las tareas, declarar la varianza.
Mojo 1.0 es open source, y Modular apuesta a un stack de inferencia independiente del hardware
POR QUÉ ENTRA EN EL RADAREl compilador y las herramientas de Mojo ahora son Apache 2.0, y Modular dice que su plataforma cubre CPUs, GPUs, AWS Trainium, Google TPUs, Qualcomm Cloud AI 100 y Dragonfly. Es una apuesta a que el software de serving —y no un único ecosistema de aceleradores— se vuelva el punto de control.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“CUDA ya no es el único futuro posible.” Explicar la diferencia entre un lenguaje abierto, capas de runtime con código disponible, e inferencia de producción genuinamente portable.
Open Agent Teams: un patrón concreto de orquestación, no otro framework de agentes
POR QUÉ ENTRA EN EL RADAREl video de julio de AI Jason reapareció recientemente en el feed de seguimiento; el skill upstream propone ejecutores de terminal desacoplados que se comunican con un archivo de resultado persistente más un centinela de archivo de finalización, precisamente para evitar señales efímeras propensas a condiciones de carrera. La idea valiosa es operativa: agentes observables, entregas explícitas y un protocolo de finalización.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“El truco aburrido que vuelve menos caóticos a los sistemas multiagente.” Demostrar un coordinador, dos ejecutores, un artefacto de resultado, y qué pasa cuando uno falla.
Claude Code 2.1.235: cambios menores de tooling revelan dónde se están usando los agentes de código
POR QUÉ ENTRA EN EL RADAREl release agrega corrector ortográfico de prompts y se concentra en sesiones de larga duración y en background, claridad de permisos, mensajes de límite de contexto, entrega entre sesiones y persistencia de la lista de tareas. Los changelogs son señal de upstream: los desarrolladores están tratando a los agentes de código como entornos de trabajo persistentes, no como cajas de chat.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Leé los changelogs de IA como detective de producto.” Mostrar cómo las correcciones de errores revelan los modos reales de falla del trabajo agéntico: pérdida de contexto, permisos, observabilidad y tareas de larga duración.
Vigilancia de creadores: la entrevista de YC sobre la estrategia de IA de la Casa Blanca — la política como variable de negocio de los modelos abiertos
POR QUÉ ENTRA EN EL RADARLa entrevista con el director de OSTP, Michael Kratsios, se centra en el apoyo gubernamental a la IA open source, en cómo se regula una tecnología que cambia rápido, y en el riesgo de que las reglas consoliden a los incumbentes. Lo que hay que llevarse del origen no es un nuevo modelo, sino las condiciones de política que determinan qué modelos y startups pueden competir.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La regulación de IA puede convertirse, sin querer, en un foso competitivo.” Separar las reglas de seguridad que reducen daño de las cargas de cumplimiento que solo los hyperscalers pueden pagar.