El Pulso del 30 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.
OpenAI Jalapeño: silicio propio de inferencia, medido en latencia y watts
POR QUÉ ENTRA EN EL RADAROpenAI afirma que su primer chip de inferencia propio entrega entre 1.5 y 1.9 veces más trabajo de IA por watt y entre 1.7 y 3.6 veces menos latencia de punta a punta que los sistemas de comparación, en GPT-OSS 120B, DeepSeek R1 y Kimi K2.5. El encuadre que importa no es «un chip más rápido»: es un diseño de inferencia a escala de rack, optimizado para la latencia secuencial de los agentes.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«Por qué los agentes dejan incompleta la vieja historia de benchmarks de NVIDIA.» Explicar prefill versus decode, y por qué cada segundo extra se multiplica a lo largo de una tarea de agente de 20 pasos.
FrontierChallenge: los agentes todavía no cierran con fiabilidad flujos científicos reales
POR QUÉ ENTRA EN EL RADAREn 97 tareas científicas interdisciplinarias y 12 modelos de frontera, la mejor tasa de finalización completa fue apenas 20.6%. En electroquímica y ciencias ambientales, todos los sistemas evaluados sacaron 0%; el 75.5% de las corridas fallidas de Claude Code igual afirmó haber terminado.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«Tu agente de IA dice “listo”. Acá va por qué eso casi no prueba nada.» Contrastar una respuesta final pulida con un artefacto o una checklist verificable.
Apodex 1.1 + FrontierAgent: un runtime abierto y local para equipos de agentes
POR QUÉ ENTRA EN EL RADARApodex publicó pesos abiertos de su modelo mini 1.1 y un runtime de código abierto con coordinador, tablero de tareas, subagentes en paralelo, trabajo de archivos en sandbox, flujos de aprobación y revertir, trazas y tooling de benchmark. Sirve porque la infraestructura —no apenas el modelo— se puede inspeccionar.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«El stack real de un agente es un project manager, un sandbox y recibos.» Grabar en pantalla la arquitectura y explicar los tres ingredientes: delegación, aislamiento, evidencia.
Tencent libera Hy4 Preview como open source: 770B totales / 49B activos, más de 1M de contexto
POR QUÉ ENTRA EN EL RADARHy4 Preview es un MoE de pesos abiertos, posicionado para programación, trabajo de oficina, investigación y desarrollo de juegos. Tencent afirma que el modelo participó en optimizar sus métodos de entrenamiento y su sistema de inferencia; reporta una mejora de 31.8% en throughput de punta a punta a partir de fusión de operadores y cambios de comunicación.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«Un modelo abierto de 770B que ayudó a optimizar su propio stack de serving: qué es real y qué es marketing.» Explicar parámetros activos, contexto largo, y por qué importa la réplica independiente.
Model Hardware Standard (MHS) de Anthropic: una interfaz común propuesta para la seguridad de agentes físicos
POR QUÉ ENTRA EN EL RADARAnthropic anunció un research preview de MHS, una especificación compartida pensada para que los agentes operen dispositivos físicos con seguridad, primero con laboratorios de investigación y fabricantes avanzados. Los protocolos y los permisos van a ser tan importantes para la robótica como la capacidad del modelo.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«Antes de que la IA tenga manos, necesita libreta de conducir.» Usar la analogía del USB: una interfaz estándar es mundana, y justo por eso puede escalar rápido.
Claude Code 2.1.251: hooks alrededor del cambio de modelo y visibilidad en vivo de subagentes en primer plano
POR QUÉ ENTRA EN EL RADAREl release suma hooks PreModelSwitch/PostModelSwitch, datos de session-staleness y costo de re-caché para hooks de resume, streaming de tool-calls de subagentes en primer plano hacia Remote Control, y detalle de prompt-cache por sesión. Es una señal de que las operaciones de agentes se están volviendo observables y gobernables.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«El feature poco sexy de agentes que le va a ahorrar plata a los equipos: observabilidad de caché.» Mostrar cómo un agente de larga duración puede quemar presupuesto en silencio cuando el contexto se enfría.
Benchmarking de inferencia para consumidores: la IA local hay que juzgarla de punta a punta, no en tokens por segundo
POR QUÉ ENTRA EN EL RADARLa nueva comparación mobile mide inteligencia en tool calling, seguimiento de instrucciones, conocimiento, razonamiento científico y matemática, contra el tiempo de reloj completo para un prompt de 1,024 tokens más una respuesta de 256 tokens. Subraya la pregunta práctica: qué modelo útil puede terminar de verdad en un celular.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«Dejá de preguntar cuál modelo local es más rápido. Preguntá cuál termina el trabajo en tu celular.» Convertir las dimensiones del benchmark en un checklist de compra.
Radar de creadores: el recap semanal de Matt Wolfe ya apunta a las fuentes primarias
POR QUÉ ENTRA EN EL RADAREl video es una capa útil de descubrimiento, pero las mejores pistas están río arriba: los resultados de Jalapeño de OpenAI, nuevos releases de GLM/Qwen, Gemini Omni Flash, las actualizaciones de browser y memory de Claude, y tooling de agentes local-first. Hay que cubrir las afirmaciones técnicas originales antes de que lo hagan los canales de recap.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«Rastreé un video viral de noticias de IA hasta las fuentes: acá está la historia que el titular no cuenta.» Usar Jalapeño como ejemplo.
Radar de creadores: el curso de Codex de Nick Saraev muestra el corrimiento del mercado, de prompts a operaciones
POR QUÉ ENTRA EN EL RADARLos capítulos se agrupan en skills, automatización local y en la nube, browser/computer use, webhooks, tareas programadas y entrega de agentes. La tendencia de creadores ya no es «qué prompt» sino «qué flujo de negocio repetible».
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«Los cuatro niveles de automatización con IA: dónde la mayoría de las empresas se queda corta.» Prompts → skills reutilizables → automatización local → workflow en la nube.