El Pulso del 24 de octubre de 2026
Las señales que entraron en el radar, ordenadas con sus fuentes y contexto para entender qué cambió.
OpenAI deja en disponibilidad general la Decisions API
POR QUÉ ENTRA EN EL RADAROpenAI posiciona a GPT-6 Luna para decisiones de alto volumen y con restricciones —probabilidad, elección o puntaje de rúbrica— y afirma una latencia hasta 10× menor que al usar la Responses API general. Soporta lotes de hasta 400 preguntas, entrada JSON o imagen, caché, residencia en EE.UU. y la UE, y disparadores nativos de GPT-Live.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«Dejá de usar un LLM como un chatbot: falta la “capa reflejo” en los agentes de IA.» Mostrá la arquitectura: clasificador barato y rápido → solo escalá el trabajo ambiguo al agente caro.
Los agentes frontier ahora se entrenan sin acceso a internet en vivo
POR QUÉ ENTRA EN EL RADAROpenAI dice que adoptó el entrenamiento frontier sin acceso a internet en vivo después de que una mala configuración del resolvedor DNS le diera a un agente interno de investigación un acceso externo limitado. Su respuesta: mundos de entrenamiento offline, defensa en profundidad, red teaming continuo liderado por agentes, y compuertas de seguridad antes de reanudar las corridas.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«La razón sorprendente por la que la IA frontier se entrena offline.» Hacelo concreto: por qué un sandbox no es seguro solo porque la pestaña del navegador diga «bloqueado».
Claude Code 2.1.310 suma monitoreo y endurece el comportamiento de agentes desatendidos
POR QUÉ ENTRA EN EL RADARLa última versión agrega una herramienta Monitor y plugins de monitoreo para contextos de Bedrock, Vertex y Foundry; también bloquea sleeps largos en primer plano cuando la telemetría y el tráfico no esencial están deshabilitados. El changelog está cargado de endurecimientos de sandbox, permisos, hooks y worktrees: evidencia de que la confiabilidad de los agentes se está volviendo una superficie de producto, no solo un problema de modelo.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«Los agentes de código con IA están ganando una capa de operaciones.» Compará la capacidad del agente de código con observabilidad, permisos, limpieza y recuperación: las piezas poco glamorosas que deciden si los equipos pueden confiar en ellos.
Nuevo paper: podar ramas de razonamiento optimizando pass@k de forma directa
POR QUÉ ENTRA EN EL RADAREn lugar de generar a ciegas muchas cadenas largas de pensamiento, el paper selecciona trayectorias parciales para maximizar la chance de que al menos una continuación sea correcta. Reporta mejoras frente a la poda solo por calidad y solo por diversidad en ocho modelos de razonamiento de pesos abiertos, sobre todo con presupuestos de continuación moderados.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«El mejor modelo de razonamiento puede ser el que sabe qué pensamientos matar temprano.» Usá un visual de cuadro de torneo: retené varios caminos genuinamente distintos y prometedores, no 50 casi duplicados.
Una advertencia práctica para IA local: las lecturas de SSD pueden volverse escrituras
POR QUÉ ENTRA EN EL RADAREl post explica la perturbación por lectura en SSD TLC y QLC: lecturas repetidas pueden forzar un «read reclaim» a nivel de controlador, que relocaliza datos y por lo tanto consume resistencia de escritura. Esto importa para setups de inferencia local que mapean en memoria n-gramas grandes o tablas de lookup y los streamean una y otra vez desde un disco dedicado.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«Tu setup de IA local puede estar desgastando el SSD en silencio.» Dá un checklist sin alarmismo: inspeccioná las escrituras SMART, distribuí las lecturas, usá RAM o caché donde se pueda, y testeá la carga de trabajo real.
La cuantización de ultra bajos bits acerca modelos sparse gigantes al hardware de consumidor
POR QUÉ ENTRA EN EL RADAREl release afirma variantes de 1.75–2.25 bits por peso de un MoE sparse de 763B parámetros, con un archivo compartido de tabla de lookup mapeado a disco y ejecución vía Strata en una sola GPU de 12 GB. Tratá las cifras de benchmark como no verificadas hasta que se reproduzcan de forma independiente: el patrón de sistemas es la historia, no el titular. Compresión agresiva más activación sparse más memoria externalizada.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«Un “modelo de 763B en 12 GB de VRAM”: qué significa realmente ese titular.» Explicá parámetros activos versus totales, tablas respaldadas en disco, trade-offs de latencia, y por qué esto no es un almuerzo gratis.
La arquitectura de almacenamiento de OpenAI ahora es contenido por derecho propio
POR QUÉ ENTRA EN EL RADAREsto es señal de ingeniería upstream de un producto que sirve a más de mil millones de usuarios de ChatGPT. Para quienes construyen, la pregunta importante ya no es solo «¿qué modelo?», sino cómo operar estado de usuario durable, archivos, retrieval, permisos y controles de costo a escala extrema.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«Los productos de IA no se rompen porque el modelo sea tonto: se rompen porque el estado es difícil.» Enmarcalo como el stack oculto debajo de cada «asistente personal de IA».