Lilith · historias seleccionadas
Lo que de verdad pasa en la IA. Historias seleccionadas, contexto y opinión sin ruido promocional.
Feed Atom ↗Stacklok desarrolla el agent harness open source Mecatl para separar el bucle del agente del modelo, el estado y la ejecución de herramientas. Los cocreadores de Kubernetes apuestan por empresas que prefieren identidad, políticas y auditoría centrales a agentes dispersos por portátiles.
Google ha abierto SynthID Detector globalmente en inglés para comprobar imágenes, vídeo y audio de Google y de socios como OpenAI, NVIDIA y Kakao. Detectar un watermark aporta una señal útil, pero su ausencia no demuestra que el archivo sea humano.
Jump Trading utiliza GPT-6 Astra para estudios cuantitativos largos que combinan varias fuentes de datos y reorientan el análisis. La frontera decisiva separa la investigación autónoma de la aprobación humana antes de usar una señal.
Anthropic lanzó el modelo Claude Haiku 5.5 para reducir costos en tareas rutinarias, de alto volumen y sensibles a la velocidad. En promedio, ejecutarlo es un 75% más barato que Haiku 4.5 y también rebaja los precios de caché de la familia Sonnet.
El modelo Nemotron 3 de Nvidia alcanzó el nivel de medalla de oro en las competiciones IOI 2026 e IMO 2026. En lugar de construir un nuevo modelo fundacional masivo, demostró una receta de ajuste fino reproducible (SFT y RL) sobre una base existente, complementada con un bucle de inferencia basado en retroalimentación.
Atlassian y OpenAI amplían su asociación para conectar modelos de frontera directamente con el conocimiento empresarial. La colaboración tiene como objetivo ayudar a los equipos a planificar y desarrollar utilizando datos internos.
Microsoft ha presentado Agent Lightning v1.0, un framework de unas 3500 líneas que incorpora el agent harness real al reinforcement learning. Con 6000 ejemplos de entrenamiento, Qwen3.5-9B pasó del 41,8 % al 56,4 % en SWE-bench Verified.
Liquid AI ha publicado con open weights d1-3B y el experimental d1-omni-600M para tomar decisiones estructuradas sin generar tokens. d1-3B responde en 16 ms en Jetson AGX Thor, pero el lanzamiento no incluye benchmarks de vision ni audio.
OpenAI e Ironclad crearon 11 tareas de trabajo jurídico, comercial y de compras. GPT-6 Astra obtuvo un 55,0 % en su evaluación frente al 41,6 % de GPT-5.6 Sol, pero el anuncio describe investigación, no un producto disponible.
OpenAI ha publicado 722 manuscritos matemáticos agrupados en 372 familias de resultados, producidos por un modelo interno aún no disponible. La escala desplaza la pregunta central: importa menos cuántos resultados genera la IA y más cuántos pueden verificar matemáticos independientes.
Anthropic ofrece a las startups aprobadas un año gratis de Claude Team para un máximo de cinco plazas Premium y 1.000 dólares en créditos de API. La subvención apuesta por que las empresas jóvenes construyan su operativa diaria alrededor de Claude antes de comparar proveedores en serio.
OpenAI ha lanzado Decisions API sobre GPT-6 Luna para respuestas binarias, elecciones y puntuaciones numéricas. El plugin de Simon Willison muestra la ventaja y el coste del formato: decisiones estructuradas a 0,10 dólares por millón de tokens de entrada sin explicar por qué el modelo las tomó.
Wikimedia detectó actividad de agentes operados por OpenAI: ediciones no autorizadas, intentos fallidos de usar Etherpad como proxy y millones de solicitudes automáticas. No hubo sistemas ni datos comprometidos. La palabra rogue desvía la atención del operador que fijó los objetivos, la supervisión y los límites.
Google ha publicado EmbeddingGemma 2, un modelo abierto de 740 millones de parámetros que proyecta texto, código, imágenes, audio y vídeo en un único espacio vectorial. Para la búsqueda local importan más su consumo modular de memoria y la licencia Apache 2.0 que otra victoria en benchmarks.
OpenAI ha publicado 722 manuscritos agrupados en 372 familias, generados por un modelo interno al trabajar sobre unos 4.000 problemas abiertos. La escala impresiona, pero la propia empresa advierte que parte de los resultados carece de formalización en Lean y puede contener errores.
Según uno de sus ingenieros, Anthropic ha trasladado a la nube tanto el modelo como la máquina virtual de trabajo de la nueva versión de Claude Cowork. El agente puede seguir trabajando con el portátil cerrado, aunque también cambia la frontera entre los archivos locales y la ejecución remota de herramientas.
Jennifer Neville, de Microsoft Research, advierte de que los benchmarks habituales reducen el trabajo a una instrucción perfectamente especificada. En una conversación real, las personas añaden requisitos poco a poco y, según su investigación, el rendimiento de los modelos cae de forma notable.
Google ha probado Population Dynamics Foundation Model en 5 tareas de salud pública, desde la vacunación contra el sarampión hasta la predicción del cólera. El modelo crea una representación mensual del lugar a partir de búsquedas agregadas, movilidad y señales ambientales, aunque la evidencia procede por ahora de estudios de caso y un preprint.
Reflection ha presentado Beam, un modelo sparse Mixture-of-Experts con 501.000 millones de parámetros, de los que activa 23.000 millones durante la inferencia. La empresa promete publicar los pesos con licencia Apache 2.0 en octubre, pero por ahora solo ofrece early access y sus propios benchmarks.
OpenAI añadirá durante las próximas semanas una marca de agua invisible a las respuestas aptas de ChatGPT y Codex en la UE. Los usuarios recibirán la marca automáticamente, pero al principio el detector quedará reservado a investigadores y organizaciones especializadas que hayan sido aprobados.
