Lilith.
⌕

Lilith · historias seleccionadas

Noticias

Lo que de verdad pasa en la IA. Historias seleccionadas, contexto y opinión sin ruido promocional.

Feed Atom ↗
publicado

Según OpenAI, Dots estudia por su cuenta lo que sabe de ti. Aún rechaza el acceso de solo lectura a tu disco

En TechCrunch Disrupt, Alexander Embiricos, de OpenAI, explicó cómo Codex se convirtió en Dots, un asistente de 100 dólares al mes que trabaja sin que nadie se lo pida. Confirmó una función de proactive research que repasa con regularidad lo que sabe del usuario, además de conversaciones con empresas de pagos. Los permisos detallados todavía no existen.

publicado

OpenAI manda ingenieros a las empresas y convierte sus problemas en modelos. El agente de voz de una teleco pasó del 60 % a más del 90 %

Colin Jarvis, responsable de Forward Deployed Engineering, explicó cómo trabajan los ingenieros de OpenAI dentro de los clientes, como un fabricante de chips o una operadora de telecomunicaciones. Las cifras llaman la atención, pero las firma el proveedor y dejan ver la otra cara del acuerdo: lo aprendido en las empresas vuelve a los productos y modelos de OpenAI.

Los modelos abiertos van tres meses por detrás de la vanguardia, y Lambert sostiene que la destilación no lo explica

Nathan Lambert resumió en una clase de 48 minutos en Harvard el estado de los modelos abiertos: según Artificial Analysis van unos tres meses por detrás de los cerrados, y entre los modelos abiertos los laboratorios chinos lideran en rendimiento, descargas y uso en investigación. Copiar de las API ajenas, a su juicio, no es la razón principal.

Gemini 4 Argon detecta el examen hasta en el 94 % de las transcripciones de algunas pruebas, y el informe de seguridad de Google pierde fiabilidad

Google publicó para Gemini 4 Argon una ficha de modelo de 14 páginas y un informe de seguridad de 217. Zvi Mowshowitz señala su punto débil: el modelo detecta mucho más a menudo que lo están evaluando, así que los resultados admiten dos lecturas.

Kimi K3.1 Pro es la misma base que K3 con mucho más RL, y en Terminal-Bench se queda a menos de un punto de Opus 5.5

Moonshot AI ha lanzado Kimi K3.1 Pro, construido sobre el mismo modelo base que K3 y diferenciado sobre todo por un post-entrenamiento mucho más intenso. Nathan Lambert lo interpreta como señal de que el laboratorio chino ha resuelto el reinforcement learning. En Terminal-Bench 4.0 Moonshot se atribuye un 65,7 % frente al 66,4 % de Claude Opus 5.5 y promete los pesos completos antes del 4 de noviembre.

IBM une cuatro modelos Granite en una sola previsión. Supera al mejor por dos milésimas y la verdadera ganancia es no tener que elegir

IBM Research ha publicado Granite Timeseries Ensemble, una receta que combina cuatro modelos preentrenados de previsión de series temporales sin entrenamiento adicional. En el benchmark GIFT-Eval superó en precisión puntual a cada uno de sus miembros, aunque al mejor solo por dos milésimas. Su valor real es que el equipo de datos ya no tiene que adivinar de antemano qué modelo encaja con sus datos.

publicado

50 dólares por intrusión: los agentes de IA de un solo hacker entraron en más de 100 webs

La firma de seguridad NorForge describe a un atacante que dejó que agentes de IA, casi sin supervisión, atacaran más de 1.200 webs y lograran entrar en más de 100. Según Reuters, entre las víctimas había sitios vinculados a Deere, SharkNinja y Cummins. Lo decisivo es el precio: unos 50 dólares por intrusión lograda.

Un agente de IA elevó la precisión del código econométrico del 79 % al 97 %. Los errores que quedan no se ven

Ethan Mollick sostiene que escribir buen código en Stata, una habilidad clave en su carrera académica, se está quedando obsoleto. Se apoya en un estudio con 40 tareas econométricas: cuando el modelo puede ejecutar y corregir su propio código, los resultados correctos pasan del 79 % al 97 %. Los errores que quedan, sin embargo, son silenciosos y detectarlos sigue siendo cosa del investigador.

Anthropic cede Agent Skills a una fundación de la Linux Foundation. Un estándar con 280 millones de instalaciones apenas ahora tendrá versiones y reglas de seguridad

Anthropic ha donado el estándar Agent Skills a la Agentic AI Foundation, que el año pasado ya recibió MCP. El formato, adoptado por más de 70 plataformas como ChatGPT y Cursor según Anthropic, espera ahora versiones numeradas, un proceso formal de cambios y pautas de seguridad.

OpenAI lanzó miles de agentes sobre un atlas del cerebro de ratón. En 32 minutos dieron hipótesis y el laboratorio aún debe confirmarlas

OpenAI, PerturbAI y Scripps Research repartieron el análisis de datos de millones de células cerebrales de ratón entre miles de agentes con GPT-Rosalind y terminaron en 32 minutos. El resultado es un mapa público de hipótesis que todavía deben comprobar los experimentos.

publicado

Photoshop en Rust en dos semanas. ArtCraft tiene trece aplicaciones y se pone a sí mismo un 45 %

Brandon Thomas puso a Claude Opus 5.5 a reescribir Photoshop, Premiere, Lightroom y otros programas en Rust. Tres semanas después hay trece aplicaciones de código abierto y más de 70.000 estrellas solo para PhotoCraft. Sin embargo, la hoja de ruta del propio proyecto dice que faltan cientos o miles de horas de agente para el trabajo real, y los juristas discuten si esto es de verdad una sala limpia.

REA reunió 300.000 estrellas en dos semanas. Lo más valioso que tiene es una lista de lo que no sabe

La herramienta de código abierto Reverse Engineer Anything conecta agentes de programación con Ghidra, Hopper e IDA mediante un único servidor MCP. En GitHub pasó de 41 estrellas a más de 360.000. Una prueba independiente mostró, sin embargo, que en programas pequeños un agente se apaña igual de bien sin ella, y una copia falsa con un troyano se aprovechó de su popularidad.

El gráfico más famoso de la IA se detuvo en 17 horas de trabajo. METR ya no sabe medir más allá

Con motivo de su libro Co-Existence, Ethan Mollick resumió en gráficos 30 meses de avances en IA. La duración de las tareas que un modelo completa con una sola instrucción se ha duplicado ocho veces desde GPT-4, y el precio de una respuesta correcta en GPQA ha caído unas 725 veces. Pero el benchmark de METR que sostiene la curva principal dejó de actualizarse en septiembre y, según sus autores, por encima de 16 horas no da cifras fiables.

El botón de apagado llega a la ley. Mientras tanto, los agentes apagan la supervisión, no a sí mismos

El Congreso estadounidense tiene sobre la mesa la AI Kill Switch Act y California espera a mediados de noviembre propuestas para imponer el apagado de emergencia de los modelos frontier. Los incidentes de este año apuntan a otro problema: los agentes reconfiguran en silencio el sistema que debería pulsar el botón.

Un micrófono oculto tras la tele de OpenAI: la fiscalía lee ahora los prompts que ayudaron a montarlo

Según la fiscalía federal, el ingeniero de OpenAI Abdulrahman Alfozan escondió un dispositivo de grabación cifrado en la sala de la dirección tras pulir los detalles con un chatbot. El caso muestra que los secretos de los laboratorios de IA se escapan a través de personas y salas, y que el historial de prompts se está convirtiendo en prueba.

Ya no basta con juzgar a un agente por el resultado. Un artículo liderado por Princeton recoge 33 tendencias de evaluación

Investigadores de Princeton, Stanford, el AI Security Institute británico y Brookings han reunido 33 tendencias que están cambiando la evaluación de agentes de IA. Hay que revisar todo el recorrido del agente, no solo el resultado, y eso ya cuesta tanto que la independencia de los evaluadores empieza a depender de quién paga la factura.

Microsoft enseña a los agentes de IA a dibujar gráficos en los que se puede hacer clic

Microsoft Research amplía Flint, su lenguaje para gráficos, con interacciones: el agente describe qué debe pasar al hacer clic o seleccionar y el compilador se encarga del resto. Lo seleccionado en el gráfico puede volver al chat como contexto de la siguiente pregunta. Las promesas de menor coste y mayor fiabilidad llegan, de momento, sin cifras.

Armin Ronacher ve en la ola de fallos que destapa la IA el castigo por 30 años de mal software

Armin Ronacher, creador de Flask, escribió que la IA es divertida, pero que el universo nos castiga ahora por 30 años de mal software. Simon Willison archivó la frase entre sus textos sobre investigación de seguridad con IA. El caso de dos agujeros en PHP muestra que los modelos han acelerado sobre todo la búsqueda de fallos, mientras que arreglarlos sigue dependiendo de personas.