Lilith.
⌕

Lilith · historias seleccionadas

Noticias

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

Feed Atom ↗
#commentary· × <built-in method clear of dict object at 0xefe3a49def80>
publicado

Por qué tras GPT-5.6 llegó la 6.1 y no la 5.7: un empleado de OpenAI descifra los nombres de los modelos

Ted Sanders, de OpenAI, explicó en Hacker News que los nombres Luna, Terra, Sol y Astra ordenan los modelos por tamaño y que el número de versión transmite otras tres informaciones. Los desarrolladores se llevan una regla práctica para elegir modelo y la admisión de que un solo nombre no basta para describir toda la oferta.

publicado

Cuatro juegos con menos de cuatro horas de trabajo cada uno: Simon Willison ve un punto de inflexión en el vibe coding de videojuegos

Simon Willison sostiene que Claude Opus 5.5 ha llevado al vibe coding de videojuegos un punto de inflexión parecido al que vivieron los coding agents el pasado noviembre. En pocas semanas creó cuatro juegos con los que disfruta de verdad, ninguno le llevó más de cuatro horas de trabajo propio y no miró el código.

Gemini escribió un emulador de Game Boy para una acreditación de congreso, pero los fallos más duros los encontraron los juegos reales

Steve Francia usó Gemini para hacer funcionar emuladores de NES y Game Boy Color en la acreditación de GitHub Universe dentro de un fotograma de 16,6 ms. El modelo esbozó los bucles; el humano decidió la arquitectura, midió en el hardware y cazó errores en Zelda y Pokémon.

publicado

Anthropic reescribió la Messages API en Rust y dejó las credenciales fuera del alcance de sus agentes

Las responsables de ingeniería y de producto de Claude Platform contaron en el pódcast Latent Space cómo Anthropic usó a Claude para portar la Messages API de Python a Rust y ahorró, según su estimación, entre un 40 y un 50 % de CPU. Para quien construye agentes, lo más útil es la segunda parte: por qué Managed Agents guarda las credenciales fuera del sandbox.

webframe ejecuta una web como un programa en medio segundo. Solo el aislamiento que lo rodea lo convierte en sandbox

Simon Willison encargó a Claude Opus 5.5 poner a prueba webframe, una pequeña herramienta de Jeff Lindsay que ejecuta una página web como un programa de terminal. Para scraping es más o menos tan rápida como shot-scraper. Como sandbox para JavaScript ajeno solo aguantó envuelta en un namespace de red vacío, bubblewrap y un timeout.

OpenAI rebaja a la mitad su modelo intermedio y le enseña a hacer clic. GPT-6.1 Terra cuesta un dólar por millón de tokens

OpenAI ha lanzado GPT-6.1 Terra, un modelo intermedio pensado para manejar el ordenador y razonar con imágenes. En la API cuesta 1 dólar por millón de tokens de entrada y 5 dólares por millón de salida, la mitad que GPT-6.1 Sol. Sale más rentable donde un agente repite las mismas tareas de oficina una y otra vez.

publicado

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.

publicado

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.

publicado

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.

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.

DeepSeek abre un modelo barato y su stack de inferencia. Las agencias federales de EE. UU. ya no pueden comprárselo

En su 25.º repaso de modelos abiertos, Interconnects describe una semana en la que DeepSeek lanzó V4.1 Flash con licencia MIT y publicó su stack de inferencia DeepInfer. Al mismo tiempo, el Departamento de Seguridad Nacional de EE. UU. lo excluyó de las compras federales y China propuso autorizar la exportación de modelos frontier. Los pesos abiertos entran en una etapa en la que el origen también decide cómo se pueden usar.

publicado

«Hazlo MUCHO más divertido» funcionó: Simon Willison hizo que Claude Code construyera un RTS jugable

Simon Willison ha publicado Battle Drones, un juego de estrategia al estilo de Command & Conquer escrito sobre todo por agentes de Claude Code a lo largo de 12 versiones grandes y 321 commits. El punto de inflexión fue un solo prompt, tras el cual Claude jugó más de mil partidas simuladas y reequilibró el juego. Incluso admite multijugador por sonido entre dos móviles.

publicado

Claude Code adelanta la revisión al pull request y reserva a las personas para el riesgo

El equipo de Claude Code afirma que los pull requests integrados aumentaron a más del doble entre junio y septiembre, mientras que la proporción de cambios revertidos cayó más de un 40 %. La clave no es un único revisor con AI, sino controles por capas, niveles de riesgo y rollback rápido.

El borrador filtrado de Anthropic cambia salvaguardas estatales por un freno federal más débil

Un borrador de trabajo filtrado y atribuido a Anthropic desplazaría parte de la regulación estatal sobre frontier AI y fijaría un umbral jurídico elevado para restringir un modelo. No es un proyecto presentado ni una posición confirmada públicamente por la empresa, pero su tensión con el marco de junio importa políticamente.

La cultura de seguridad de los laboratorios de AI se mide por el trato al desacuerdo

La salida de David Robinson de OpenAI y el despido de tres investigadores de seguridad han desplazado el debate desde las normas hacia la cultura empresarial. Zvi Mowshowitz construye una acusación amplia a partir de esos hechos, pero la prueba real es más concreta: si quienes trabajan dentro del laboratorio pueden frenar o cambiar una decisión arriesgada.

publicado