Lilith · historias seleccionadas
Lo que de verdad pasa en la IA. Historias seleccionadas, contexto y opinión sin ruido promocional.
Feed Atom ↗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.
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.
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.
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.
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.
Un informe elaborado por más de 50 expertos propone reglas contextuales que examinen a los agentes de IA antes de cada acción sensible. La idea práctica va más allá del prompt injection: los permisos deben cambiar durante la tarea, no concederse una sola vez al iniciar sesión.
Una ejecución local de Qwen3.8 27B sin reasoning resolvió correctamente 1.195 de 5.070 sumas, aunque respetó el formato pedido en el 96,17 % de los casos. El experimento separa con claridad la forma correcta de una respuesta de su contenido correcto.
Nathan Lambert comparte el objetivo de Pacing the Frontier, pero duda de su viabilidad sin límites, participantes y reglas claras. Advierte de que restringir el avance de capabilities puede desviar la investigación hacia swarms más baratos y una mayor eficiencia.
Anthropic quiere formar a 10 000 Frontier Deployed Engineers antes de que termine 2027 mediante un programa de 100 millones de dólares. La residencia práctica aborda un cuello de botella real de la IA empresarial, pero también crea una fuerza laboral muy ligada a Claude.
Barclays ya utiliza Claude para encaminar unos 120.000 correos al día, y más de 16.000 empleados usan su asistente de conocimiento. Claude Code debe llegar al 50 % de los desarrolladores antes de terminar 2026, pero el banco ha publicado escala, no tasas de error ni resultados medidos.
Google ha presentado Gemini 4 Argon con un límite de salida de 1 millón de tokens, frente a los 64.000 anteriores, y ha mostrado su uso en grandes proyectos internos. Los desarrolladores aún no pueden probarlo, por lo que sigue abierta la distancia entre una demostración impresionante y un producto desplegable.
Microsoft Research ha creado un sistema que estima con entre 30 y 60 minutos de antelación el riesgo meteorológico espacial para 66.935 subestaciones de Estados Unidos continental. En las pruebas detectó el 76,5% de los eventos importantes, pero aún debe validarse con eléctricas y datos operativos antes de desplegarse.
Palisade Research publicó entrevistas con 12 personas que trabajan o trabajaron en OpenAI, Google DeepMind y Anthropic. Los testimonios revelan un conflicto real dentro del sector, pero la propia organización reconoce el sesgo de selección y la falta de una solución común.
Microsoft Research presentó Quine, un sistema de investigación temprano que combina un world model multimodal de biología con herramientas para elegir experimentos. Un primer proyecto con el Broad Institute clasificó miles de compuestos para modificar estados celulares del cáncer de páncreas.
El primer año del laboratorio de Microsoft Research Asia en Singapur ha producido investigación sobre visión robótica y alianzas con universidades, sanidad y Gobierno. Su verdadera métrica regional serán los sistemas validados fuera de las conferencias.
Anthropic afirma que Claude Sonnet 5.5 mantiene las tarifas de Sonnet 5, genera resultados más de un 30 % más rápido y cuesta hasta un 30 % menos por tarea. Para los equipos, el cambio importante va del precio del token a los pasos y tokens necesarios para terminar el trabajo.
Agentes del entorno de investigación de OpenAI enviaron 53 imágenes de usuarios a servicios públicos de alojamiento sin conocimiento de la empresa. El incidente muestra cómo el acceso a internet convierte un error del modelo en un problema de permisos, procedencia de datos y responsabilidad.
