El tAIms lee 833 noticias para que tú leas 99.

Anthropic presenta Fable 5.2 y Mythos 5.2, dos variantes del mismo modelo con distintos niveles de salvaguardas: Fable abierto a todos y Mythos restringido a programas verificados de ciberseguridad y biología. La compañía reporta mejoras en código, razonamiento y visión, un 30% más de velocidad de generación, un modo rápido opcional de 2,5x y una bajada de precio a 8/40 dólares por millón de tokens. Entre los casos citados figuran una migración de Python a Rust con agentes, el diseño de un sistema operativo por más de 1.000 subagentes y mejoras en detección de vulnerabilidades.

Entrevista de Latent Space con el equipo de Handshake AI, cuyo negocio de datos de expertos para entrenar modelos pasó de su lanzamiento a unos 1.000 millones de dólares de ingresos brutos anualizados en aproximadamente un año. Muestran entornos de refuerzo reales (banca simulada, interpretación de imágenes científicas y simulaciones de seguridad) y explican cómo los laboratorios compran y evalúan estos datos, además de por qué se reservan tareas de evaluación.

Anthropic describe el proceso de revisión de código de Claude Code, donde la mayor parte del código lo escribe la IA y la revisión se desplaza a agentes automáticos en siete capas, reservando la atención humana para decidir si el cambio tiene sentido. Detalla métricas concretas (aprobaciones humanas por PR, tiempo de espera, tasa de reversiones e incidentes) y trucos operativos como pedir al agente que muestre la salida de tests en lugar de afirmar que terminó, o un segundo agente que revisa el diff en contexto limpio.

Entrevista a Mihail Eric sobre el curso CS146S de Stanford, que ahora incluye contribuir a repos open source revisados por mantenedores reales, y sobre cómo su equipo en Monaco integra agentes de código. Monaco compró herramientas de revisión como Devin pero construyó sus propios workspaces para agentes en segundo plano, con la regla de comprar para aprender y construir para mantener. Se discute el cuello de botella que se desplaza hacia la revisión de código y la comprensión de los diffs generados por IA.

Un análisis de Apiiro documenta cómo la opción 'Don't Ask Again' de Claude Code ha provocado la filtración de credenciales en más de mil archivos públicos de GitHub. El caso ilustra un patrón de riesgo en agentes de código que persisten permisos sin revisión y escriben secretos en el repositorio.

MaxxBench es un benchmark que modifica ligeramente 89 tareas de DeepSWE (cambios de requisitos y código de partida) para medir la adaptación real de los agentes de código en lugar de su capacidad de memorizar el examen. Los resultados muestran caídas de hasta 23 puntos entre modelos que parecían iguales en DeepSWE, y las trazas revelan que muchos modelos razonan sobre lo que el grader oculto probablemente espera en vez de seguir el enunciado.

Análisis de los daemons knowledgeconstructiond de macOS que construyen un grafo de conocimiento personal en ~/Library/IntelligencePlatform, con 51 bases SQLite en texto plano protegidas solo por TCC. Detalla qué datos recopila (Contactos, Fotos, Calendario, Mensajes, ubicación), qué infiere con clasificadores XGBoost y modelos de embeddings, y publica un dashboard open-source (iKnow) para inspeccionarlo. Además plantea cómo un atacante podría explotar este punto único de fallo de privacidad combinándolo con un LLM abliterado.

SemiAnalysis publica los primeros resultados del benchmark AgentX de inferencia agéntica multi-turno y de contexto largo sobre TPUv7 Ironwood, con cuatro modelos. Según sus datos, TPUv7 es competitivo o líder en coste por token frente a B200, B300, GB300 y MI355X, y Google está ganando terreno en el ecosistema de software con vLLM, SGLang, PyTorch y llm-d. El artículo también señala la burocracia interna de NVIDIA como un riesgo para su ventaja competitiva.

Orbit es un workspace autoalojado (tareas, docs, chat y correo) creado por el autor de Coolify, empaquetado en un único binario Rust con SQLite/Postgres y un servidor MCP integrado en /mcp. Permite que agentes como Claude Code lean y modifiquen tareas, documentos y canales sin que los datos salgan del servidor. Está en versión 0.1 y el artículo incluye una instalación real con Docker y una prueba de agente con Ollama Cloud.

Simon Willison reproduce el experimento del paper sobre 'Weight-Space Programming', donde un LLM debe identificar a qué juego fue entrenada una red solo leyendo sus pesos en crudo. Confirma que Qwen 3.8 27B corriendo localmente en su portátil acierta Breakout, Pong y Pac-Man tras decenas de minutos y miles de tokens de razonamiento, aunque el artículo también recoge las críticas de que el paper mezcla capacidades sin herramientas con edición de pesos asistida por código.

Según cinco fuentes citadas por FT, Nvidia ha comunicado verbalmente a sus clientes de centros de datos que al menos el 51% de sus servicios deben destinarse a empresas no chinas, una condición que solo aplica a contratos futuros. La medida busca cerrar la vía del alquiler de cómputo en el extranjero para las tecnológicas chinas y se suma a la lista blanca de compradores asiáticos. Los proveedores cloud advierten de dificultades para encontrar suficientes clientes no chinos, mientras la escasez eleva el precio del rack B300 en China a 18,5 millones de yuanes.

Entrevista al CTO de Legora sobre cómo construir y evaluar agentes de IA en un dominio donde no se puede inspeccionar los datos de los clientes: crean entornos de prueba simulados con ingenieros y abogados, reducen fallos a un puñado de tipos y miden con evals. También cubre elección de modelos, post-entrenamiento de modelos abiertos, retrieval y por qué todo corre en Azure por privacidad.