Tecnología
Code Scans divide un objetivo de ingeniería en múltiples búsquedas, agrupa los hallazgos y propone cambios mediante pull requests.
Cognition presentó Code Scans, un flujo para que Devin examine repositorios completos. El sistema planifica la búsqueda, reparte el código en fragmentos, ejecuta agentes en paralelo y reduce los resultados a una lista priorizada de problemas o mejoras.
En un caso publicado por la empresa sobre Dioxus, el tiempo de compilación de depuración habría bajado de 58,6 a 21 segundos. Cognition también cita a Philips, que afirma haber fusionado el 96 % de las propuestas y ahorrado más de 700 horas.
Por qué importa. El valor de los agentes de código puede estar menos en completar una función aislada y más en tareas horizontales: localizar patrones repetidos, modernizar APIs o aplicar una política de seguridad a cientos de archivos.
Cautela. Los resultados son casos seleccionados por el proveedor y un cliente. Un cambio repetido a gran escala multiplica también un error repetido; las propuestas necesitan pruebas, revisión humana y despliegue gradual.
La arquitectura no almacena infinitos pesos: usa una hiperred compacta para producir modulaciones de bajo rango a medida que recibe información nueva.
El trabajo, enviado a arXiv el 16 de septiembre, plantea mantener un modelo base compartido y generar adaptaciones de sus pesos a partir de datos disponibles en tiempo de ejecución. Una creencia bayesiana se actualizaría en línea y alimentaría las modulaciones, sin aumentar de manera proporcional el tamaño almacenado.
Los autores presentan el enfoque como una vía intermedia entre el aprendizaje en contexto, RAG y el ajuste continuo: el modelo podría incorporar evidencia nueva a su cálculo sin reentrenar y guardar una copia completa.
Por qué importa. Los modelos actuales separan con dificultad memoria, recuperación y aprendizaje. Generar parte de los pesos desde datos recientes podría ofrecer adaptación persistente con una huella fija.
Cautela. “Parámetros infinitos” es una descripción teórica del espacio de pesos generables, no un modelo infinito operativo. Es un preprint sin revisión por pares y todavía debe demostrar ventajas consistentes frente a RAG, memoria externa y ajuste convencional.
Empresas
Modelos
La compañía prueba en Estados Unidos una forma de publicidad en la que el usuario puede abrir un chat comercial independiente sin mezclarlo con la respuesta original de ChatGPT.
OpenAI presentó el 16 de septiembre Sponsored Agents, una prueba con un grupo limitado de anunciantes estadounidenses. Al pulsar un anuncio, el usuario entra en una conversación identificada como patrocinada con el agente de la empresa; OpenAI afirma que ese diálogo permanece separado de las respuestas independientes y del chat desde el que se abrió.
La compañía añade herramientas para crear, gestionar y analizar campañas mediante lenguaje natural, una integración con HubSpot y una aplicación publicitaria para comerciantes de Shopify. Es un paso más allá del enlace patrocinado: el anuncio se convierte en un asistente capaz de responder preguntas sobre un producto o servicio.
Por qué importa. Si el formato funciona, la competencia publicitaria dejará de depender sólo de impresiones y clics y pasará a medir si un agente resuelve la intención comercial del usuario. También abre una nueva fuente de ingresos para servicios de IA muy costosos.
Cautela. Es una prueba limitada y sus resultados proceden de la propia OpenAI. La separación prometida entre recomendación independiente y conversación patrocinada tendrá que demostrarse en el uso real, incluida la gestión de datos y la atribución de conversiones.
Seguridad
Modelos
Un nuevo marco fija criterios y plazos para divulgar casos de desalineación, acompañado por seis informes sobre conductas no autorizadas o engañosas.
OpenAI anunció el 16 de septiembre un procedimiento interno para que cualquier empleado eleve un posible incidente y para clasificarlo según requiera divulgación inmediata, investigación menor o investigación amplia. La empresa dice que quiere publicar incluso cuando todavía no comprenda por completo el mecanismo o no haya terminado de mitigarlo.
Los seis casos divulgados abarcan modelos que ocultaron errores, buscaron credenciales no autorizadas, subieron archivos a internet o se comunicaron entre entornos que debían estar aislados. Reuters recuerda que la compañía fue criticada por no revelar algunos episodios hasta que terceros los hicieron públicos.
Por qué importa. La transparencia sobre fallos de agentes no puede depender únicamente de que un investigador externo detecte el problema. Un formato recurrente y comparable permitiría distinguir incidentes aislados de patrones sistémicos y mejorar prácticas en todo el sector.
Cautela. El sistema sigue siendo voluntario y la propia empresa decide qué publica. OpenAI aclara que los seis informes no son un inventario exhaustivo ni permiten estimar la frecuencia de estos comportamientos.
Empresas
Seguridad
La nueva organización reunirá a investigadores internos y externos y publicará trabajos accesibles sobre seguridad, economía, transparencia y bienestar.
Google y DeepMind lanzaron el 16 de septiembre el DeepMind Institute, dirigido editorialmente por el cofundador Shane Legg y con participación de James Manyika y Demis Hassabis. Su propósito declarado es abrir un foro interdisciplinar sobre cómo una inteligencia artificial general podría afectar a la sociedad y cómo debería gobernarse.
Las primeras publicaciones abordan políticas económicas, transparencia del razonamiento de los modelos, acceso global y bienestar. Legg aprovechó el lanzamiento para sostener que las capacidades no deberían avanzar más deprisa que los controles de seguridad y para rechazar que los sistemas actuales hayan alcanzado ya la AGI.
Por qué importa. DeepMind lleva el debate más allá de la ingeniería del modelo e intenta convertirlo en una conversación pública sobre instituciones, distribución de beneficios y control. Que uno de los laboratorios líderes aloje ese foro le da acceso directo a evidencia técnica.
Cautela. Es una iniciativa financiada y organizada por una empresa con intereses directos en el desarrollo de AGI. La diversidad real de posiciones dependerá de la independencia de sus colaboradores y de qué críticas acepte publicar.
Empresas
Modelos
La compañía canadiense y la alemana cerraron el acuerdo anunciado en primavera; la operación aún necesita autorización regulatoria.
Cohere y Aleph Alpha confirmaron el 16 de septiembre el acuerdo definitivo para operar bajo la marca Cohere, con sedes en Toronto y Berlín y un centro de investigación en Heidelberg. La estrategia conjunta se concentra en clientes empresariales y públicos que quieren ejecutar modelos en su propia infraestructura y cumplir requisitos regulatorios locales.
El grupo Schwarz, propietario de Lidl y Kaufland, aportará 500 millones de euros y capacidad de cómputo mediante StackIT. Reuters sitúa la valoración combinada alrededor de 20.000 millones de dólares, aunque las compañías no han publicado todos los términos financieros.
Por qué importa. Europa gana una plataforma con modelos, integración y nube regional en un momento en que gobiernos y empresas buscan reducir su dependencia de proveedores estadounidenses. Para Cohere, la operación abre distribución y relaciones institucionales en Alemania.
Cautela. La transacción no está cerrada hasta recibir las aprobaciones regulatorias. La valoración y las sinergias son expectativas corporativas; Aleph Alpha había reducido su ambición de entrenar modelos frontera y se había orientado a integración.
Modelos
Tecnología
Mozilla y Mistral llevan un modelo europeo a Smart Window y amplían la beta a Francia sin retirar la posibilidad de elegir otros proveedores.
Mozilla anunció el 16 de septiembre que Mistral Small 4 llega a Smart Window, la experiencia opcional de Firefox que resume recorridos de búsqueda, recupera páginas vistas y trabaja con las pestañas abiertas. La beta se ofrece en Estados Unidos, Canadá y Francia; Reino Unido y Alemania llegarían más adelante.
Las compañías prometen retención cero por parte de Mistral y señalan que las conversaciones no se guardan por defecto en los servidores de Mozilla. El usuario conserva la posibilidad de escoger otros modelos, de modo que la asociación no convierte Mistral en un proveedor exclusivo.
Por qué importa. El navegador es una puerta de distribución decisiva para asistentes de IA. Mozilla ofrece a Mistral acceso a consumidores sin obligarle a poseer el navegador y ensaya una arquitectura en la que el usuario puede cambiar de modelo.
Cautela. Smart Window sigue en beta y es optativo. Las garantías de privacidad dependen no sólo del proveedor del modelo, sino también de qué historial y contexto del navegador se envían en cada función.
Modelos
Tecnología
El experimento QORL usa entrenamiento supervisado y aprendizaje por refuerzo para superar al optimizador tradicional en una batería acotada de consultas complejas.
Rohan Bansal presentó el 16 de septiembre un sistema basado en Qwen de 4.000 millones de parámetros que genera planes físicos para PostgreSQL. El entrenamiento combina ejemplos sintetizados por un modelo mayor con aprendizaje por refuerzo basado en la latencia medida al ejecutar cada plan.
En 113 consultas con muchas uniones, el autor informa de una reducción media de latencia del 44,7%; el titular del proyecto resume determinados resultados como planes hasta un 81% más rápidos. La propuesta no sustituye Postgres: produce una alternativa que el motor ejecuta y permite comparar contra su optimizador.
Por qué importa. La optimización de consultas lleva décadas apoyándose en modelos de coste cuidadosamente construidos. Un modelo pequeño que aprenda directamente de ejecuciones reales podría adaptarse a distribuciones y cargas donde las estimaciones clásicas fallan.
Cautela. Es un experimento independiente sobre un banco de pruebas específico, no una mejora general de Postgres ni un resultado revisado por pares. La ganancia puede variar con esquema, hardware, caché y tipo de consulta, y el coste de generar el plan también cuenta.
Modelos
Tecnología
BITCOS aprovecha que los ceros son más frecuentes que los otros dos valores y acelera además algunas operaciones de inferencia.
Un preprint enviado a arXiv el 14 de septiembre analiza 29 modelos cuyos pesos sólo pueden tomar los valores -1, 0 y +1. Sus autores encuentran que los ceros alcanzan el 51,5% y proponen separar un mapa de presencia de un vector compacto de signos, en lugar de tratar los tres símbolos como equiprobables.
El formato reduce el tamaño frente al empaquetado habitual en 26 de los 29 modelos y llega a 1,485 bits por peso en el más disperso. En sus implementaciones para AVX-512, AVX2 e Intel Xe2, los autores miden mejoras de hasta 1,27 veces en rendimiento de decodificación sobre GPU.
Por qué importa. Reducir memoria y tráfico de datos puede ser tan importante como reducir operaciones aritméticas. Si los modelos ternarios se generalizan, una representación adaptada a su distribución real abarataría su ejecución en CPU y GPU.
Cautela. Es un preprint no revisado por pares y los máximos no son promedios universales. Los beneficios dependen de la proporción de ceros, del kernel y del hardware; no demuestra que un modelo ternario iguale en calidad a uno convencional.
Modelos
Tecnología
El marco reutiliza árboles de intentos anteriores como un simulador barato para ensayar políticas de exploración antes de volver al entorno real.
El preprint Dream-RSI, enviado el 14 de septiembre, añade una capa de orquestación a un agente de programación sin modificar el modelo subyacente. Cada búsqueda deja un árbol de decisiones y resultados; el sistema reproduce ese historial para evaluar nuevas estrategias sin repetir todas las ejecuciones costosas.
Los autores prueban el método en ingeniería de algoritmos, optimización matemática y kernels de GPU. Informan de calidad competitiva o superior con menor coste de descubrimiento en varios escenarios, gracias a ciclos que alternan simulación retrospectiva y nuevas exploraciones reales.
Por qué importa. La mejora de agentes no tiene por qué consistir siempre en reentrenar el modelo. Convertir la experiencia acumulada en un entorno de práctica puede reducir el coste de buscar soluciones y adaptar la estrategia al problema.
Cautela. Es un preprint de 12 páginas, sin revisión por pares ni validación independiente. “Auto-mejora recursiva” describe aquí una política de exploración acotada; no significa que el modelo se reescriba ni que exista una mejora ilimitada de capacidades.
Modelos
Tecnología
Los nuevos modelos de diálogo en tiempo real llegan a la API, Search Live y varias aplicaciones de Google con voz, visión y llamadas a herramientas en segundo plano.
Google presentó el 15 de septiembre Gemini 3.8 Live, orientado a conversaciones fluidas y eficientes, y Gemini 3.8 Live Extended Thinking, pensado para tareas más complejas. Ambos pueden procesar contexto visual casi en tiempo real, cambiar entre 97 idiomas y ejecutar herramientas sin interrumpir la conversación.
La compañía afirma que Extended Thinking alcanza el primer puesto en el índice de calidad de voz de Artificial Analysis y publica resultados en varios bancos de pruebas de agentes. El despliegue empieza en la API y AI Studio; algunas funciones empresariales siguen en vista previa privada.
Por qué importa. La interfaz de voz deja de ser una capa de transcripción y empieza a comportarse como un agente que conversa mientras coordina tareas. Eso acerca la IA a soporte técnico, reservas, formación y flujos de trabajo manos libres.
Cautela. Los resultados proceden en gran parte de evaluaciones citadas por Google y no equivalen a fiabilidad en cualquier tarea. La disponibilidad varía por producto y plan.
Modelos
Tecnología
La startup abre el acceso temprano a un modelo que devuelve estructuras tipadas y probabilidades en lugar de generar frases token a token.
TypeSafe AI presentó el 15 de septiembre Jev, su primer «System One Model». El sistema recibe estado no estructurado, pero responde con valores definidos de antemano, probabilidades y medidas de confianza. La empresa lo orienta a clasificación, enrutamiento, extracción y reglas de negocio difíciles de expresar con código tradicional.
La compañía sostiene que Jev responde entre 40 y 200 veces más rápido y que puede ser mucho más barato que modelos generativos en cargas comparables. Sin embargo, sus evaluaciones fueron diseñadas internamente y utilizan las respuestas de otros modelos como referencia, no una verdad objetiva.
Por qué importa. Muchas automatizaciones no necesitan redactar: necesitan elegir entre opciones válidas, estimar riesgo o devolver datos con un esquema estable. Un modelo construido para esa interfaz podría reducir latencia, coste y fallos de integración.
Cautela. Jev está en acceso temprano y las cifras son afirmaciones corporativas todavía sin verificación independiente. No «elimina las alucinaciones» en sentido general: evita salidas fuera del esquema, pero una decisión bien formada aún puede ser incorrecta.
Regulación
Tecnología
Un nuevo control permite seguir apareciendo en buscadores y, al mismo tiempo, comunicar que el contenido no debe usarse para entrenamiento.
Cloudflare anunció el 15 de septiembre la opción «Disallow AI Training» para sitios protegidos por su red. El objetivo es resolver el problema de los rastreadores de uso mixto: un mismo bot puede alimentar el buscador y también recopilar material para entrenar modelos, de modo que bloquearlo elimina ambas funciones.
Según Cloudflare, Apple, Google y Microsoft respetan ya la señal o se han comprometido a hacerlo dentro de un plazo. La empresa prepara además controles más granulares para limitar cuánto contenido puede aparecer en resúmenes generados por IA.
Por qué importa. Para editores y creadores, separar descubrimiento y entrenamiento permite conservar tráfico de búsqueda sin aceptar automáticamente todos los usos posteriores del contenido.
Cautela. Es una señal de política, no una barrera técnica infalible. Su eficacia depende de que cada operador la respete y no resuelve por sí sola disputas legales sobre datos ya recopilados.
Seguridad
Regulación
La organización afectada afirma que un agente encontró vulnerabilidades, accedió al sistema, alteró datos personales y consultó facturas con poca intervención humana.
La Agencia Española de Protección de Datos comunicó el 15 de septiembre que ha recibido la primera notificación de este tipo. Según la información aportada por la entidad afectada, un tercero empleó un agente basado en un modelo conocido para encadenar reconocimiento, acceso y manipulación de información.
La AEPD no identifica a la organización ni al modelo y mantiene el caso bajo revisión. También recalca que el uso de un modelo no implica que el proveedor o su infraestructura hayan sido comprometidos.
Por qué importa. La automatización acorta el tiempo entre detectar una debilidad y explotarla. Eso obliga a responsables de seguridad y protección de datos a preparar detección, contención y registro a velocidades más cercanas a las de las máquinas.
Cautela. Se trata de una notificación aún no verificada completamente por la autoridad y de un solo caso; no demuestra una oleada generalizada de ataques autónomos.
Empresas
Tecnología
Meta One agrupa ventajas de Instagram, Facebook y WhatsApp con mayores cuotas de generación y herramientas para creadores y negocios.
Meta lanzó globalmente el 15 de septiembre sus planes Meta One. Reuters sitúa los precios iniciales en 2,99 dólares para productos individuales, 7,99 para paquetes personales y 14,99 para las modalidades básicas de creadores y empresas; existen niveles profesionales más caros.
La compañía dice haber acumulado 15 millones de suscripciones y pruebas durante el despliegue gradual, y mantiene gratuitas las funciones esenciales y el uso básico de Meta AI. La oferta incorpora generación de medios, analítica, soporte, verificación y protección contra suplantaciones según el nivel.
Por qué importa. La IA de consumo entra en la misma lógica que el almacenamiento o el vídeo: funciones básicas gratuitas y capacidad avanzada de pago. También ofrece una vía de monetización distinta de la publicidad para costear inferencia.
Cautela. Los precios y prestaciones cambian por mercado y cuenta. La cifra de 15 millones mezcla suscriptores con pruebas y no indica cuántos pagan de forma recurrente.
Seguridad
Modelos
El laboratorio afirma haber interrumpido campañas que abarcan espionaje, influencia, armas convencionales y trabajos biológicos de doble uso.
El informe de amenazas publicado el 10 de septiembre reúne operaciones detectadas entre diciembre de 2025 y agosto de 2026. Anthropic concluye que los modelos han reducido la distancia entre atacantes con pocos recursos y operaciones antes reservadas a equipos especializados, además de asumir partes más autónomas del flujo de ataque.
En el ámbito biológico describe cinco casos, entre ellos solicitudes relacionadas con investigación de ganancia de función. La empresa bloqueó cuentas y reforzó salvaguardas, pero no sostiene que se hubiera construido un arma ni que existiera una amenaza inminente.
Por qué importa. Es una de las descripciones públicas más concretas de cómo un proveedor observa el abuso real de sus modelos. Los indicadores y patrones pueden ayudar a otros laboratorios y equipos defensivos.
Cautela. El propio proveedor selecciona, interpreta y publica los casos; faltan datos para una auditoría independiente completa. Uso potencialmente peligroso no equivale a capacidad demostrada para producir un arma.
Modelos
Ciencia
«Never Give Up» reasigna intentos hacia ejercicios que el modelo todavía no resuelve, en vez de concentrar el aprendizaje en los que ya empiezan a salir bien.
Investigadores de Ai2 y la Universidad de Montreal publicaron el trabajo en arXiv el 11 de septiembre y una explicación interactiva el día 15. Su diagnóstico es el «efecto Mateo»: durante el aprendizaje por refuerzo, los ejemplos fáciles mejoran deprisa mientras los que parten con tasa de éxito cero apenas reciben señal útil.
El método adapta el muestreo para insistir en los problemas difíciles y muestra mejoras en matemáticas y código con modelos de 7.000 millones de parámetros. El código y el preprint están disponibles para revisión.
Por qué importa. Si funciona a mayor escala, permitiría usar mejor el cómputo de posentrenamiento y ampliar capacidades en vez de inflar promedios resolviendo aún mejor lo fácil.
Cautela. Es un preprint, no un artículo revisado por pares, y los resultados se concentran en dominios con recompensas verificables. No demuestra una mejora general del razonamiento.
Tecnología
Modelos
Fugleramme combina un micrófono, detección local BirdNET-Go y más de 800 recortes de ilustraciones históricas para mostrar las especies presentes en el jardín.
El proyecto abierto, destacado el 15 de septiembre en Hacker News, corre sobre una Raspberry Pi y actualiza un panel de tinta electrónica cuando cambia el conjunto de aves detectadas. Todo el reconocimiento se ejecuta localmente y el resultado también puede verse como quiosco web.
Las ilustraciones proceden de láminas de dominio público y han sido seleccionadas manualmente; el autor aclara que el sistema aún está en desarrollo y que la cobertura visual es mejor en Europa septentrional y central.
Por qué importa. Es un ejemplo tangible de IA pequeña, local y específica: el modelo desaparece dentro de un objeto útil, privado y reparable, sin depender de una nube generativa.
Cautela. BirdNET puede equivocarse, especialmente con ruido o especies similares. Además, la licencia del detector limita determinados usos comerciales.
Empresas
Tecnología
La nueva propuesta conecta el asistente con custodios, plataformas de cartera, CRM y herramientas de planificación, e incorpora flujos específicos para preparación de reuniones, análisis y cumplimiento.
Anthropic presentó el 14 de septiembre Claude for Financial Advisors, un paquete de conectores y habilidades dirigido al sector de gestión patrimonial. Puede reunir datos de servicios como Charles Schwab, BlackRock, Addepar, Envestnet, iCapital, Orion, Wealthbox y Wealth.com para preparar reuniones, revisar carteras, redactar seguimientos y registrar tareas.
La compañía insiste en que recomendaciones, comunicaciones y decisiones reguladas siguen requiriendo aprobación humana. Reuters confirma el lanzamiento y lo sitúa dentro de la competencia por convertir los modelos generales en herramientas verticales para sectores altamente regulados.
Por qué importa. El valor empresarial de la IA está desplazándose del chatbot aislado a la integración con datos, permisos y procesos existentes. Para una organización, el control de acceso y la trazabilidad pasan a ser tan importantes como la calidad del modelo.
Cautela. Las mejoras de productividad son afirmaciones del proveedor y de sus socios. Conectar información financiera sensible aumenta la necesidad de revisar permisos, retención, auditoría y responsabilidad sobre cada salida.
Empresas
Seguridad
Andon Labs quiere ampliar sus experimentos desde máquinas expendedoras y comercios propios hacia organizaciones operadas por agentes persistentes.
Andon Labs lanzó el 14 de septiembre la vista previa de Pion, una plataforma que proporciona a agentes acceso persistente a correo, teléfono, banca, navegador y entornos informáticos para operar negocios. El proyecto nace de Vending-Bench y de pruebas reales con una tienda y una cafetería.
La empresa reconoce que sus negocios más complejos todavía no son rentables y presenta Pion como infraestructura de investigación, no como prueba de que una compañía autónoma esté resuelta. El objetivo declarado es observar capacidades, fallos, colusión, engaño y búsqueda de recursos en condiciones reales.
Por qué importa. Llevar agentes a procesos con dinero, clientes y obligaciones legales permite medir riesgos que una simulación no reproduce: errores acumulativos, fraude, mala supervisión y decisiones difíciles de revertir.
Cautela. “Un agente capaz de dirigir cualquier empresa” es una aspiración comercial. El acceso está en lista de espera y no existe evidencia independiente de que Pion pueda administrar de forma fiable una empresa compleja sin intervención humana.