El Pulso del 17 de febrero de 2026
Las señales que entraron en el radar, ordenadas con sus fuentes y contexto para entender qué cambió.
El guion de audio está listo; la voz se publicará cuando termine la generación.
Claude Opus 4.6 (contexto 1M en beta, equipos de agentes, compactación, pensamiento adaptativo)
POR QUÉ ENTRA EN EL RADARAnthropic posiciona a Opus 4.6 como el modelo de “agente de horizonte largo”: contexto de 1M (beta), compactación de contexto y “equipos” multiagente explícitos en Claude Code.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Qué desbloquea de verdad el contexto de 1M (y qué no)” — mostrar 3 flujos concretos: auditoría de codebase, due diligence de documentos largos, y plan + revisión de un refactor multiarchivo.
OpenAI empieza a probar avisos en ChatGPT (EE. UU.; planes Free + Go)
POR QUÉ ENTRA EN EL RADAREs un cambio estructural: la UX conversacional + publicidad tensiona el diseño de producto (separación, etiquetado), los incentivos de negocio y la confianza del usuario. El trade-off de opt-out (“menos mensajes diarios gratis”) también es una palanca notable.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Avisos en ChatGPT: las trampas de UX de las que nadie habla” — mostrar dónde la publicidad puede filtrarse a la estrategia de prompts, y cómo la ‘independencia de la respuesta’ igual puede fallar en la práctica.
Upgrade de Gemini 3 Deep Think + early access de API
POR QUÉ ENTRA EN EL RADARGoogle empaqueta de forma explícita un “modo de razonamiento especializado” para ciencia/ingeniería, y lo mueve de solo-app a early access de API. También cita saltos en benchmarks (HLE, ARC-AGI-2, Codeforces, nivel IMO).
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Los modos de razonamiento se están volviendo productos” — explicar el stack emergente: modelo base → modo de razonamiento → harness de agentes → evals enterprise.
ByteDance Seedance 2.0 (generación multimodal audio+video)
POR QUÉ ENTRA EN EL RADARArquitectura unificada de generación multimodal A/V; reclamos: mayor realismo físico, estabilidad en movimiento complejo, edición/extensión y audio de doble canal — más un fuerte énfasis en flujos “industriales” (avisos/cine/e-comm/juegos).
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La generación de video pasa de ‘prompt-to-clip’ a ‘herramientas de dirección’” — destacar los inputs de referencia (hasta 9 imágenes, 3 videos, 3 audios) como la historia real.
MiniMax-M2.5 (RL agentic a escala; inferencia continua barata)
POR QUÉ ENTRA EN EL RADARVenden una tesis: RL en “cientos de miles de entornos del mundo real” → uso agentic de herramientas + búsqueda + entregables de oficina. También: narrativa agresiva de costo (“USD 1/hora a 100 tok/s”).
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La carrera de la ‘inteligencia demasiado barata para medir’” — comparar qué eligen optimizar los labs: tokens/seg, éxito con herramientas, o confiabilidad de contexto largo.
Paper: Evaluating AGENTS.md (los archivos de contexto del repo pueden perjudicar a los agentes de código)
POR QUÉ ENTRA EN EL RADARContrarian y accionable de inmediato: los archivos de instrucción/contexto a nivel de repo pueden bajar las tasas de éxito y subir el costo; pueden empujar a los agentes a requisitos extra y a más exploración.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Dejá de escribir docs de agentes como una especificación” — proponer un template mínimo y un checklist de ‘instrucciones que ayudan’ vs ‘instrucciones que envenenan el éxito’.
Paper: simetría en estadísticas del lenguaje → geometría en representaciones del modelo
POR QUÉ ENTRA EN EL RADARUn puente explicativo limpio desde estadísticas de coocurrencia hacia geometría emergente en embeddings (meses como círculos, años como manifolds, etc.) + reclamos de robustez cuando se perturban las estadísticas.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Por qué los embeddings forman formas” — un explainer visual con 2–3 ejemplos toy simples (ciclo de meses/días de la semana; coordenadas espaciales).
Paper: “Hunt Globally” (agentes de deep research para scouting multilingüe de activos de drogas)
POR QUÉ ENTRA EN EL RADAREs un framing aplicado de benchmark de “deep research”: descubrimiento multilingüe de alto recall sin alucinaciones. Si se sostiene, es una hoja de ruta de cómo las evals van a ir más allá del Q&A de respuesta única.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Deep Research se está convirtiendo en una carrera armamentista de evals” — explicar qué significa “completeness” y cómo la probarías sin gaming.
Waymo arranca operaciones fully autonomous con Waymo Driver de 6.ª generación
POR QUÉ ENTRA EN EL RADARHistoria de IA en el mundo real con restricciones concretas: fusión de sensores (cámaras + imaging radar + lidar), sistemas de limpieza, baja de costos mientras escalan a “decenas de miles de unidades/año”.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“El moat de IA subestimado: hardware + ops + pruebas de seguridad” — por qué esto no es solo ‘mejores modelos’.