El Pulso del 18 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 Sonnet 4.6 (contexto de 1M en beta + mejoras en computer use)
POR QUÉ ENTRA EN EL RADARPrecio de nivel Sonnet con capacidad “casi Opus” es un cambio fuerte para equipos que construyen automatizaciones agentic de coding y computer use. Además: contexto de 1M y discusión explícita de OSWorld = evidencia bastante amigable al contenido.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Sonnet se comió el almuerzo de Opus (en muchos flujos): qué habilita de verdad el contexto de 1M y dónde el computer use todavía se rompe.”
GPT‑5.3‑Codex‑Spark (más de 1000 tok/s de coding en tiempo real)
POR QUÉ ENTRA EN EL RADAREs una apuesta a nivel de producto: que la latencia ya es el cuello de botella de los agentes de coding. El post de OpenAI también menciona cambios de pipeline (ruta WebSocket, menor time-to-first-token) que podrían generalizarse más allá de este modelo.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Rápido e inteligente (a veces): un nuevo flujo de desarrollo donde dirigís cada 5 segundos en vez de esperar 5 minutos.”
Upgrade de Gemini 3 Deep Think (modo de razonamiento científico/ingenieril + early access de API)
POR QUÉ ENTRA EN EL RADARGoogle posiciona “Deep Think” como asistente de investigación aplicada, con claims de benchmarks (ARC-AGI-2, Elo de Codeforces, etc.) y ejemplos de labs reales. El early access de API implica que quieren embeberlo en tooling, no solo en el chat.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Los modos de razonamiento se vuelven productos: en qué se diferencia ‘Deep Think’ de ‘simplemente un modelo más grande’ (y qué probar si conseguís acceso).”
Informe técnico de GLM‑5 (modelo abierto: “from vibe coding to agentic engineering”)
POR QUÉ ENTRA EN EL RADAREl paper marca explícitamente: DeepSeek Sparse Attention (DSA), una infra de RL asíncrona (“slime”) y “agent RL” para interacciones de horizonte largo. Sostengan o no los claims de benchmark del titular, la receta de entrenamiento/infra es la historia upstream.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La verdadera historia de GLM‑5 no es el gráfico de benchmarks: es el stack de RL asíncrono y lo que implica para el entrenamiento abierto de agentes.”
Qwen3‑TTS (TTS de pesos abiertos con streaming + diseño/clonado de voz)
POR QUÉ ENTRA EN EL RADAREl TTS abierto está pasando de “calidad demo” a “primitivas de producto”: streaming (claim ~97 ms), prosodia guiada por instrucciones, diseño de voz y clonado en 3 segundos. Exactamente el tipo de release upstream que los creators van a resumir: adelantate probando edge cases.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“¿Competidor open-source de ElevenLabs? 3 tests que sí importan: latencia, estabilidad en lecturas largas y emoción promptable sin artefactos.”
AMA de StepFun AI (señal de watchlist)
POR QUÉ ENTRA EN EL RADARLos AMA suelen soltar detalles no agregados: fuentes de datos de entrenamiento, stack de inferencia, matices de licensing e indicios de roadmap. Aunque el AMA en sí sea mañana, es una oportunidad upstream de “ponete un recordatorio”.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Cómo ‘leer entre líneas’ un AMA de un lab de IA: preguntas que revelan el moat real (datos, infra, evals).”
Paradoja de productividad de la IA (gancho de contenido contra-narrativo)
POR QUÉ ENTRA EN EL RADARCombustible útil de “disputa”: mientras los labs anuncian saltos grandes de capacidad, algunas encuestas afirman bajo impacto medido en productividad. Ideal para un segmento equilibrado: capacidad versus cuellos de botella de despliegue.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Por qué ‘la IA no está subiendo la productividad’ puede ser cierto y engañoso a la vez: el lag de medición y el rediseño de workflows son el trabajo real.”