El Pulso del 23 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.
Gemini 3.1 Pro (upgrade del modelo y despliegue en API/Vertex/App/NotebookLM)
POR QUÉ ENTRA EN EL RADARGoogle posiciona de forma explícita a 3.1 Pro como el “razonamiento central” para tareas complejas y flujos agenticos, y cita un salto grande en ARC-AGI-2 (verificado: 77,1%). Es un post limpio, de fuente primaria, que podés citar sobre “qué cambió”.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“¿Qué te compra de verdad un ‘upgrade de razonamiento central’?” → mostrar 3 tareas rápidas: (1) sintetizar datos desordenados en una sola vista, (2) generar una animación SVG nítida, (3) armar un dashboard en vivo desde un stream público de telemetría.
Claude Sonnet 4.6 (ventana de contexto de 1M en beta + mejor computer use + coding agentico)
POR QUÉ ENTRA EN EL RADAREs un post práctico de release de modelo, de fuente primaria: progreso en computer use (OSWorld), estadísticas explícitas de preferencia frente a Sonnet/Opus anteriores, y una historia de estrategia de horizonte largo (Vending-Bench Arena) muy del estilo “agentes se encuentran con la economía”.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“El modelo que hace a los agentes menos frágiles” → explicar por qué el contexto de 1M solo importa si el modelo puede razonar a lo largo de él; después mostrar dónde sigue fallando (prompt injection, fragilidad de UI).
Filtrado dinámico para búsqueda web (modelos que escriben código para post-procesar resultados)
POR QUÉ ENTRA EN EL RADAREs una historia de técnica de fuente primaria (no hype): “la búsqueda web consume muchos tokens” → ahora los modelos filtran resultados vía código antes de cargarlos al contexto. Citan mejoras medibles en BrowseComp y DeepsearchQA, más ahorro de tokens.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“El truco real de una mejor investigación web con IA no es un modelo más grande” → es filtrado de resultados + orquestación de herramientas; dar un modelo mental chico: buscar → filtrar → traer → citar.
Claude Code → Figma (capturar la UI en ejecución a frames editables de Figma + ida y vuelta vía MCP)
POR QUÉ ENTRA EN EL RADAREs innovación de producto/flujo de trabajo de fuente primaria: convertir el prototipado “code-first” en artefactos de diseño compartibles, y después volver al código vía servidor MCP. Es, en la práctica, una cuña de colaboración diseño/ingeniería habilitada por IA.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La IA acaba de matar el handoff por captura de pantalla” → narrativa tipo demo: armar UI en código → capturar a Figma → anotar variantes → usar MCP para empujar updates de vuelta.
Embeddings de voz de Qwen3 TTS extraídos (encoder de hablante como artefacto standalone)
POR QUÉ ENTRA EN EL RADARLos flujos de clonación de voz suelen quedar escondidos dentro de modelos grandes; esto aísla la pieza de embedding de hablante (1024/2048 dims) como un bloque reutilizable (buscar, mezclar voces, “espacio de emoción”). Es exactamente el tipo de pepita de fuente primaria que los creadores van a mencionar después.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La clonación de voz ahora son vectores” → explicar qué es un speaker embedding, mostrar operaciones simples en conceptual (promediar, interpolar, clusterizar) y dónde se pone éticamente picante.
Serving con vLLM-Omni + streaming de Qwen3 TTS + soporte de speakerembedding (más paper)
POR QUÉ ENTRA EN EL RADAREl repo destaca trabajo real de infra: streaming a nivel HTTP y a nivel modelo para TTS, fixes de performance y soporte explícito de speakerembedding. Si querés hablar de “agentes de audio open-source en producción”, este es un ancla concreta.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“TTS de baja latencia en producción: qué importa de verdad” → streaming, trucos de KV-cache y la diferencia entre ‘voz de demo’ y ‘servir voz a escala’.
Aqua: un CLI/protocolo para mensajería agent-to-agent (E2EE + inbox/outbox durable)
POR QUÉ ENTRA EN EL RADARLos ecosistemas de agentes siguen reinventando “¿cómo se mensajean los agentes entre sí de forma confiable?”. Aqua es un intento de fuente primaria: verificación de identidad, E2EE, storage durable, relays. Esta es la capa de plomería detrás de las narrativas de “economía de agentes”.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Los agentes no necesitan más prompts: necesitan mensajería” → comparar: webhooks HTTP vs inbox/outbox nativo de agentes + relay, y dónde encaja esto en la orquestación multiagente.
Oxc (stack de tooling JS en Rust: linter/formatter/parser/transformer)
POR QUÉ ENTRA EN EL RADARAunque no sea ‘IA’ en sentido directo, es infra de desarrollo de fuente primaria que va a amplificar los flujos de coding con IA: loops más rápidos de lint/format/parse/transform bajan la fricción del coding agentico y de los refactors a escala de codebase.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Por qué tu agente de coding se siente lento (y no es el modelo)” → mostrar cómo la latencia del toolchain domina; plantear tooling tipo Oxc como el multiplicador escondido.