El Pulso del 26 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.
Detectar y prevenir ataques de destilación (DeepSeek / Moonshot / MiniMax)
POR QUÉ ENTRA EN EL RADARNúmeros y tácticas concretas (“24.000 cuentas fraudulentas”, “16M de intercambios”) hacen que la destilación se sienta como un problema de seguridad operativa, no como un debate ético difuso. También la encuadra ligada a controles de exportación y a la proliferación de capacidades.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La destilación es el nuevo scraping: cómo se ven realmente los ataques (y qué deberían registrar/bloquear quienes construyen).”
Las API keys de Google no eran secretos… hasta que Gemini cambió las reglas
POR QUÉ ENTRA EN EL RADARLa “expansión retroactiva de privilegios” es un modo de falla nuevo y feo: una clave que te dijeron que incrustes en HTML se convierte en credencial para endpoints sensibles de LLM apenas se habilita Gemini. Es exactamente el tipo de riesgo de “IA enganchada a autenticación legacy” que se va a seguir repetiendo.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Tu vieja API key ‘pública’ puede volverse una llave maestra de IA: cómo auditarla y corregirla.”
PA Bench: benchmark para agentes web de horizonte largo y multi-app (email + calendario)
POR QUÉ ENTRA EN EL RADAREs una evaluación que se parece al trabajo real de un asistente (multi-paso, multi-app) con estados finales verificables. En particular, reportan a Claude Opus 4.6 con ~68,8% de éxito frente a Gemini 3 Pro ~25% y OpenAI CUA ~12,5% bajo su configuración.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“El benchmark que realmente mide ‘asistente-ness’—y por qué la verificación le gana al clic crudo.”
Anuncio de Gemini 3.1 Pro (y qué señala)
POR QUÉ ENTRA EN EL RADARGoogle posiciona a 3.1 Pro como “inteligencia central mejorada” + habilitador de flujos agenticos (API/Vertex/Gemini app/NotebookLM). También cita un score de 77,1% en ARC-AGI-2 (verificado): una métrica de titular limpia.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Gemini 3.1 Pro: qué hay de nuevo de verdad vs ‘marketing de modelo’—y dónde ya está shipping.”
Economía de tokens CLI vs MCP: “Hice MCP 94% más barato”
POR QUÉ ENTRA EN EL RADAREl encuadre es útil: el dump inicial de schemas de MCP es un impuesto fijo; CLI/“descubrimiento lazy” mueve el costo a llamadas de ayuda just-in-time. Aunque discrepes con los números, es un lente upstream para “arquitectura de agente = arquitectura de presupuesto.”
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“MCP vs CLI vs Tool Search: a dónde se van realmente los tokens de tu agente (y el patrón de lazy-loading).”
Guía del servidor MCP de Figma (plomería de contexto diseño → código)
POR QUÉ ENTRA EN EL RADAREsta es la “plomería” detrás de la ola de demos de “la IA codea la UI desde Figma”. Detalles útiles: endpoint remoto https://mcp.figma.com/mcp y servidor de escritorio http://127.0.0.1:3845/mcp.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Figma MCP en 5 minutos: qué expone, qué no, y cómo usar contexto por link de forma confiable.”
Desanonimización online a gran escala con LLMs (actualización del threat model de privacidad)
POR QUÉ ENTRA EN EL RADARDemuestra pipelines escalables de reidentificación (extracción de features → búsqueda por embeddings → verificación con LLM) entre plataformas, con hasta 68% de recall a 90% de precisión reportado en los settings que probaron. Es combustible upstream para las discusiones de “anonimato muerto”.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Los seudónimos se están rompiendo: el nuevo pipeline de desanonimización y qué hacer al respecto.”
Excitation: Momentum For Experts (optimizador para especialización de MoE)
POR QUÉ ENTRA EN EL RADARSi los MoE siguen dominando, la estabilidad del entrenamiento y las dinámicas de especialización se vuelven la próxima ventaja silenciosa. Propone una modulación a nivel de batch, impulsada por utilización, para empujar a los expertos a especializarse y evitar la “confusión estructural”.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“El entrenamiento MoE tiene un problema de ‘camino de señal’—este paper reivindica un fix de optimizador. Acá va la intuición.”
Petri Net Relaxation para explicar inviabilidad + planning secuencial de tareas
POR QUÉ ENTRA EN EL RADARNo es específico de LLM, pero es directamente relevante para agentes: detectar inviabilidad y dar explicaciones usables importa más que “encontré un plan de un tiro”. Buen puente hacia “por qué fallan los agentes en el mundo real”.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La feature que falta en los agentes: decir ‘este plan no puede funcionar’ y demostrar por qué.”
(De la ola creator-watch) Testing local de Qwen 3.5 122B como historia de ‘unified memory’
POR QUÉ ENTRA EN EL RADARLa historia upstream real es la narrativa de “unified memory / contexto largo en local bajo restricciones” + settings prácticos y quants que la gente replica. Es un buen gancho hacia: qué significa memoria de verdad (VRAM, KV cache, contexto, retrieval).
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Dejá de llamarlo ‘memoria’: los 3 tipos de memoria en setups locales de LLM (y cuál estresa Qwen 122B).”