El Pulso del 16 de marzo de 2026

NVIDIA apunta de forma explícita a cargas agenticos: contexto largo (1M de tokens), throughput (predicción multi-token) y “pensamiento” más barato vía MoE (12B activos) + eficiencia Mamba. Es un plano de hacia dónde van las arquitecturas cuando el producto son agentes, no chat.

Embeddings multimodales en un solo espacio simplifican los pipelines de retrieval (un índice, muchas modalidades). Además: Matryoshka Representation Learning te deja elegir 3072/1536/768 dims según costo/calidad.

Es un informe público inusualmente detallado sobre extracción de capacidades a escala industrial (16M de intercambios, ~24k cuentas fraudulentas). Enmarca la destilación como algo legítimo y, a la vez, weaponizable (remoción de salvaguardas, implicancias de controles de exportación).

Anthropic está productizando el patrón de equipo de agentes para flujos reales de desarrollo: caza de bugs en paralelo + verificación + ranking de severidad. Divulgan impacto interno (comentarios sustanciales de 16% → 54%) y un costo aproximado (USD 15–25 por PR).

Cierra un hueco práctico para agentes: debuggear issues detrás de login y estado de sesión. El diseño también importa: prompts explícitos de permiso del usuario + banner “controlled by automated software”, o sea, guardrails a nivel de producto para el control por agentes.

Sirve para comparar rápido, en visual, “qué cambia de verdad” entre Dense vs MoE vs híbridos (MLA, mixes con Mamba, predicción multi-token, atención sparsificada). También incluye la entrada de arquitectura de Nemotron 3 Super.

No son LLMs, pero es muy relevante para el “upstream” del desarrollo de IA: trucos a nivel de sistemas (mmap + formatos binarios custom + sampling con OpenMP) para que datasets gigantes sean usables en hardware de consumo. Este tipo de idea de infra suele volverse el default de mañana.

Es un writeup concreto y opinado que encaja con lo que están consolidando los mejores builders: un agente fuerte de planning + agente(s) de ejecución + reviewers con modelos distintos para evitar que “el modelo se dé la razón a sí mismo.” Buen material para educar a la audiencia.