El Pulso del 18 de marzo 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.
Presentamos Forge (construcción de modelos enterprise sobre datos propietarios)
POR QUÉ ENTRA EN EL RADARMistral empuja el encuadre de “autonomía enterprise”: no solo RAG, sino entrenar modelos para internalizar conocimiento institucional y RL para alinear políticas.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“¿RAG no alcanza?” — explicar cuándo el entrenamiento estilo Forge le gana a la recuperación (y cuándo es overkill), con un árbol de decisión práctico.
Unsloth Studio
POR QUÉ ENTRA EN EL RADAREs una historia creíble de “LM Studio, pero también para entrenar”: GGUF + safetensors, LoRA sin código, recetas de datos y export de vuelta a llama.cpp/vLLM/Ollama.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“El ML local-first vuelve” — demostrar el flujo: cargar GGUF → generar dataset desde PDFs → LoRA → exportar GGUF.
Hugging Face hf-agents: de “¿qué puedo correr?” a “agente de coding local” en una línea
POR QUÉ ENTRA EN EL RADAREl empaquetado importa. Hace que onboardear un agente local se sienta como brew install: detectar hardware → elegir quant → lanzar llama.cpp → correr un agente.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La nueva guerra de distribución: agentes como extensiones de CLI” — comparar con Ollama/LM Studio y dónde se posiciona HF.
Claude Sonnet 4.6
POR QUÉ ENTRA EN EL RADARAnthropic convierte el computer use en capacidad de primer nivel (ganancias en OSWorld) y empuja el contexto de 1M como ventaja práctica de planificación.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Contexto de 1M: ¿qué cambia de verdad?” — 3 flujos concretos (planificar un refactor a escala de codebase, revisión de contratos, síntesis multi-paper).
Claude Code: code review con equipo de agentes en PRs (research preview)
POR QUÉ ENTRA EN EL RADAREs “agentes revisando agentes”: caza de bugs en paralelo → verificación para bajar falsos positivos → ranking por severidad. También destaca: rango de costo publicado (USD 15–25 por PR).
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“¿Pagarías USD 20 por PR?” — mostrar qué tipo de bugs atrapa frente a un skim humano, y dónde falla.
Google DeepMind: Measuring progress toward AGI — un marco cognitivo (PDF)
POR QUÉ ENTRA EN EL RADARLos labs intentan definir el “progreso hacia AGI” en rebanadas medibles (capacidades/benchmarks), lo que puede influir en funding, gobernanza y la meta de los benchmarks.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Los benchmarks son política” — explicar cómo los marcos de evaluación se vuelven regulación de facto, y por qué quienes crean deberían seguirlos temprano.
Google: Gemini Embedding 2 (embeddings nativamente multimodales)
POR QUÉ ENTRA EN EL RADARUn solo espacio de embeddings para texto+imagen+video+audio+PDF cambia los pipelines de RAG (menos pasos frágiles por modalidad). También: Matryoshka Representation Learning (dims de embedding variables).
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“El verdadero producto multimodal no es generación—es retrieval” — pitch de un demo de búsqueda multimodal que le gana al chat.
NVIDIA Nemotron 3 Super (modelo agéntico: 120B con 12B activos, contexto de 1M)
POR QUÉ ENTRA EN EL RADARNVIDIA optimiza para la economía multi-agente: explosión de tokens/contexto + “thinking tax”. La mezcla arquitectónica (Mamba+Transformer, MoE latente, multi-token prediction) es una señal de hacia dónde va la inferencia.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Por qué importan más los ‘parámetros activos’ que el total” — explicar la economía MoE + qué habilita el contexto de 1M en flujos de agentes.