El Pulso del 25 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.
TurboQuant: compresión extrema para KV-cache + búsqueda vectorial (trucos de overhead cero)
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La próxima frontera no son modelos más grandes: es la matemática de la memoria. Cómo residuales de 1 bit + trucos geométricos habilitan contexto largo a bajo costo.”
Compromiso en la cadena de suministro de LiteLLM (.pth malicioso con autoejecución al arrancar Python)
POR QUÉ ENTRA EN EL RADAREs el peor escenario del packaging en Python: un archivo .pth se ejecuta al iniciar el intérprete (no hace falta importar litellm). Si está instalado, puede exfiltrar variables de entorno y credenciales SSH/cloud; el issue enumera el supuesto endpoint de exfiltración.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Cómo un solo .pth puede robarte secretos sin imports (y qué revisar/rotar hoy).”
KALAVAI: fine-tunes “cooperativos” de especialistas fusionados post-hoc con ganancias predecibles
POR QUÉ ENTRA EN EL RADARLa novedad clave es la regla predictiva: ganancia ≈ 0,82 × divergencia − 2,72 (R²≈0,86 en los settings que reportan). Es una palanca upstream para organizaciones: podés estimar si “muchos especialistas independientes + router” vale el cómputo.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“MoE para las masas: 20 personas entrenan su especialista y después los fusionás—sin datos compartidos. Acá va la regla de bolsillo para saber si va a funcionar.”
Reka Edge (7B) apuesta al “physical AI en el edge”: tokens de visión compactos + uso de herramientas
POR QUÉ ENTRA EN EL RADAREnfatizan victorias a nivel de sistema: encoder de visión ConvNeXt-V2 + solo 64 tokens por tile de imagen para mantener barato el contexto multimodal, más uso fuerte de herramientas y grounding. Es la jugada de “hacer multimodal accesible”.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La verdadera carrera multimodal es la eficiencia de tokens: por qué 64 tokens visuales/tile puede importar más que +2 puntos en un benchmark.”
“Computer use” de Claude (control de UI) — la documentación upstream que conviene leer antes del hype
POR QUÉ ENTRA EN EL RADARTodo el mundo va a mostrar demos flashy, pero el contenido que dura es: qué expone realmente la API (screenshots, acciones de cursor), qué falla (scroll/drag/zoom) y qué controles de seguridad/límites necesitás para workflows reales.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“El patrón ‘operador remoto’: teléfono → Claude → escritorio. Qué funciona, qué se rompe y cómo diseñar guardrails.”
“Adiós a Sora” — OpenAI cierra la app de video Sora (onda expansiva entre creadores)
POR QUÉ ENTRA EN EL RADARSi el cierre es real, señala un pivot: (a) riesgo del producto de video (legal/marca/costo) o (b) reasignación de recursos a áreas de mayor ROI (agentes/coding/reasoning). También abre un vacío de mercado inmediato.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Si Sora desaparece, ¿cuál es el próximo ‘wedge’ de video? (Y por qué el cómputo + las licencias pueden matar las apps de video para consumidores.)”
Embeddings de video nativos de Gemini → búsqueda semántica de video en menos de un segundo (repo práctico)
POR QUÉ ENTRA EN EL RADAREs un ejemplo limpio de “capacidad upstream → producto”: si los clips de video se embeddean en el mismo espacio que el texto, te salteás pipelines de transcripción/subtitulado. Es un patrón reutilizable para cámaras de seguridad, deportes y archivos de medios.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Búsqueda texto-a-video sin captions: cómo los embeddings nativos de video cambian todo el stack de retrieval.”