El Pulso del 3 de mayo 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.
DeepSeek-V4 Preview (pesos abiertos, 1M de contexto por defecto)
POR QUÉ ENTRA EN EL RADARModelos MoE “casi frontier” de código abierto, con 1M de contexto como default, mueven la vara de lo que se espera de agentes de contexto largo (y de las curvas de costo). También hay un claim concreto de fuerza en coding agentico y modos explícitos “thinking / non-thinking”.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“El contexto de 1M ya es commodity: ¿qué se rompe primero, los stacks de retrieval, las evals o la factura de GPU?” (más un checklist práctico para creators/devs: dónde 1M ayuda y dónde no).
NVIDIA Nemotron 3 Nano Omni (omni multimodal abierto para agentes)
POR QUÉ ENTRA EN EL RADAREmpuja hacia un solo modelo visión+audio+lenguaje para loops de percepción de agentes (menos latencia y menos pérdida de contexto que los pipelines de “3 modelos”). NVIDIA lo posiciona como camino productivo para computer-use e inteligencia sobre documentos.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Dejá de encadenar visión+ASR+LLM: por qué los modelos ‘omni’ cambian la arquitectura de agentes” (mostrar un diagrama simple: loop de percepción vs planner).
Spec de orquestación “Symphony” de OpenAI (Linear como control plane de agentes)
POR QUÉ ENTRA EN EL RADAREsto es infraestructura de workflows, no un drop de modelo: convertir un issue tracker en una cola de agentes siempre encendida. El claim interesante es el cuello de botella organizacional: atención humana y context switching.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La verdadera scaling law de los coding agents es el project management” — explicar la idea de control plane y qué implica para equipos (y para devs solos).
Poolside lanza Laguna XS.2 (pesos abiertos) + Laguna M.1 (preview)
POR QUÉ ENTRA EN EL RADAROtro señal fuerte de que el coding agentico con MoE es el campo de batalla; pesos abiertos bajo Apache 2.0 bajan la fricción para deploys locales/privados y experimentos de fine-tune.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La era de los ‘3B active params’: por qué MoE es el truco para coding agentico local” (y qué mirar en evals del mundo real).
Paper TRM: “Less is More: Recursive Reasoning with Tiny Networks”
POR QUÉ ENTRA EN EL RADARUna contra-narrativa poco frecuente al “gana el modelo más grande”: 7M de params con refinamiento recursivo reportan resultados fuertes en ARC-AGI frente a LLMs mucho más grandes (según el paper). También enmarca la recursión como alternativa a CoT/TTC.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Si 7M de params pueden ganarle a LLMs en tareas ARC, ¿qué estamos escalando realmente?” (explicar recursión/refinamiento de outer loop en lenguaje claro).
Análisis ARC Prize: el motor oculto del performance de HRM en ARC es el outer loop
POR QUÉ ENTRA EN EL RADARUn reality check importante: hype de arquitectura vs qué empuja de verdad el performance. Sus ablaciones sugieren que el refinamiento de outer loop + augmentation cargan más el peso que la historia de “jerarquía”.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La mayoría de los ‘breakthroughs de reasoning’ son, en realidad, loops de training/inference” — conectar esto con diseño de agentes (iterar, votar, halt/continue).
Repo de bench local “sucio” y realista (Qwen3.6-27B vs Coder-Next, etc.)
POR QUÉ ENTRA EN EL RADAREsto es anti-teatro de benchmarks: traces, artefactos, modos de falla, packs de reproducibilidad. Útil para contenido: “qué se rompe de verdad cuando corrés agentes en local”.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Los benchmarks mienten; los artefactos no” — recorrer cómo evaluar modelos locales con un harness desprolijo pero honesto.
Correr SHARP Gaussian splatting de Apple en el browser (ONNX Runtime Web)
POR QUÉ ENTRA EN EL RADARUna demo práctica de ML pesado mudándose al cliente (privacidad + costo), más la realidad de deploy “.onnx + .onnx.data” que los creators pueden enseñar.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“El ML en el browser volvió (pero ya no es cute)” — mostrar cómo la inferencia web + modelos grandes cambia la distribución.
Creator-watch (nuevos uploads) → leads upstream
Abrir fuente original ↗