El Pulso del 3 de octubre de 2026
Las señales que entraron en el radar, ordenadas con sus fuentes y contexto para entender qué cambió.
GPT-6.1 Sol: agentes casi de frontera a un costo sustancialmente menor
POR QUÉ ENTRA EN EL RADAROpenAI afirma que Sol se acerca a Astra en coding agéntico, uso de computadora y trabajo profesional, con un precio de entrada/salida estándar de US$2/US$10 por millón de tokens y de entrada en caché de US$0,10/M. También presenta flujos multiagente en la Responses API (beta), lo que hace que el costo por flujo completado importe más que el puesto en un benchmark.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«La verdadera guerra de precios de la IA ahora es por los agentes, no por los chatbots.» Explicá por qué el precio de caché más la delegación pueden importar más que una ventaja marginal en un benchmark.
El playbook de producción de GPT-6 de OpenAI: cachear, compactar, dirigir, delegar
POR QUÉ ENTRA EN EL RADAREs una guía upstream inusualmente concreta: contexto estable primero para cachear, compactación para hilos largos, herramientas asíncronas para trabajo independiente, dirección a mitad de turno y delegación a subagentes. Es una checklist de implementación lista para builders, no solo un anuncio de lanzamiento.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«Cinco cosas que tu agente de IA necesita antes de dejarlo correr horas.» Mostrá una arquitectura simple: instrucciones duraderas → caché → herramientas asíncronas → checkpoints/dirección → límites de aprobación humana.
Dots: llega la categoría de producto del agente persistente
POR QUÉ ENTRA EN EL RADARLos Dots son agentes GPT-6 Astra siempre activos, con una computadora en la nube, plugins entre apps, preferencias persistentes, investigación proactiva de solo lectura, visibilidad de la actividad y reglas de aprobación configurables. El cambio notable es de diseño de producto: un agente retiene contexto y trabaja en segundo plano, en vez de esperar dentro de hilos de chat aislados.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«Tu próximo asistente de IA no va a esperar un prompt.» Contrastá un chatbot, una automatización programada y un agente persistente, y explicá el modelo de permisos y seguridad que las audiencias deberían exigir.
Gemini 4 Argon: coding de horizonte largo y el regreso de la longitud de salida como foso competitivo
POR QUÉ ENTRA EN EL RADARGoogle afirma un límite de salida de 1 millón de tokens (antes 64K), DeepSWE v1.1 en 77,9% y ejemplos internos de migraciones y optimizaciones enormes. Al inicio se libera a defensores cibernéticos de confianza, así que la historia inmediata es capacidad emparejada con acceso por fases, no una API de disponibilidad amplia.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«Un millón de tokens de salida: por qué esto cambia lo que un agente puede terminar en una sola corrida.» Evitá el hype: explicá que una trayectoria larga igual exige loops de test, revisión y recuperación de errores.
Claude Opus 5.5: la eficiencia —no solo la capacidad— es el rasgo competitivo
POR QUÉ ENTRA EN EL RADARAnthropic afirma un costo típico de carga de trabajo 40% menor que Opus 5, US$4/M de entrada, US$20/M de salida, US$0,20/M de lecturas de caché y salida más de 30% más rápida. Su ángulo de contenido más fuerte es el énfasis en acciones reversibles, resistencia a la inyección de prompts y trabajo largo auditable.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«Por qué gana el agente de coding exitoso más barato.» Compará el precio de lista de los tokens con reintentos, fallbacks, lecturas de caché y tiempo de revisión humana.
Claude Code 2.1.288: los equipos de agentes y el trabajo de confiabilidad se vuelven el diferenciador
POR QUÉ ENTRA EN EL RADAREl changelog más reciente agrega una selection API para Mods y, más importante, corrige un conjunto amplio de modos de falla: sesiones interrumpidas o largas, compactación/reanudación de contexto, llamadas MCP duplicadas, comportamiento de worktree y configuración de plugins/subagentes. El titular para builders es aburrido pero crucial: los agentes necesitan confiabilidad operativa más que otra demo.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«La razón poco glamurosa por la que los agentes de coding con IA se vuelven útiles: fallan menos.» Usá tres ejemplos: reanudación/compactación, duplicación de llamadas a herramientas y subagentes con alcance acotado.
Strands Decider 2B: usá un modelo local minúsculo para las decisiones del agente
POR QUÉ ENTRA EN EL RADAREste «modelo de decisión» abierto de 2B elige y rankea opciones en vez de generar texto libre, con puntajes de confianza y una latencia local reportada de alrededor de 115 ms en una RTX 3090 (unos 153 ms para tareas chicas en una MacBook M3). Está pensado para ruteo, selección de herramientas, guardrails, gestión de memoria/contexto y evaluación.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«Dejá de usar un modelo de frontera para cada decisión del agente.» Demostrá el patrón híbrido: una puerta local barata para las elecciones rutinarias, un modelo más grande solo para ambigüedad o generación.
Backburner: un iPhone como segundo acelerador para un LLM local en Mac
POR QUÉ ENTRA EN EL RADAREste fork experimental de llama.cpp reparte el trabajo de Qwen3.8-27B entre una MacBook M4 Pro y un iPhone por USB-C a 10 Gb/s. El autor reporta un prefill 29–44% más rápido a 16K–48K de contexto, y un KV cache en el teléfono que habilita unos 196K–229K de contexto a 8 bits (probado hasta 128K). Es un benchmark estimulante de un solo autor, no un consejo de producción validado de forma independiente.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«¿Puede tu iPhone hacer más rápida la IA local de tu Mac?» Que las salvedades formen parte de la historia: el ancho de banda del cable, el código experimental, un stack de hardware específico, y prefill versus velocidad de generación.
Ideogram 4.5: la generación de imágenes pasa de la salida de un solo tiro a la edición iterativa
POR QUÉ ENTRA EN EL RADARIdeogram posiciona 4.5 en reducir el drift a lo largo de ediciones multiturno y preservar detalle y bordes de alta resolución durante ediciones con zoom. Es una métrica de creador más práctica que una sola imagen hermosa: ¿puede el modelo conservar continuidad después del quinto cambio pedido?
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«El benchmark de modelos de imagen que a los creadores les debería importar: la edición número cinco.» Corré la misma secuencia de ediciones puntuales en varias herramientas y puntuá identidad, tipografía y preservación del fondo.