El Pulso del 12 de octubre de 2026
Las señales que entraron en el radar, ordenadas con sus fuentes y contexto para entender qué cambió.
Claude Haiku 5.5 — un escalón barato y rápido para subagentes
POR QUÉ ENTRA EN EL RADARAnthropic ubica a Haiku 5.5 en el trabajo de agentes a gran escala —resúmenes, compactación, consultas a bases de datos, clasificación, soporte y uso del navegador— con un control de esfuerzo regulable. Dice que el modelo es alrededor de un 75% más barato que Haiku 4.5, y que las lecturas de caché de Sonnet 5.5 se recortaron a la mitad.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«Dejá de usar tu modelo más inteligente en cada paso del agente.» Mostrar un enrutador: Haiku se encarga del triaje, la recuperación y la verificación; un modelo más grande entra solo cuando el juicio es irreversible.
Mistral Large 4: 1T de parámetros, 52B activos — y los pesos prometidos para este mes
POR QUÉ ENTRA EN EL RADARML4 es un MoE nativamente multimodal, con 1T de parámetros en total y 52B activos. Hoy está en una API de vista previa pública y tiene prevista una salida de pesos abiertos más adelante este mes. Mistral enmarca el producto en despliegue soberano y en cargas de ciberseguridad y de empresa, no en teatro de rankings.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«Por qué importan más los parámetros activos que la cifra de tapa.» Explicar la economía del MoE y preguntar si los pesos abiertos cambian, para las empresas, la decisión de construir o comprar.
Beam: un modelo abierto de 501B para código y agentes que afirma ganancias de eficiencia
POR QUÉ ENTRA EN EL RADARBeam es un MoE de 501B totales y 23B activos, entrenado para código, razonamiento y agentes. Reflection afirma un razonamiento comparable al de GLM-5.2 con entre 3 y 4 veces menos cómputo de inferencia; promete pesos, un informe técnico y una model card más adelante este mes. Tratar los claims de benchmarks como afirmaciones del proveedor hasta que haya replicación independiente.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«La carrera de modelos abiertos se mueve del CI al costo por tarea resuelta.» Armar un visual que compare parámetros totales, parámetros activos y costo por token generado.
La «Intelligent UI» de GPT-6: respuestas que se compilan en herramientas nativas e interactivas
POR QUÉ ENTRA EN EL RADAROpenAI dice que GPT-6 puede seleccionar y componer componentes nativos que se transmiten en streaming —gráficos, formularios, botones, ilustraciones y experiencias interactivas— en lugar de devolver solo texto. El claim de producto que importa es una biblioteca de componentes más un compilador, que acota la generación de interfaz del modelo en vez de dejarlo emitir código de aplicación arbitrario.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«El chat está dejando de ser una interfaz para convertirse en un runtime.» Demostrar tres prompts que deberían producir UI (una calculadora, un árbol de decisión, una simulación de aprendizaje) y explicar la ventaja de seguridad y consistencia de una lista blanca de componentes.
El agente Gemini de Google: un solo agente de trabajo en Workspace, código y datos de empresa
POR QUÉ ENTRA EN EL RADARGoogle anunció un agente de trabajo universal que puede planificar, usar skills y herramientas, conectarse a sistemas y operar en línea en Gmail, Drive, Docs, Slides, Sheets, Chat y Calendar. La historia empresarial de fondo es gobernanza: identidad, autorización, sandboxing, gateways, techos de gasto y enrutado de modelos.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«La demo del agente es fácil; el producto son los permisos.» Diagramar qué tiene que demostrar un agente empresarial antes de actuar con seguridad en una bandeja de entrada o en una planilla financiera.
Google Playground: crear juegos a partir de un prompt, con un puente a Unity Spark en camino
POR QUÉ ENTRA EN EL RADARPlayground permite a quienes no programan crear, remezclar, probar y compartir juegos de navegador de forma conversacional, incluidas algunas funciones de multijugador y ranking. La integración prevista con Unity Spark es la pista estratégica más fuerte: la creación por prompt para consumidores podría convertirse en la boca de un embudo hacia un runtime profesional.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«De prompt a app es aburrido. De prompt a un juego jugable es la prueba de UX de verdad.» Armar una idea mínima de juego y señalar dónde se rompe todavía la creación generativa: física, retención y debugging.
Decision 3.0: modelos multimodales abiertos y chicos para decidir, no para generar texto
POR QUÉ ENTRA EN EL RADARLa nueva familia Apache-2.0 cubre más o menos de 0.6B a 27B y está pensada para devolver opciones, sí/no o puntajes con probabilidades, sobre texto, imágenes y video, no para generar prosa. Eso la vuelve interesante como portero local barato, clasificador, o capa de política y evaluación dentro de un sistema de agentes.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«Tu agente tal vez no necesita otro chatbot: necesita un árbitro.» Mostrar un modelo chico de decisión eligiendo si un agente caro debe correr, reintentar, escalar o parar.