Un preprint de tres autores afiliados a Amazon prueba una tarea concreta: detectar requisitos resaltados o en color en documentos de políticas. En 76 documentos, el método que conservaba esas marcas identificó mejor los requisitos señalados que Docling y el texto plano. Es un estudio inicial, pero deja una pregunta práctica: al preparar documentos para una IA, ¿se conservan las pistas visuales? arxiv.org/abs/2610.30026

Me interesa esta validación de @GoogleResearch por lo que cambia: el modelo se adaptó con datos de Chicago y luego se probó en Nairobi sin ajuste local. En 385 embarazadas, estimó la edad gestacional con 4,2 días de error absoluto medio, frente a 4,5 del estándar clínico. En Nairobi, tres operadores sin experiencia previa recibieron seis horas de formación para hacer los barridos. Falta probarlo en más hospitales y con otros equipos. Aun así, esta prueba sugiere que podría ayudar en clínicas donde hay pocos especialistas. doi.org/10.1001/jamanetworko…

Me estoy divirtiendo bastante construyendo mi propio agente, sobre todo cuando le doy permiso a algunos chats de WhatsApp para que intervenga por mi 🤪😅

Te digo lo que nadie te dice: Todo el mundo habla de lo espectacular que es grok @bot y si es un producto muy bueno sin embargo el uso en el plan premium se consume tan rápido que no merece la pena el costo. A esto añádele que el uso se comparte entre planes grok bot - cursor, si desarrollas con apenas unas pocas tareas se agota. Para el precio que tiene pensé que iba a ser mucho más eficiente.

Space Bunny ya tiene nombre: es MiniMax M3.1 Flash. Estuvo 10 días seguidos como el modelo n.º 1 de OpenRouter, sin que se supiera de quién era, y procesó allí 56,7 billones de tokens. Según MiniMax, esa versión previa superó en total los 200 billones. Hoy lo lanzan de forma oficial. Lo que publica MiniMax: - 73,7% en DeepSWE v1.1 (coding) - 61,7 en OSWorld V2 y 29,6 en Agents' Last Exam (computer use) - 82% en CyberGym (ciberseguridad) - Inferencia casi 3 veces más rápida y un 70% menos de coste en tareas agénticas frente a su predecesor - $0,15 por millón de tokens de entrada, $0,60 de salida y $0,015 en caché - Pesos abiertos el 23 de octubre En OpenRouter tiene 1M de contexto y es gratis durante las próximas 72 horas. Me gusta este formato de lanzamiento: primero lo sueltan sin nombre, dejan que se use en trabajo real y solo después enseñan los benchmarks. Los números son de la propia MiniMax, así que toca probarlo. Pero en agentes que encadenan muchas llamadas, ese precio cambia bastante las cuentas. xitter.cf/OpenRouter/status/2112…

El repo número 1 de GitHub Trending esta semana es REA (Reverse Engineer Anything), con más de 229.000 estrellas nuevas en siete días. Es un MCP que conecta tu agente con herramientas para inspeccionar binarios nativos, apps JavaScript y Electron, ensamblados .NET y webs. Ves una funcionalidad en una app, le pides al agente que la investigue sin el código fuente y te explica cómo funciona, con las evidencias y las limitaciones de cada conclusión. El análisis corre en local, y para binarios nativos puede usar Hopper, Ghidra o IDA si ya los tienes instalados. Curiosamente, Ghidra, el framework de la NSA, también está en el top 10 semanal. Lo veo más como una forma de aprender cómo está hecho algo que de copiarlo tal cual. Y antes de analizar nada conviene mirar qué permiten su licencia y sus términos. github.com/morluto/rea

Anthropic acaba de reservar una parte de su propia empresa para el bien público, y lo ha montado para que esa parte crezca con la compañía. Han creado el Anthropic Public Benefit Fund, una LLC 100% propiedad de Anthropic: • Arranca con el 5% de las acciones (pendiente de aprobación de los accionistas). • Por cada aumento del 50% del valor de la empresa sobre una base fijada, el consejo puede añadir hasta un 2% más. • Sumado a lo que ya habían comprometido los cofundadores (donar el 80% de su equity) y al programa de donaciones de empleados, en el que participa aproximadamente la mitad de la plantilla, queda en torno al 20% de las acciones dedicado al bien público. • Las acciones del fondo no se usarán para lobby ni donaciones políticas, ni en EE. UU. ni fuera. Lo han hecho como LLC y no como fundación clásica para poder moverse entre distintas formas de donar: hablan de grandes donaciones a ONG o incluso de repartos directos a colectivos concretos. Uno de los ejemplos que ponen es el impacto de la IA en el empleo. Ya tenían 200 millones de dólares comprometidos para estudiarlo y abordarlo, y reconocen que puede hacer falta ir más lejos. Lo más llamativo para mí es la comparación que hacen ellos mismos: muchas tecnológicas dan bonus que crecen con la valoración a sus directivos, y aquí ese equity creciente va a un fondo para el bien público. Aún falta la letra pequeña: la estructura, la gobernanza y los umbrales de valoración los publicarán en los próximos meses. Buena señal, pero habrá que ver cómo se ejecuta. xitter.cf/AnthropicAI/status/211…

Si tus agentes de código pasan por Vercel AI Gateway, ahora puedes ver cuánto cuesta cada conversación. Vercel ha añadido a los logs una vista de sesiones. Agrupa las peticiones por conversación y en cada una muestra qué agente o app la ejecutó (Claude Code, Codex o Cursor, por ejemplo), el coste, los modelos, los proveedores y cuánto del input salió de caché. Si abres una sesión, ves la tasa de acierto de caché, la duración y el recorrido turno a turno, con el modelo y los tiempos de cada uno. La pieza técnica es la afinidad de sesión: cada turno va al mismo proveedor que sirvió el anterior, que ya tiene la mayor parte del prompt en caché. Viene activada por defecto en peticiones de texto y chat, y también puedes agrupar tú las peticiones enviando el mismo sessionId (o la cabecera x-session-id) en toda la conversación. Saber cuánto gastas al mes en agentes sirve de poco si no ves qué conversación se llevó el presupuesto ni si la caché está haciendo su trabajo. Esta vista apunta justo a eso. xitter.cf/vercel_dev/status/2111…

Así ha sido la carrera de la IA desde 2023: el mejor modelo de cada laboratorio según el Índice de Capacidades de Epoch AI, que combina muchos benchmarks en una sola nota. En octubre de 2026 arriba están Claude Opus 5.5 (166,8), GPT-6 Astra (166,4) y Gemini 4 Argon (164,6), separados por menos de lo que el propio índice puede distinguir. Lo que más me llama la atención es el bloque chino: Kimi, Qwen, GLM y DeepSeek ya van pegados a Meta y xAI. Datos: epoch.ai/benchmarks

DeepSeek llama a esto una "actualización menor". Los números dicen otra cosa. DeepSeek-V4.1-Flash-1017: - Pesos abiertos en Hugging Face, con licencia MIT. - Ventana de contexto de 1M tokens. - Ya disponible en su web, su app y su API. - Según DeepSeek, mejora en benchmarks, termina las tareas más rápido y da respuestas más cortas que la versión anterior. Más rendimiento por menos coste. Las cifras que publican (ojo, son suyas): - DeepSWE v1.1: 77,0, por delante de Claude Opus 5 (74,0) y GPT-5.6 Sol (73,0). - Terminal-Bench 4.0: pasa de 31,2 a 42,3 respecto a la versión anterior. - Donde no llega: Opus 5 sigue claramente por delante en HLE, Terminal-Bench, ProgramBench y NL2Repo. En su gráfica de coste por tarea en DeepSWE, ese 77% sale en torno a 0,20 $ por tarea y es el punto más alto de todo el gráfico. Pero lo que más me interesa como builder viene en el mismo anuncio: abren a todo el mundo sus APIs de Search y Fetch, con su propio buscador. Search te devuelve resultados estructurados, Fetch te trae una página en Markdown, y cada endpoint cuesta 0,75 $ por cada 1.000 llamadas. Y si usas la API de DeepSeek desde DeepSeek Harness, Claude Code o Codex, esas llamadas a Search y Fetch son gratis hasta el 31 de octubre. Modelo abierto, barato y con búsqueda web incluida. Para montar agentes sin atarte a un único proveedor, el panorama pinta cada vez mejor. xitter.cf/deepseek_ai/status/211…

Si trabajas con agentes de código, es probable que te suene: cuando el contexto se compacta a mitad de tarea, el agente puede empeorar. En BAIR proponen ABBEL. En lugar de resumir el historial sin más, el modelo mantiene un "estado de creencias" en lenguaje natural y se le recompensa si con ese estado puede reconstruir lo último que observó. En CollabBench pasa el 48% de los tests, frente al 46% sin esa recompensa y el 52% con el contexto completo. Según los autores, recupera aproximadamente la mitad de lo que se pierde al compactar, entrena en 50 pasos en vez de 100 y usa menos de la mitad de tokens de pico que el contexto completo. bair.berkeley.edu/blog/2026/… Paper: arxiv.org/abs/2512.20111

Si quieres seguir de cerca a quienes están detrás de estos 10 repos, estas son sus cuentas en X 👇 1. claude-plugins-official → @AnthropicAI 2. scientific-agent-skills → @k_dense_ai 3. ECC → @affaan 4. CLI-Anything → @huang_chao4969 5. context-mode → @mksglu y @contextmode 6. ruflo → @rUv 7. android/skills → @AndroidDev 8. superpowers → @obra 9. cursor/plugins → @cursor_ai 10. VoiceStudio → @idebpalash y @voicestudiosh Si te interesan la IA y las herramientas para developers, son buenas cuentas a las que seguir.

Un truquillo con #VoiceStudio si lo están probando a un idioma determinado y las voces que tiene no encajan con el acento nativo del idioma como esperas, puedes pasarle un fragmento de la voz nativa que quieres y clonar una referencia, el resultado es impresionante 😉

Los 10 repos más populares hoy en GitHub Trending. Nueve de diez son herramientas para agentes de IA 👇 1. anthropics/claude-plugins-official (40,9k ⭐) Directorio oficial de plugins para Claude Code, gestionado por Anthropic. github.com/anthropics/claude… 2. K-Dense-AI/scientific-agent-skills (51,7k ⭐) Librería de skills para convertir agentes en asistentes científicos: 177 skills y más de 100 bases de datos científicas. github.com/K-Dense-AI/scient… 3. affaan-m/ECC (281,7k ⭐) Sistema para optimizar harnesses de agentes: skills, memoria y seguridad para Claude Code, Codex, Cursor y otros. github.com/affaan-m/ECC 4. HKUDS/CLI-Anything (53,6k ⭐) Para que cualquier software sea "agent-native" a través de una CLI. github.com/HKUDS/CLI-Anythin… 5. mksglu/context-mode (30,3k ⭐) Optimiza la ventana de contexto de agentes de código: aísla la salida de las herramientas y guarda memoria de sesión. github.com/mksglu/context-mo… 6. ruvnet/ruflo (75,7k ⭐) Harness para desplegar enjambres de agentes y coordinar flujos autónomos. github.com/ruvnet/ruflo 7. android/skills (8,2k ⭐) Skills oficiales para que los agentes sigan las buenas prácticas de desarrollo Android. github.com/android/skills 8. obra/superpowers (300,8k ⭐) Framework de skills para agentes y metodología de desarrollo de software. github.com/obra/superpowers 9. cursor/plugins (12,1k ⭐) Especificación de plugins de Cursor y plugins oficiales. github.com/cursor/plugins 10. debpalash/VoiceStudio (71,7k ⭐) Alternativa open source y 100% local a ElevenLabs: clonación de voz, doblaje, transcripción y audiolibros. github.com/debpalash/VoiceSt… La tendencia está clara: ya no se compite solo por el modelo, sino por lo que le das al agente para que trabaje bien. ¿Cuál vas a probar primero? github.com/trending

La voz de tu app ya no tiene por qué salir de un catálogo: ahora se puede describir en un prompt. OpenAI acaba de ampliar las voces de GPT-Live-1 en la API, y lo interesante para quien construye es el prompt-to-voice: • Describes la voz en lenguaje natural: acento, edad, tono, timbre, textura, ritmo y cuánto carácter quieres que tenga. • La API te devuelve un id de voz guardado que reutilizas en cada sesión. • Crear la voz es gratis; pagas la sesión de GPT-Live cuando la usas. • Hasta 100 voces generadas por organización. • Y 9 voces preset nuevas, grabadas con actores nativos en francés, alemán, hindi, japonés y coreano. En la demo crean tres personajes en un par de minutos: una asistente de compras entusiasta, una tutora paciente para una app educativa y un personaje de videojuego sarcástico. Mismo modelo, tres productos con personalidades muy distintas. La letra pequeña que conviene leer antes de lanzarse: • Las voces creadas por prompt solo funcionan con GPT-Live, no con Text to Speech, Realtime ni Chat Completions. • La voz se fija al crear la sesión; para cambiarla hay que abrir otra. • En la lista de presets de la API todavía no hay ninguna voz en español. • No se permite imitar a personas reales ni crear voces infantiles, y hay que avisar de que la voz es sintética. Lo que más curiosidad me da es cómo responde cuando le describes un acento en español, porque los presets nuevos todavía no lo cubren. Alguien ya lo ha probado? xitter.cf/OpenAIDevs/status/2111…

Cuatro agentes de IA se han pasado Minecraft solos. Sin humanos, sin roles asignados y sin lógica de juego escrita por humanos. Google DeepMind metió 4 agentes Gemini 4 Argon en un mundo de supervivencia aleatorio con un único objetivo: matar al Ender Dragon. Los números: • 27 horas y 14 minutos • 2.783 programas escritos y depurados por ellos mismos • 605 muertes por el camino • Coordinación solo por el chat del juego y una memoria compartida Lo interesante para un ingeniero no es Minecraft. Es lo que hay debajo: 1. Tareas de horizonte largo. Mantener un plan coherente durante más de un día, con miles de pasos que dependen unos de otros. Justo donde hoy se rompen los agentes en un repo real. 2. Especialización emergente. Nadie les dijo quién hacía qué. Se repartieron el trabajo, compartieron lo que aprendían y recuperaban los objetos de los compañeros caídos. 3. El agente no juega, programa. Cada acción es código que escribe, ejecuta, ve fallar y corrige. El mismo bucle que usamos al construir software con agentes. Ojo con el matiz: es una sola partida y en dificultad fácil. El propio paper dedica una parte a los límites del resultado. Pero el patrón está claro: el siguiente salto no es un modelo más listo contestando preguntas, es un equipo de agentes que aguanta horas trabajando sin que lo toques. El cuello de botella ya no es escribir código. Es diseñar bien la memoria, el reparto de tareas y cómo se coordinan los agentes entre sí. xitter.cf/GoogleDeepMind/status/…

Un modelo open-weight de 501B parámetros con licencia Apache 2.0. Sin letra pequeña. Reflection acaba de soltar Beam 1.0 y lo que más me interesa como builder no es el tamaño, es lo que hay alrededor: → MoE: 501B parámetros totales, pero solo ~23B activos por token. Coste de inferencia muy por debajo de lo que sugiere el número grande. → 1M de tokens de contexto. Repos enteros, documentación completa, historiales largos de un agente. → Pesos en BF16, FP8 y NVFP4, más un drafter para decodificación especulativa. Pensado para servirse en producción, no solo para un paper. → Apache 2.0, y además permiten explícitamente fine-tuning, cuantizar, mergear e incluso destilar sus outputs. Los números que publican (autorreportados, ojo): • SWE-bench Verified: 81,6% • Terminal Bench v2.1: 80,1% • MCP Atlas: 80,8% • GPQA Diamond: 90,6% Y dicen que llega a una calidad comparable a otros modelos abiertos punteros con unas 3x menos tokens de razonamiento. Por qué me importa: lo que más pesa al construir producto con LLMs no es el benchmark, es el coste por tarea y la dependencia de un único proveedor. Un modelo abierto, enfocado a agentes, código y tool calling vía MCP, que razona con menos tokens, ataca justo esas dos cosas. Nadie va a correr esto en su portátil. Pero si en unas semanas aparece en varios proveedores de inferencia a buen precio, se convierte en una alternativa real para los pipelines agénticos que hoy pagas a precio de modelo cerrado. Lo voy a meter en mis evals antes de creerme ninguna tabla. Pero la tendencia está clara: lo abierto ya no va un año por detrás. @reflection_ai xitter.cf/reflection_ai/status/2…

Muse Wonder (Meta Superintelligence Labs) ya está en Cursor. 46.1% en CursorBench a esfuerzo default — el mejor resultado de la familia Muse hasta ahora. Precio: $4/M input, $20/M output. Otro modelo frontier en el selector. El bench ayuda a filtrar; lo que importa es cómo se comporta en refactors multiarchivo y en agentes largos de verdad En cuanto lo pruebe ya les contare que tal lo veo. Si ya lo probaste deja tu experiencia abajo👇🏻