The Agent Watch
Briefing · Artículos · Herramientas · Acerca de EN FR DE ES 中文 IT PT SV FI DA

Briefing diario

5 de noviembre de 2026 · 5 historias

🔥 Lo destacado

1

Los pesos de Kimi K3.1 Pro ya están disponibles, y pasado los 20 millones de dólares hay que pagar

Por fin puede descargar Kimi K3.1 Pro: el primer trozo de pesos, 2,3 gigabytes, se descargó sin contraseña y sin crear cuenta. El modelo es enorme, con 2 800 millones de parámetros en total y solo 104 activos por palabra, y empata con los mejores trabajando en el ordenador. Pero la verdadera sorpresa está en la licencia. Puede usarlo, copiarlo, revenderlo e incluso entrenar sus propios modelos a partir de él. Salvo que, pasado los 20 millones de dólares de facturación en doce meses, debe firmar un contrato comercial aparte con el editor, y pasados los 100 millones de usuarios activos al mes, su nombre tiene que aparecer en pantalla. El uso interno, en cambio, sigue libre de condiciones. Es como una cafetera que puede copiar en todas las cocinas: a partir de cierto número de tazas al día, hay que llegar a un acuerdo con el fabricante. Fuente: el repositorio de Moonshot AI en Hugging Face.

2

Cinco personas y 32 millones de dólares: un modelo abierto supera a gigantes de 800 millones

Una empresa estadounidense de cinco personas publica un modelo cuyos pesos puede descargar cualquiera. Ripple-65B tiene 65 000 millones de parámetros, entrenado desde cero con 12 000 millones de palabras de texto y código. En la prueba de trabajo en línea de comandos, toma la delantera sobre modelos mucho mayores: 80,5 puntos, frente a 80,1 de un modelo de 501 000 millones y 76,4 de uno de 816 000 millones. Lo que más sorprende es que cabe en la memoria de una sola máquina de sobremesa. El editor dice que lo desarrolló y entrenó por 32 millones de dólares, cuando el mismo trabajo habría costado más de 100 millones hace tres años. Añade que lo consiguió con 70 veces menos intentos de entrenamiento. Es como un equipo de cinco personas que construye un avión de línea en un garaje mientras las aerolíneas compiten con sus propios talleres. Fuente: el repositorio de Ricursive en Hugging Face.

3

Un agente de OpenAI encontró y corrigió 948 fallos del núcleo de Linux en diez días

OpenAI describe una cadena de producción totalmente automática: localizar el código que toca la seguridad, reproducir el fallo, comprobar si permite tomar el control, escribir el parche y hacer que un investigador humano revise todo. Durante diez días de octubre de 2026, la máquina examinó 2 308 fallos posibles, reprodujo 1 724 y produjo 948 correcciones, cada una con su prueba de explotación. La factura de acceso a los modelos fue de 1,21 millones de dólares, unos 1 279 dólares por fallo corregido. Y las recompensas por buscar fallos de ese tipo se cuentan por decenas de miles de dólares cada una. El modelo empleado aún no es público. En la práctica, esto afecta al propio servidor donde vive esta web. Es como un equipo de cerrajeros robots que prueba todas las cerraduras de un edificio, anota las que ceden y fabrica una llave nueva. Fuente: la publicación de investigación de OpenAI.

4

Anthropic compra su primer contenido: resultados de Associated Press dentro de Claude

La noche de las elecciones estadounidenses, Claude mostraba resultados «proporcionados y atribuidos a la Associated Press». Es la primera vez que Anthropic paga a un medio digital por el derecho a usar su contenido. Ni el precio, ni la duración, ni el alcance son públicos: nadie sabe si el acuerdo cubre todo el catálogo o solo los resultados electorales. El periódico cambia de bando después de defender durante mucho tiempo que reutilizar contenido en línea pertenecía al dominio público. Le quedan unas semanas para su salida a bolsa, y acaba de firmar. Es como un presentador de televisión que compra sus datos al periódico en vez de ir a copiarlos él mismo. Fuente: una investigación de Adweek, retomada por The Verge.

5

Pekín bloquea la compra de ABB por SoftBank: los datos de los robots se vuelven asunto de Estado

Pekín ha prohibido a SoftBank comprar la división de robótica del suizo ABB, una operación de 5 400 millones de dólares que habría convertido al japonés en un actor de peso en la inteligencia artificial física. El motivo es nuevo: los datos de uso de los robots de ABB, si salieran del país, podrían servir para entrenar modelos, incluidos los de OpenAI, de la que SoftBank es inversor. Es la primera vez que se rechaza una operación invocando de forma explícita la protección de datos de entrenamiento. Ni SoftBank, ni ABB, ni las autoridades chinas quisieron comentar. Es como si se rechazara la venta de una granja de robots a un país vecino por miedo a que el uso de esas máquinas entrenara su inteligencia artificial. Fuente: una investigación del Financial Times, relatada por Reuters.

📡 A vigilar

La marca de agua de Claude se esquiva cambiando un ajuste

Anthropic está añadiendo su marca de agua invisible en el texto a los modelos Claude más antiguos, antes del plazo de diciembre de la normativa europea sobre inteligencia artificial. En algunos modelos la marca solo aparece si los ajustes de generación se mantienen en sus valores por defecto: cambia la temperatura, o top_p, o top_k, aunque sea un poco, y desaparece. Anthropic avisa a los clientes que dependan de ella para cumplir la norma que no toquen esos ajustes. La empresa dice que la marca está dentro del modelo, así que se aplica en todas las plataformas y los clientes no pueden desactivarla. Fuente: The Decoder.

OpenAI compra Pierre para que Git siga el ritmo a los agentes de código

OpenAI adquiere Pierre Computer, la empresa detrás de Code Storage y varias herramientas de desarrollo libres. Las bibliotecas de Pierre ya hacen funcionar el agente de código Codex: Trees recorre deprisa los archivos de un proyecto, Diffs muestra qué cambió y deja corregir una línea justo donde se ve el problema, Highlights colorea el código mientras escribes o mientras un agente escribe. OpenAI dice que la adquisición sirve para que Git funcione cuando personas y agentes escriben código en paralelo. Los proyectos libres seguirán libres, y la operación aún espera la aprobación de las autoridades. Fuente: el anuncio de OpenAI.

Un examen público dice dónde se atascan los agentes en la nube

CloudOpsBench es un nuevo examen libre que mide cómo manejan los agentes las tareas administrativas habituales en la nube de Amazon: reparar un servicio, retirar un recurso, restringir un derecho de acceso, desplegar una actualización. La versión 1.0 cuenta 45 tareas reales, construidas por ingenieros de operaciones con experiencia. El mejor modelo, Claude Fable 5.1, resuelve el 60 por ciento y GPT-6 Astra el 53. Alrededor del 80 por ciento de los fallos viene de estimar mal el alcance de la tarea, de un servicio sin comprobar o de detenerse demasiado pronto, y cerca del 20 por ciento son acciones equivocadas, algunas con efectos duraderos en la infraestructura. Fuente: el proyecto CloudOpsBench.

Uber: cuatro viajes reservados por agentes, de 320 millones

Uber dijo en la presentación de resultados que, en su semana más cargada del trimestre, la semana de Halloween, solo cuatro viajes y quinientas comandas de comida se hicieron a través de un agente, sobre unos 320 millones de viajes y pedidos en total. El director general hablaba de una penetración «muy, muy temprana y muy limitada». Una razón probable: la aplicación de Uber ya reserva un viaje en cincuenta segundos y repite un plato favorito en noventa segundos. DoorDash informó de apenas unos cientos de pedidos de agentes. La web agéntica sigue siendo minúscula. Fuente: TechCrunch.

📊 Tendencia

Un hilo recorre las noticias del día: las preguntas ya no son técnicas, sino contractuales. Moonshot fija el umbral a partir del cual hay que firmar. Anthropic paga a un periódico por el derecho a citarlo. Un gobierno rechaza una venta porque los datos de un robot podrían entrenar un modelo. Y OpenAI pone cifra a la seguridad: 1 279 dólares por fallo corregido, cuando las recompensas por ese tipo de problemas son diez veces mayores. En paralelo, el agente pasa de ser promesa a servicio del día a día: un modelo que lee dentro de la nube, una herramienta de código que se prepara para la revisión, una plataforma que cuenta los viajes reservados por agentes. La batalla se desplaza a los contratos, las facturas y las garantías, y ahí se decidirá.