La ortogonalidad significa que no hay solapamiento lineal
Comprueba la ortogonalidad con productos escalares, interpreta un ángulo recto y una proyección cero, y evita confundir el producto interno cero con la independencia en NumPy.
Explora la publicación
Archivo de artículos
Busca por idea o limita la colección por sección editorial y categoría.
124 artículos
Ángulos y similitud del coseno
Calcula ángulos y similitud del coseno a partir de coordenadas vectoriales, normaliza embeddings de forma responsable y gestiona los vectores nulos en código de recuperación.
La distancia depende de la geometría elegida
Deriva la distancia a partir de una norma, compara una pequeña búsqueda de vecinos más cercanos bajo L1, L2 y L-infinito, y depura las decisiones métricas en sistemas de IA.
Los productos punto convierten características en puntuaciones
Desarrolla un producto punto para ver las contribuciones de las características, construye la puntuación de un clasificador lineal y depura errores sobre el orden y las probabilidades con NumPy.
Los productos internos miden la alineación en la atención
Calcula un producto escalar, interpreta geométricamente su signo y magnitud, y observa cómo las puntuaciones consulta-clave se convierten en pesos de atención.
L1, L2 y L-infinito entienden el tamaño de forma distinta
Compara el tamaño de los vectores según L1, L2 y L-infinito, observa cómo cambian sus bolas unidad y distingue las penalizaciones de parámetros de los presupuestos de robustez de entrada.
Las normas vectoriales miden el tamaño, no el significado
Calcula las normas vectoriales L1, L2 y L-infinity, comprueba sus reglas definitorias y descubre qué puede y qué no puede revelar la magnitud de un embedding.
Álgebra lineal en una red neuronal pequeña
Sigue cada forma, sesgo, activación y cambio de rango en una red de dos capas mediante un ejemplo con NumPy y un explorador interactivo.
Los espacios afines explican el sesgo y las fronteras de decisión
Observa cómo una traslación desplaza una recta sin cambiar su dirección y por qué el sesgo de una capa neuronal puede alejar del origen la frontera de un clasificador.
El núcleo y la imagen muestran qué pierde y qué alcanza una capa lineal
Usa el núcleo y la imagen de una matriz para identificar las direcciones de entrada descartadas, las salidas alcanzables y los límites de rango de una proyección aprendida.
Las matrices representan aplicaciones lineales
Descubre por qué los vectores de la base transformados se convierten en columnas de una matriz, cómo reconstruir una aplicación a partir de las respuestas de la base y cómo evitar errores entre filas y columnas en los pesos de un modelo.
Las aplicaciones lineales conservan las combinaciones que necesitan los modelos de IA
Comprueba si una transformación conserva las sumas y los escalados, identifica sus espacios de entrada y salida y distingue una capa neuronal de su activación.
El rango de una matriz cuenta la información independiente en las características de IA
Calcula el rango de una matriz mediante pivotes o características, relaciona las perspectivas de filas y columnas, y usa valores singulares para detectar datos redundantes.
La dimensión cuenta direcciones independientes
Distingue el número de coordenadas de los embeddings del número de muestras y aprende por qué la forma de una matriz no revela cuántas direcciones independientes abarcan sus vectores.
Una base da a los vectores de IA un sistema de coordenadas reversible
Comprueba si unos vectores forman una base, calcula coordenadas en un nuevo marco y observa cómo un modelo lineal mantiene la misma puntuación tras un cambio coordinado.
Span: las predicciones que puede alcanzar un modelo lineal
Usa el span de vectores para identificar todas las predicciones que un modelo lineal puede producir a partir de sus columnas de características y detectar un objetivo que estas no pueden expresar.
La independencia lineal elimina redundancias en las características de IA
Usa una ecuación de coeficientes para detectar direcciones de características duplicadas, comprobar a mano la independencia lineal y revisar una matriz de características con NumPy.
Subespacios para IA: poner a prueba familias de características restringidas
Aprende la prueba de subespacio, demuestra que un plano es cerrado bajo operaciones vectoriales y usa NumPy para examinar direcciones de representación de menor dimensión.
Espacios vectoriales: comprueba si las representaciones de IA cumplen las reglas
Comprueba el vector cero y la clausura bajo suma y multiplicación escalar; después, usa embeddings normalizados como contraejemplo para distinguir un conjunto útil de representaciones de un espacio vectorial.
Grupos, anillos y cuerpos: por qué las operaciones de IA necesitan reglas
Descubre cómo la clausura, los inversos y la distributividad determinan qué operaciones tensoriales son válidas y comprueba las ideas con NumPy.
Resolución numérica para IA: usa solve sin inversas explícitas
Resuelve sistemas de recuperación de parámetros de IA con NumPy y usa después residuos, números de condición y comprobaciones de singularidad para juzgar si la respuesta es fiable.
La forma escalonada por filas revela características de IA redundantes
Usa pivotes, variables libres y la forma escalonada por filas para diagnosticar características redundantes y parámetros no únicos en una matriz de diseño pequeña.
La eliminación de Gauss conserva el conjunto de soluciones
Recupera parámetros de un modelo a partir de un sistema con pivote cero y después implementa operaciones de fila seguras y comprobaciones de residuos en NumPy.
Transformaciones identidad e inversa: deshacer un mapa de características
Usa matrices identidad y una inversa pequeña para deshacer una transformación de características 2D, detectar casos inseguros y entender por qué solve es preferible a la inversión explícita.
Transpuesta para IA: reorientar las relaciones entre tokens y características
Transponer una matriz, predecir su forma y cambiar con seguridad entre las vistas token por característica y característica por token sin perder de vista los valores subyacentes.
Productos matriz-matriz para IA: componer transformaciones y lotes
Comprueba las formas de las matrices, calcula un producto de matrices pequeño y lee la misma contracción como una aplicación compuesta o como un cálculo por lotes de una capa densa.
Productos matriz-vector para IA: dos perspectivas de un cálculo de capa densa
Calcula una matriz por un vector mediante filas y columnas, implementa ambas perspectivas en NumPy y depura errores de forma y operador en capas densas.
15 de septiembre de 2026: reglas para modelos, agentes asesores y medidas contra los deepfakes
Los controles de IA entraron en las reglas de los modelos, los flujos de trabajo regulados y la incautación de dominios, mientras que el acceso y la supervisión se convirtieron en problemas prácticos de diseño.
Matrices para IA: leer filas, columnas y formas de redes neuronales
Aprende a leer dimensiones y elementos de matrices, relacionar filas y columnas con las funciones de una capa densa y detectar errores de forma o indexación en NumPy.
14 de septiembre de 2026: inferencia desde SSD, resistencia política y agentes de programación emparejados
Colibri transmite DeepSeek V4.1 Flash desde SSD, los líderes estadounidenses se oponen a frenar la IA y Cognition empareja modelos de programación de frontera con otros más baratos.
Combinaciones lineales para IA: cómo los vectores ponderados construyen una nueva representación
Escala y combina vectores, inspecciona cada coordenada con NumPy y descubre por qué las salidas de atención son un tipo especial de representación ponderada.
13 de septiembre de 2026: evaluadores, benchmarks privados y agentes gestionados
Anthropic abre su laboratorio a evaluadores externos, Real-SWE prueba agentes con código privado y OpenAI convierte su Codex harness en una API.
Multiplicación escalar para IA: aumenta, reduce o invierte un vector
Escala vectores coordenada a coordenada, predice dirección y magnitud, y conecta la misma operación con embeddings, tasas de aprendizaje y NumPy.
12 de septiembre de 2026: matemáticos desafían la IA ante benchmarks de coste de agentes
Los matemáticos cuestionan las carreras de demostraciones, las estadísticas británicas rastrean una contribución al PIB vinculada a la IA y las pruebas emparejadas cuestionan el ahorro de tokens de los agentes.
Suma de vectores para la IA: cómo las actualizaciones residuales combinan señales
Aprende a sumar vectores componente a componente, explora su geometría de paralelogramo y detecta errores de forma, broadcasting y alineación de características en NumPy.
11 de septiembre de 2026: DeepSeek reduce la caché mientras California regula a los auditores de IA
DeepSeek reescribe la memoria de inferencia, Anthropic cartografía el uso indebido agéntico y California empieza a definir quién puede verificar afirmaciones de seguridad de IA.
Vectores como datos de IA: cómo las características convierten un documento en números
Aprende a leer vectores fila y columna, a construir a mano y con NumPy un vector de características de un documento y a detectar errores de forma o de orden de características.
9 de septiembre de 2026: Navier–Stokes, Muse y nueve mil millones de variantes de ADN
Las pruebas generadas por IA, los agentes personales con límites y un atlas genómico consultable muestran cómo la capacidad entra en artefactos que las personas pueden inspeccionar y utilizar.
Ninguna solución, una solución o muchas soluciones
Aprende a clasificar sistemas lineales de dos variables, relaciona cada cantidad de soluciones con la identificabilidad de los parámetros y trata datos contradictorios o repetidos.
8 de septiembre de 2026: MiniCPM abre su receta mientras se endurece el control de la IA
Un modelo abierto compacto, un mapa de la cadena de suministro británica y unos flujos de trabajo de agentes más estrictos dan a los profesionales más partes del sistema que inspeccionar.
Dos observaciones, un par de parámetros: sistemas de ecuaciones para IA
Interpreta un sistema como restricciones simultáneas, clasifica las intersecciones de dos rectas y recupera el peso y el sesgo de un modelo afín a partir de dos observaciones.
7 de septiembre de 2026: agentes de investigación, reglas de campaña y una construcción de un gigavatio
La afirmación de OpenAI sobre 3,1 jornadas de agentes se enfrenta a la dirección humana; la aplicación de las reglas de campaña y el campus de IA de 1 GW previsto en Hyderabad exponen límites más allá del modelo.
Ecuaciones lineales para la IA: convierte una fórmula en una recta geométrica
Aprende cómo una ecuación lineal de dos variables se convierte en una recta, prueba sus puntos, trata los casos verticales y lee una curva de nivel del puntaje de un clasificador lineal.
6 de septiembre de 2026: Astra abandona el escenario del lanzamiento y entra en la brecha de evidencia
Pruebas externas, usos reales, monitorización y ciberseguridad muestran qué puede demostrar Astra y qué deben medir los equipos que despliegan agentes.
Leer derivaciones de IA: detecta la primera línea que falla
Aprende a leer derivaciones matemáticas línea por línea, revelar supuestos ocultos y depurar con NumPy una identidad falsa del error cuadrático medio.
5 de septiembre de 2026: los sistemas de IA se encuentran con pruebas, sondas y fallos en los límites
Informe con fuentes sobre la filtración de coordinación de agentes, un artefacto matemático verificado por máquina, auditoría de vehículos autónomos, hardware de IA local, enrutamiento de modelos, abuso de Unicode y evaluación de circuitos.
Ecuaciones para la IA: una predicción puede ajustarse a muchos pares de parámetros
Aprende a leer las ecuaciones como restricciones, describir conjuntos de soluciones de una y dos variables, conservarlos de forma segura y probar parámetros de modelos en NumPy.
3 de septiembre de 2026: los sistemas que rodean a la IA deciden el coste, el acceso y el control
Un informe con fuentes sobre nuevos modelos de Google y Meta, remediación cibernética, deepfakes electorales, PC en la nube, controles de datos, fuentes de recomendación, modelos espaciales y política de IA escolar.
Logaritmos para IA: evita que desaparezcan los productos de probabilidad diminutos
Aprende los logaritmos como potencias inversas, deriva las leyes que convierten productos en sumas y usa puntuaciones logarítmicas de NumPy para distinguir productos de probabilidad que float64 redondea a cero.
2 de septiembre de 2026: los límites de lanzamiento de la IA ya son parte del producto
Un resumen con fuentes sobre las salvaguardas cibernéticas de Astra, las pausas de entrenamiento de Anthropic, nuevos modelos, infraestructura, supervisión europea e interfaces generativas.
Potencias para la IA: por qué duplicar el contexto puede cuadruplicar el trabajo de atención
Aprende las leyes de los exponentes y las raíces, y usa un explorador en escala logarítmica y NumPy para ver por qué duplicar las dimensiones del modelo o el contexto puede crear cuatro veces más cantidades.
El informe de IA de Google Search Console es global. Primero crea la línea base de medición
Google ya informa de impresiones de IA generativa en todo el mundo. Usa esta hoja de trabajo campo por campo para medir la visibilidad sin confundirla con el tráfico.
1 de septiembre de 2026: la IA entra en la capa de confianza y transacciones
Un resumen con fuentes sobre los anuncios de ChatGPT, la seguridad de Claude, el litigio por el entrenamiento musical, los modelos de previsión y los controles que dan forma a la adopción práctica de la IA.
Notación sigma para IA: cómo las pérdidas se convierten en un único objetivo de entrenamiento
Aprende la notación de sumas y productos, expande los límites en bucles y usa sumas y medias de NumPy para convertir errores por ejemplo en un objetivo de error cuadrático medio.
La factura de la reproducibilidad: 918 artículos de IA cartografían el coste de los artefactos ausentes
Un estudio de 918 artículos cartografía el coste de reproducir la investigación en IA. Usa sus hallazgos para presupuestar código, datos, cómputo y tiempo de revisión.
ROC-AUC de 0,97, precisión del 9 %: la matemática de la tasa base
Trabaja con un detector con un 1 % de positivos, convierte los umbrales en puntos ROC y de precisión-recall, y elige un punto operativo para un presupuesto de revisión de 30 alertas.
Índices de tensores para IA: lectura de muestras, tokens y características
Aprende a leer subíndices de tensores, traducir direcciones lote-token-característica a NumPy y detectar errores de ejes que parecen válidos en código de IA.
OpenAI planea abandonar Cursor el 12 de noviembre: ensaya ya la salida del proveedor
OpenAI propone poner fin al acceso a sus modelos en Cursor el 12 de noviembre. Usa esta matriz de tareas fijas y el ensayo a 30/14/7 días para probar alternativas y conservar la reversión.
30 de agosto de 2026: la IA está desplazando la frontera de confianza
Un resumen con fuentes sobre la seguridad de los IDE agénticos, la distribución regional de modelos, el conocimiento con licencia y la evidencia necesaria para confiar en los sistemas de IA en la práctica.
Notación de conjuntos para datasets de IA: pertenencia, particiones y filtraciones
Aprende conjuntos, pertenencia, unión, intersección y particiones encontrando y corrigiendo solapamientos en una división de datos de entrenamiento, validación y prueba.
Escalado de temperatura y ECE: calibra la confianza del modelo paso a paso
Trabaja con softmax, ajusta una temperatura sobre seis predicciones, calcula el ECE y descubre por qué una mejor verosimilitud aún puede producir una peor puntuación de calibración agrupada.
Dominio y codominio: el contrato de entrada que necesita toda función de IA
Aprende cómo los dominios y codominios especifican las entradas válidas de un modelo y los tipos de salida prometidos, y diagnostica fallos de forma, rango y operaciones indefinidas.
Las funciones son máquinas reutilizables para los cálculos de IA
Pasa de las variables a las funciones: evalúa correspondencias entre entrada, regla y salida, combina cálculos sencillos y descubre por qué un modelo puede procesar muchos ejemplos.
Variables, valores y los tres roles dentro de un modelo de IA
Aprende a leer ecuaciones de modelos separando los nombres de las variables de sus valores actuales y siguiendo las entradas, los parámetros y las salidas mediante un pequeño modelo de puntuación.
Los resultados de IA en el dispositivo de Pipette son pruebas de despliegue, no clasificaciones de chips
Pipette publica resultados de latencia, rendimiento, memoria y calidad en muchas configuraciones, pero distintos teléfonos, entornos de ejecución y cuantizaciones no forman una clasificación única y limpia.
Kubernetes Inference Perf: compara el stack de serving, no solo el modelo
Kubernetes Inference Perf hace más coherentes las comparaciones entre servidores de modelos, pero sus resultados siguen dependiendo de los prompts, los patrones de carga, el número de tokens y los clústeres.
WorldCup Arena evita la filtración, pero su clasificación no es un veredicto
WorldCup Arena prueba las previsiones de los LLM antes de que existan los resultados, pero la puntuación cambia la clasificación y el archivo público no incluye todas las llamadas originales al modelo.
El Model Hardware Standard de Anthropic es una interfaz, no una certificación de seguridad
El Model Hardware Standard de Anthropic ofrece a los agentes una interfaz común para los dispositivos, pero los enclavamientos físicos, la identidad, la secuenciación, la observación y la recuperación siguen siendo controles externos.
29 de agosto de 2026: el despliegue de IA se está convirtiendo en un problema de control
Un resumen actualizado y con fuentes sobre alineamiento automatizado, seguridad de agentes, modelos abiertos, acceso a la nube, despliegue para consumidores y política de IA.
ChatGPT elevó las notas de los trabajos. El estudio de Bocconi no midió el aprendizaje
Un ensayo con 1.053 estudiantes encontró que ChatGPT mejoró las recomendaciones puntuadas, pero su métrica de originalidad era computacional y el estudio no midió el aprendizaje posterior.
La reducción del coste de Kiro del 82 % con GPT-5.6 Terra necesita un denominador mayor
OpenAI y AWS informan de que GPT-5.6 Terra completó tareas exitosas de Terminal-Bench en Kiro con un coste aproximadamente un 82 % menor, pero el trabajo en repositorios añade revisión y reparación.
OpenAI abre operaciones en Brasil: qué cambia para los desarrolladores
OpenAI ya tiene operaciones comerciales en São Paulo. Hay que separar el equipo local y los programas para desarrolladores de las afirmaciones de adopción, el acceso a productos y la residencia de datos.
El informe de riesgos de Anthropic de agosto es una divulgación, no un certificado de seguridad
Lea el Risk Report de Anthropic de agosto de 2026 separando su fecha de cobertura, las calificaciones de la empresa, los fallos divulgados, las redacciones y la revisión externa.
El plugin de administración de OpenAI acorta la ruta al cambio, no la cadena de permisos
El plugin de administración de OpenAI lleva las acciones del espacio de trabajo al chat, mientras que los roles, las capacidades habilitadas, las aprobaciones, el estado autoritativo y la reversión siguen siendo límites separados.
28 de agosto de 2026: los nuevos cuellos de botella de la IA son el cómputo, la memoria y la agencia controlada
La evidencia de hoy abarca una adquisición de un repositorio de modelos de la que se ha informado, acuerdos de capacidad de IA, pruebas de agentes físicos, incidentes cibernéticos, inversión en memoria y controles de privacidad.
Evaluaciones de agentes de Google ya disponibles; sus puntuaciones offline y en directo requieren versionado
Google ahora conecta las pruebas de agentes con los monitores de producción. Descubra qué versiones, muestras, evaluadores, trazas, costes y controles deben seguir visibles antes de comparar puntuaciones.
Visual Studio conecta modelos con facilidad. La fiabilidad de los agentes aún necesita pruebas
Visual Studio 18.10 Insiders puede conectar modelos locales y alojados al modo Agent, pero una prueba práctica muestra que la disponibilidad del endpoint no implica un trabajo de programación fiable.
ASI-Bench descubre que los agentes de IA tienen dificultades sin un procedimiento de investigación
ASI-Bench prueba agentes científicos mientras desaparece la orientación humana. Su mayor caída de puntuación revela un problema de construcción de procedimientos, no una prueba sobre la superinteligencia.
Thomson Reuters creó un modelo de IA jurídica. ¿Qué demuestra?
Thomson Reuters lanzó un modelo propietario para CoCounsel y pesos abiertos para una versión más pequeña. Esto es lo que los compradores pueden verificar y lo que sigue siendo una afirmación del proveedor.
27 de agosto de 2026: la infraestructura de IA se convierte en control de agentes
Diez avances actuales muestran que la IA pasa de los lanzamientos de modelos a las interfaces de voz, los robots industriales, los entornos aislados de agentes, las acciones empresariales y los sistemas de energía y trabajo que los rodean.
El benchmark del chip Jalapeño de OpenAI: qué muestran realmente las cifras
El chip de inferencia Jalapeño de OpenAI lidera sus pruebas publicadas, pero la latencia, la normalización de potencia, la disponibilidad y el ajuste a la carga de trabajo limitan la conclusión de compra.
Exclusión voluntaria del entrenamiento de IA de Amazon en Twitch: qué no elimina
Twitch ahora permite a los creadores rechazar parte del entrenamiento futuro de IA generativa de Amazon, pero el interruptor no promete borrar el historial ni muestra cómo se aplica aguas abajo.
Por qué Google DeepMind prueba agentes de IA en un EVE Online sin conexión
DeepMind inicia su investigación sobre agentes de EVE sin conexión. Así es como los mundos persistentes necesitan pruebas distintas para la memoria, la planificación, la recuperación y la seguridad.
La API Foundation Models de Apple oculta tres límites de confianza distintos
La API de sesión Swift común de Apple puede acceder a modelos en el dispositivo, Private Cloud Compute u otro proveedor, pero esas rutas difieren en privacidad, capacidad y disponibilidad.
El resultado del 100 % de AVO de NVIDIA en ARC-AGI-3 mide un arnés, no un modelo
AVO de NVIDIA superó el conjunto público de ARC-AGI-3, pero el benchmark no aísla la contribución del arnés ni prueba la generalización en tareas privadas.
Las retiradas de modelos de GitHub Copilot muestran por qué un modelo de respaldo es temporal
Seis modelos de Copilot se retiran el 1 de septiembre y uno de los reemplazos sugeridos lo hace nueve días después. El nombre del producto es más estable que su catálogo de modelos.
26 de agosto de 2026: los sistemas de IA avanzan hacia infraestructura propia, memoria y control
Doce novedades actuales muestran que la IA va más allá de los lanzamientos de modelos hacia silicio personalizado, contexto persistente para agentes, infraestructura centrada en agentes, límites de seguridad y efectos laborales medibles.
Google HEIR hace compilable la inferencia privada, pero no automáticamente práctica
El compilador HEIR de Google puede traducir varios modelos a computación cifrada, pero la expansión del texto cifrado, la memoria, la latencia y los cambios del modelo siguen siendo decisivos.
Sentence Transformers v6 facilita la interacción tardía, no la abarata
Sentence Transformers v6 añade recuperación multivectorial, mientras que sus propios resultados muestran una mejora media de calidad modesta junto con un coste de almacenamiento mucho mayor.
25 de agosto de 2026: la IA avanza hacia modelos especializados, flujos agénticos y autonomía en el borde
Doce novedades vinculadas a fuentes muestran que las empresas de IA especializan modelos, mueven capital y talento y dan a los agentes más acceso a sistemas jurídicos, empresariales, de desarrollo y orbitales.
Tres millones de modelos en Hugging Face hacen de la popularidad un mal criterio de selección
Hugging Face ha superado los tres millones de modelos, pero los likes y las descargas revelan atención, no adecuación de licencia, procedencia, coste de hardware o calidad para la tarea.
Un revisor humano que no puede revocar la decisión del modelo no es un control
La presencia de una persona en el flujo de trabajo no constituye una revisión significativa a menos que pueda ver pruebas contrarias, pausar la ruta automatizada, revocar esa decisión y corregir el resultado real.
Los scopes OAuth opcionales de Cloudflare hacen más limitado el consentimiento, no lo vuelven seguro automáticamente
Cloudflare permite ahora que los usuarios rechacen scopes OAuth opcionales para clientes de Wrangler y MCP, pero los permisos obligatorios, el manejo de tokens y el comportamiento de las herramientas siguen siendo riesgos separados.
El roadmap de MCP no es una versión ni una promesa de compatibilidad
MCP avanza a distintas velocidades en su especificación, extensiones, SDK y transportes. Una prioridad del roadmap no hace interoperables dos productos.
AI Gateway User Insights señala anomalías de gasto; no las detiene
Cloudflare AI Gateway User Insights detecta un coste de sesión inusual, pero la alerta no puede establecer la intención, atribuir cada solicitud ni contener la actividad.
Gemini 3.7 Flash duplica su precio, pero un razonamiento más alto aún puede costar menos
Los precios de Gemini 3.7 Flash subirán en enero de 2027, mientras que el nivel de razonamiento más barato sigue dependiendo de la aceptación, los reintentos, la latencia y el coste alternativo.
llama.cpp v0.2.0 hace promesas distintas en stable y nightly
llama.cpp ahora ofrece versiones semánticas junto a compilaciones nightly. Su primera etiqueta estable comparte código con una etiqueta de compilación, lo que muestra que los nombres de canal describen una política, no la calidad.
Los ASIC de 1.000 TOPS de Waymo impresionan, pero no son un benchmark
Waymo ha revelado más de 1.000 TOPS de computación de IA personalizada en el borde, pero no ha publicado la precisión, potencia, utilización, ancho de banda de memoria ni latencia medida.
24 de agosto de 2026: la infraestructura de IA se vuelve más medible, local y supervisada
Doce novedades con fuentes muestran que la IA avanza hacia servidores de herramientas protegidos, benchmarks repetibles de agentes, inferencia local eficiente, operaciones de datos, mundos físicos y dispositivos sensibles a la privacidad.
HarnessRisk muestra por qué una sola demostración de inyección de prompts no puede medir la seguridad de un agente
HarnessRisk informa de amplias diferencias de seguridad entre combinaciones de modelos y harnesses de agentes, y encuentra que la configuración es más vulnerable que las demás fases del ciclo de vida que probó.
La API Claude Skills ya está disponible: los prompts reutilizables son un riesgo de cadena de suministro
Claude Skills puede agrupar instrucciones, scripts y dependencias. La disponibilidad general hace más importantes las versiones inmutables y los límites del entorno de ejecución.
La evitación de estelas de IA de Google pasa a una prueba en el espacio aéreo
Operation Blue Skies probará si los cambios de altitud guiados por IA reducen las estelas que calientan la atmósfera sobre el concurrido espacio aéreo del Atlántico Norte, y no solo en vuelos seleccionados.
La transferencia de caché KV entre modelos es rápida y sorprendentemente específica de cada pareja
Investigadores de NVIDIA informan de una aceleración de 25× a nivel de componente para una asignación de caché KV, mientras que otras parejas de modelos perdieron gran parte de la exactitud de tarea del modelo objetivo.
23 de agosto de 2026: estándares de agentes, cambios de precios y responsabilidad de la IA
Diez novedades de IA con fuentes que abarcan protocolos de agentes, herramientas para desarrolladores, precios de modelos, trabajo, regulación e infraestructura informática.
Stripe compra OpenRouter y convierte el «enrutamiento neutral» en una afirmación comprobable
Stripe ha acordado adquirir OpenRouter. La elección de proveedores, los metadatos de ruta, los precios, la privacidad, el comportamiento de las alternativas y la portabilidad muestran qué puede significar la neutralidad y qué no.
Slack Code convierte a los agentes de programación en un equipo; GitHub aún necesita su propia puerta de merge
Slack Code hace visible para un equipo el trabajo de los agentes de programación, pero Slack no controla las combinaciones del repositorio, la integridad de CI, los artefactos ni el despliegue en producción.
La API V4 Flash Vision de DeepSeek es útil, pero sigue siendo experimental
DeepSeek ha añadido entradas de imagen a su línea de API rápida, pero la vista previa aún no demuestra un rendimiento fiable en capturas de pantalla, gráficos y documentos.
La sesión de depuración de 24 parches de Linus Torvalds muestra dónde ayudó la IA y dónde falló
Un asistente de IA ayudó a iterar mediante 24 parches de depuración y 18 arranques, pero insistió varias veces en que Linus Torvalds abandonara la investigación antes de que la evidencia encontrara el error.
22 de agosto de 2026: entornos de agentes, API multimodales y computación soberana
Doce novedades de IA con fuentes enlazadas sobre arquitectura de agentes, herramientas para desarrolladores, defensa cibernética, API multimodales, inferencia abierta y computación nacional.
El bajo precio por token de Grok 4.6 no lo convierte en el modelo más barato
Grok 4.6 combina un precio anunciado bajo con benchmarks publicados sólidos, pero los reintentos, las tareas fallidas, la latencia y los cargos de herramientas pueden invertir la ventaja aparente.
El compilador de Mojo es de código abierto: qué pueden cambiar realmente los desarrolladores
El compilador de Mojo ya puede construirse y modificarse desde el código fuente. AI News reprodujo la compilación, mientras que las licencias y la gobernanza de contribuciones siguen siendo límites distintos.
21 de agosto de 2026: seguridad de IA, permisos de agentes e inferencia local
Doce novedades conectan los ciberataques asistidos por IA, los agentes financieros, el contenido web sintético, los modelos locales, la regulación, la vigilancia y la investigación climática.
Pausa de seguridad de Astra de OpenAI: qué significa la estimación de monitorización del 20 %
OpenAI pausó el entrenamiento de frontera por las preocupaciones cibernéticas de Astra. Descubre qué se detuvo, cómo funciona su nueva monitorización y por qué la estimación del 20 % tiene un alcance limitado.
20 de agosto de 2026: infraestructura de IA, modelos abiertos y acceso más seguro para agentes
Doce desarrollos conectan hardware de inferencia más rápido, enrutamiento de modelos, privacidad empresarial, plataformas para desarrolladores, herramientas de IA local y política de infraestructuras.
AlphaEvolve redujo el exponente de la multiplicación de matrices, no tu factura de GPU
AlphaEvolve ayudó a reducir la mejor cota superior conocida del exponente de multiplicación de matrices. Descubre qué cambió, cómo se certificó y por qué no acelerará las GPU actuales.
Centro de datos de OpenAI en Ohio: 8 GW anunciados, 800 MW iniciales
El acuerdo del centro de datos de OpenAI en Ohio anuncia una ambición de 8 GW, mientras que su primera fase definida es de 800 MW y todavía depende de la electricidad, los permisos y la construcción.
Las marcas de agua de Claude no pueden asumir toda la carga de divulgación de la Ley de IA de la UE
Claude puede marcar algunos textos y archivos generados, pero esas señales demuestran el historial de procesamiento, no la autoría, la veracidad ni el cumplimiento completo del artículo 50.
La oferta de Google de $10 Million por los datos de Spirit: qué no resuelve la desidentificación
La oferta de datos de Spirit Airlines de Google abarca mensajes empresariales, código y operaciones. La desidentificación aborda la identidad personal, pero no resuelve por sí sola la confidencialidad ni el uso posterior.
19 de agosto de 2026: pausas de seguridad de IA, herramientas abiertas y agentes en el mundo real
Doce desarrollos conectan las salvaguardas de los modelos de frontera con la protección de adolescentes, las herramientas abiertas para desarrolladores, los chips especializados, los fallos operativos y las aplicaciones prácticas de la IA.
Inyección de scripts en GitHub Actions: qué demuestra realmente el caso de Snowflake
El texto de una incidencia no confiable se convirtió en código shell dentro del flujo de trabajo de GitHub Actions de Snowflake. La vía de inyección era convencional aunque un agente autónomo la encontrara y adaptara.
Qwen3.8-27B puede ejecutarse en 16GB, pero no ofrece la experiencia completa del modelo
Las cuantizaciones compactas de Qwen3.8-27B pueden ejecutarse en una GPU de 16GB, pero el contexto largo, la visión, la concurrencia y la memoria del runtime hacen que ese titular sea incompleto.
18 de agosto de 2026: la IA se extiende por la infraestructura, los negocios y la investigación
Diez desarrollos sobre infraestructura, datos, modelos locales, seguridad, investigación, economía y copyright muestran la rapidez con la que cambia el stack de IA.
De vectores a embeddings: la geometría que hay detrás de la similitud
Construye una comprensión intuitiva de los vectores, los productos escalares, la similitud coseno y por qué los embeddings convierten el significado en geometría.
Por qué las evaluaciones dan forma a los productos de IA que acabamos usando
Una mirada práctica a cómo las decisiones de evaluación influyen en las afirmaciones sobre modelos, las decisiones de producto y lo que los lectores deben revisar en los anuncios de IA.