13 de septiembre de 2026: evaluadores, benchmarks privados y agentes gestionados

Los lanzamientos de hoy hacen que el modelo parezca menos el producto completo y más el componente que debe gobernarse, medirse y operarse. Anthropic ofrece a evaluadores externos un asiento dentro del laboratorio, un benchmark de código privado prueba agentes con trabajo que los rankings públicos no pueden ver y OpenAI vende su harness de agentes como infraestructura. La pregunta que conecta todo ya no es solo qué puede hacer un modelo, sino quién controla la evidencia, la ejecución y la recuperación que lo rodean.

Principales novedades

1. Anthropic ofrece a evaluadores externos un asiento permanente dentro del laboratorio

La propuesta de tres etapas de Dario Amodei comienza con un compromiso inmediato de Anthropic: evaluadores independientes seleccionados recibirían un acceso similar al de los empleados, con escritorios, credenciales, portátiles y contacto directo con los investigadores, aunque conservarían la posibilidad de publicar. También pide estándares de seguridad compartidos para la industria, una exención antimonopolio para coordinarlos y acuerdos internacionales que marquen el ritmo del desarrollo de frontera. Según AP, Sam Altman, de OpenAI, dijo que su empresa seguiría el compromiso con los evaluadores, pero ninguno de los dos laboratorios ha publicado reglas de selección, condiciones de acceso, facultades para tachar o retener partes de los informes, o una fecha de inicio. Por tanto, la propuesta importa menos como prueba de que la supervisión funciona que como una promesa comprobable de trasladar la verificación al ciclo de desarrollo. Las cronologías de capacidad y catástrofe de Amodei siguen siendo pronósticos, no hechos establecidos.

Vigilar: los primeros evaluadores identificados, sus derechos de publicación, los conflictos de intereses declarados y si los informes aparecen antes de las decisiones de despliegue, en vez de después.

Fuentes: la propuesta completa y el compromiso de Anthropic de Amodei, el informe independiente de AP y la respuesta de Altman, el debate de profesionales del mismo día

2. Real-SWE lleva la evaluación de agentes de programación detrás de los cortafuegos corporativos

El benchmark Real-SWE de Specific sustituye los repositorios públicos de issues por trabajo de ingeniería terminado de bases de código privadas con licencia: facturación, impuestos, migraciones y otras tareas de producción. Su primera versión solo cubre 10 tareas, pero ejecuta cada combinación de modelo y harness ocho veces, para 640 rollouts puntuados. El líder comunicado, Fable 5.1 con Claude Code, resolvió el 38,8%; GPT-6 Astra con Codex CLI alcanzó el 33,8% y Gemini 3.8 Flash con Gemini CLI llegó al 31,2%. El código oculto reduce la contaminación de entrenamiento más evidente y hace que el trabajo se parezca más al mantenimiento empresarial. También limita la reproducibilidad, mientras que emparejar cada modelo con un harness distinto impide comparaciones limpias que aíslen al modelo. El resultado útil es el diseño del benchmark, no un ganador duradero a partir de una muestra de diez tareas.

Vigilar: más bases de código donadas, intervalos de confianza por tarea, pruebas repetidas con harnesses compartidos y las reglas que determinen si los proveedores cerrados conservan los datos de evaluación privados.

Fuentes: el benchmark, las puntuaciones y la metodología de Specific, el análisis de Hacker News el día del lanzamiento, el debate de LocalLLaMA sobre privacidad y reproducibilidad

3. OpenAI convierte su harness de agentes en un plano de control gestionado

Agents API de OpenAI ofrece el harness de Codex en beta pública para sesiones que pueden durar horas o días, con gestión del contexto, herramientas, orquestación multiagente y un sandbox alojado por OpenAI. Los desarrolladores también pueden ejecutar las herramientas en su propia infraestructura o mediante socios. La integración de Vercel muestra con claridad la división resultante: OpenAI mantiene el bucle y el estado de la sesión, mientras Vercel ejecuta la aplicación y el sandbox, y vuelve a conectar el trabajo mediante webhooks firmados y colas. Esto puede eliminar una cantidad sustancial de trabajo de orquestación, pero no externaliza los permisos de las herramientas, los límites de los datos, la política de recuperación ni la dependencia del proveedor. La API no añade una tarifa de servicio independiente; los tokens de modelo, las herramientas y los entornos alojados siguen teniendo sus costes normales. Las métricas de lanzamiento de OpenAI son testimonios seleccionados de clientes, no benchmarks independientes.

Vigilar: datos públicos de fiabilidad para sesiones de larga duración, fallos reanudables, auditorías de permisos, facturas de extremo a extremo y comparaciones equivalentes con harnesses autogestionados.

Fuentes: la arquitectura y las notas de precios de Agents API de OpenAI, el patrón de implementación de Vercel, el debate de desarrolladores independientes

Más señales

4. RubyGems separa una campaña de spam verificada de una atribución incierta a la IA

Ruby Central afirma que eliminó más de 500 paquetes maliciosos de una campaña de mayo, pero no puede confirmar la afirmación de los investigadores de que agentes de OpenAI los publicaran ni si tuvieron éxito los intentos de obtener claves de API. La configuración de RubyDoc de los paquetes podía ejecutar código durante las compilaciones de documentación. La lección práctica es independiente de la atribución: los registros necesitan límites de carga, aislamiento de compilaciones y respuesta ante anomalías incluso cuando se desconoce al operador.

Fuentes: los hallazgos verificados y las salvedades de Ruby Central, la revisión de Simon Willison sobre la atribución, el debate de seguridad de gran repercusión

5. Habitat de OpenAI convierte el almacenamiento limitado en una característica a escala de IA

OpenAI afirma que Habitat gestiona ahora más de 70 millones de solicitudes por segundo en unas 40 regiones y 500 petabytes, mediante una interfaz NoSQL deliberadamente limitada que delega las consultas complejas. Una reescritura en Rust asistida por Codex y realizada por dos ingenieros atiende ahora el 95% del tráfico de producción; las mediciones del proveedor aseguran una eficiencia de CPU seis veces mayor y de memoria quince veces mayor que en Python. La arquitectura resulta instructiva, pero no hay una distribución pública de latencias, una tasa de errores ni código que permita una comparación independiente.

Fuentes: la arquitectura de Habitat y las mediciones comunicadas por OpenAI, una lectura técnica independiente de la reescritura

6. AgentZip se ocupa de la memoria duplicada en los sandboxes de agentes

AgentZip comprime la memoria del sandbox usando plantillas compartidas y sandboxes vecinos, y después restaura por adelantado las páginas que probablemente se necesitarán. Sus autores informan de una compresión de 8,7× de la memoria propia del sandbox, frente a 2,1× con la compresión de Linux, y reducen la ralentización del modo agresivo de 3,1× a 1,40× mediante prefetching y trabajo programado mientras el modelo espera. El artículo es una evaluación no revisada por pares y ejecutada por sus autores; las implementaciones independientes deben comprobar si las mejoras sobreviven a cargas de trabajo y fallos reales.

Fuentes: el artículo de AgentZip y su configuración experimental, el resumen independiente que sitúa el resultado en la investigación de sistemas de la semana

7. GPT-5.3-Codex-Spark recibe un aviso de retirada sin mapa de migración

Thibault Sottiaux, responsable de producto de Codex, dice que GPT-5.3-Codex-Spark se retirará “la próxima semana” (traducción), citando un uso decreciente y mejores modelos. El aviso no incluía una fecha límite exacta, las superficies afectadas ni un sustituto designado, y la página oficial de desuso aún no había añadido una entrada cuando se revisó. Los equipos con flujos de trabajo fijados a Spark deberían inventariarlos ahora, pero no deben suponer que la disponibilidad de la API y la del producto terminarán a la vez.

Fuentes: el aviso directo de retirada de Sottiaux, el registro de Modelyard con la marca temporal del aviso, las preocupaciones de migración de la comunidad de Codex

Qué vigilar a continuación

La ventaja duradera se desplaza del acceso al modelo hacia el sistema operativo que lo rodea: evaluadores capaces de inspeccionar el trabajo antes del lanzamiento, pruebas privadas que se parecen a repositorios reales, una orquestación que pueda reanudar el trabajo de forma segura y una infraestructura que exponga sus límites reales. Las próximas divulgaciones útiles harán auditables esos controles: revisores identificados, métodos reproducibles para tareas privadas, distribuciones de fallos y costes, y plazos de migración lo bastante precisos para planificar.

Fuentes

1. Dario Amodei’s We Must Pace the Frontier essay
2. AP report on Anthropic’s evaluator commitment
3. Hacker News discussion of Amodei’s proposal
4. Specific’s Real-SWE benchmark and methodology
5. Hacker News discussion of Real-SWE
6. LocalLLaMA discussion of Real-SWE’s private tasks
7. OpenAI announcement of the Agents API public beta
8. Vercel’s Agents API deployment integration
9. Hacker News discussion of the Agents API
10. Ruby Central update on the May spam campaign
11. Simon Willison’s review of the RubyGems attribution
12. Hacker News discussion of the RubyGems investigation
13. OpenAI’s Habitat storage architecture report
14. Independent technical review of the Habitat rewrite
15. AgentZip paper on memory compression for agent sandboxes
16. Independent research roundup covering AgentZip
17. Codex product lead’s GPT-5.3-Codex-Spark retirement notice
18. Modelyard record of the Spark retirement notice
19. Codex community discussion of the Spark retirement