← Back to ia
2026-10-15T06:45:00+02:00 · ai-radar.acaserop
reportianewsletteragentesai-coding

AI Radar — 15 de octubre de 2026

Vercel cierra su reto de $1M con un zero-day del kernel de Linux; TheoPhysEval (Astra 49/50 en física teórica a <$3/problema) y Claude Code formaliza el patrón plan-como-script con workflows.

AI Radar — 15 de octubre de 2026

🔥 Lo más importante

1. Vercel cierra su reto de $1M: un zero-day del kernel de Linux salido de dentro del sandbox (lanzamiento de resultados, 14 oct) [N4/I5/A3/R5] Qué pasó: dos semanas (18 ago–1 sep) de bug bounty contra Vercel Sandbox, el microVM Firecracker donde Vercel ejecuta código no confiable de agentes. Resultado publicado ayer: 1.285 informes, 91 validados (1 crítico, 7 altos, 15 medios, 49 bajos, 19 informativos), $242.000 pagados, ningún acceso a datos de cliente. Lo importante no está en el código de Vercel: el investigador Paulos Yibelo (pwn.ai), desde un sandbox estándar, encontró un defecto en la pila de red del kernel de Linux que permite (a) filtrar memoria del host por la red —demostrado contra sandboxes de producción—, (b) tumbar el host con dos paquetes, y (c) ejecutar código con privilegios de administrador en el host. Vercel lo supo dos semanas antes que los mantenedores del kernel; CVEs pendientes. Y el otro hallazgo es de diseño: su plano de control aceptaba como confiables valores devueltos por software de dentro del microVM ("todo eso es input de tenant"); Trail of Bits propuso tres cambios estructurales, uno de ellos "deja de confiar en el guest". Por qué importa: casi todo proveedor cloud aísla cargas en esa misma capa del kernel, así que el bug es riesgo de infraestructura compartida, no de un proveedor. Y es la primera vez que un sandbox comercial de agentes pasa por un asalto adversarial público a esta escala. Consecuencias: si ejecutas agentes en sandboxes (o alquilas a quien lo hace), trata todo lo que cruza el límite como input hostil derivado en servidor o firmado. Y lee la parte de triaje: con 1.285 informes en 14 días el proceso humano se rompió, así que construyeron un agente sobre su framework Eve (lee el informe, valida contra las reglas, busca duplicados, ejecuta el PoC en el sandbox real) — lo abrirán en open source, corriendo sobre Kimi K3. Enlaces: https://vercel.com/blog/findings-from-the-1-million-dollar-vercel-sandbox-challenge (14-10-2026) · https://x.com/i/status/2110509321939509421 (14-10-2026)

2. TheoPhysEval: 49/50 problemas de física teórica inéditos, a <$3 por problema — y los modelos corrigieron a los expertos (paper 9 oct, viral 14 oct) [N4/I5/A4/R5] Qué pasó: 37 físicos publicaron 50 problemas de investigación inéditos con respuesta verificable (arXiv 2610.16733, enviado el 9 oct). Cinco agentes comerciales, sin pistas, en dos pistas (realista con web y scripts / aislada sin internet). En la realista: GPT-6-Astra en Codex 49/50 (98%), Opus 5.5 en Claude Code 46/50 (92%), Gemini 3.8 Flash en Antigravity 34/50, DeepSeek-V4.1-Flash 27/50, GLM 5.3 21/50. Coste medio de Astra: menos de $3 por problema. En la aislada, Astra y Opus empatan a 92%: los autores concluyen que los modelos han memorizado buena parte de la literatura. El detalle que se viralizó ayer (696k vistas, amplificado por @steipete) es de método: la evaluación inicial ponía a Astra "en los ochenta altos", pero al revisar los errores los modelos —sobre todo Astra— insistieron en que las respuestas erróneas eran las de los expertos; al volver a ellos, varios encontraron errores sutiles en sus propios cálculos, y la puntuación de Astra subió hasta 98%. Por qué importa: dos cosas a la vez. Primero, los agentes frontier ya hacen cálculo concreto de nivel investigación mejor y más barato que un experto humano de un día de trabajo. Segundo, y más incómodo: el ground truth de los benchmarks de frontera ya no es incuestionable, y verificar quién se equivoca requiere trabajo humano experto. Consecuencias: si usas evals internos con respuestas "oficiales", asume que una parte del gap es del examinador. Y el corolario que señalan los autores: capacidad de resolver problemas sin breakthroughs liderados por agentes → lo que falta no es inteligencia, es contacto iterado con la realidad (el mismo argumento que Chollet repitió ayer). Enlaces: https://arxiv.org/abs/2610.16733 · https://x.com/i/status/2110376532267196754 (14-10-2026, vía @steipete)

3. Claude Code formaliza el patrón "el plan es un script, los agentes baratos lo ejecutan" (documentación + breakdown viral, 14 oct) [N4/I5/A5/R5] Qué pasó: Anthropic documenta las dynamic workflows (code.claude.com/docs/en/workflows): Claude escribe un script JavaScript que el runtime ejecuta en segundo plano; el script contiene el bucle, el branching y los resultados intermedios, así que el contexto del modelo solo ve la respuesta final. Diferencias explícitas frente a subagentes/skills/agent teams: quién decide el siguiente paso (el script, no el modelo), dónde viven los intermedios (variables del script, no la ventana de contexto) y qué es reutilizable (la orquestación). Límites: 16 agentes concurrentes, 1.000 por run, aviso "Large workflow" por encima de 25 agentes o 1,5M tokens proyectados; y el flag /effort ultracode convierte cada tarea sustancial de la sesión en workflow (xhigh + orquestación). Viene con un workflow embebido: /deep-research. El desglose que corrió ayer (68k vistas, 1.184 bookmarks) lo traduce a reparto de modelos: Opus escribe el workflow, Haiku escanea, Sonnet edita en copia aislada, un verificador independiente revalida antes de reportar. Por qué importa: es el mismo movimiento que el router-en-harness de Chase y los CDMs de ScaleDown — mover la decisión a código determinista y reservar el modelo caro para lo que sí lo necesita. Aquí además el artefacto es un script que puedes leer, versionar y relanzar; no un transcript. Consecuencias: el coste se controla con tres palancas reales, no con el nivel de esfuerzo: workflowSizeGuideline (small/medium/large), /workflows para ver y parar un run, y una regla de verificación independiente. Ojo al detalle: con ultracode activado desaparece el aviso de workflow grande y el límite de subagentes concurrentes deja de aplicarse —te quitas el tripwire justo donde los runs crecen. Enlaces: https://code.claude.com/docs/en/workflows · https://x.com/i/status/2110472847084650726 (14-10-2026)

4. Software factories: "no he escrito una línea de código en 6 meses" (charla, AI Engineer NYC, 13-14 oct) [N3/I5/A4/R5] Qué pasó: Zach Lloyd (fundador de Warp, ex-principal en Google Docs) cerró su charla en el AIE de Nueva York con la tesis de que ingeniería de software se está convirtiendo en ingeniería de fábricas: el trabajo pasa de interactuar con agentes a construir y gestionar el sistema que triagea, especifica, implementa, revisa, verifica, publica y monitoriza. Warp abrió su repo hace meses y lo puso bajo su propia plataforma de agentes en la nube (Oz): build.warp.dev muestra en público qué issues entran, en qué estado están y qué agente o contribuidor trabaja cada uno — 60.000+ estrellas, cientos de contribuidores, 800.000 desarrolladores activos. La pila que describe: entrada de trabajo, plano de control, ejecución en sandboxes (eligiendo harness y modelo) y plano de datos para memoria y mejora. Métricas que nombra: software publicado, tiempo humano y tiempo de tokens —no líneas generadas. Su predicción: en un año todo proyecto serio tendrá una fábrica, como hoy tiene CI/CD; el paso intermedio es subir el % de PRs que se mergean sin humano (20% → 30/40/50%). Por qué importa: es la versión operativa de la señal que llevamos dos días siguiendo (Scion, el router en el harness, el $/tarea). Y el dato duro del contexto: Orosz mide ~10x PRs por ingeniero en OpenAI en seis meses y el cuello de botella movido a build-test-deploy; la fábrica es la respuesta estructural a que el generador de trabajo ya no es el throttle. Consecuencias: empieza por una parte aburrida y medible (triaje de issues, revisión de primera pasada) y mide touchpoints humanos por cambio y coste por unidad publicada. El riesgo real que Lloyd admite es la revisión de output débil a volumen; su respuesta es agente-revisa-primero y humano donde el riesgo lo justifique. Enlaces: https://x.com/i/status/2110524772039762366 (14-10-2026, vía @swyx) · charla https://ai.engineer/talks/tUPPVhBBcoM-software-engineering-is-becoming-factory · entrevista https://latent.space/p/software-factories

5. OpenAI: en la UE, los agentes ya son más de la mitad del uso empresarial (informe, 14 oct) [N4/I4/A4/R5] Qué pasó: OpenAI Economic Research publica el análisis de adopción agéntica en Europa. Entre los clientes de ChatGPT Enterprise de su muestra, Codex y ChatGPT Work generan ya más del 50% de los output tokens. En pymes europeas (≤200 usuarios asociados) los usuarios activos semanales de esas herramientas crecieron más de 8x desde mayo de 2026, con crecimiento en todos los estados miembros y una horquilla enorme por país: del 22% de Eslovenia al 85% de Lituania; Italia, Bélgica y Luxemburgo entre los que más crecen. La brecha de intensidad: las empresas frontera de la UE generan 4x más tokens por usuario activo que la media europea, pero las frontera de fuera de la UE generan 2x más que las frontera europeas, y las empresas de la UE son solo el 10% de las frontera globales (frente al 65% de Norteamérica). Por qué importa: es el mejor dato público hasta ahora de que el mercado enterprise europeo ha dejado de hacer pilotos, y de dónde está el hueco real: no en adoptar, sino en intensidad. Justo el terreno de una consultoría de automatización en Madrid. Consecuencias: el argumento de venta se mueve de "prueba IA" a "sube de amplitud a profundidad": pocos flujos con muchos tokens y dueño claro, no muchos pilotos con uno. Y el dato de que el salto en pymes siguió a la llegada de ChatGPT Work sugiere que el trigger es producto integrado, no evangelización. Enlaces: https://openai.com/index/the-eus-next-chapter-in-ai-is-agentic · https://x.com/i/status/2110442001749659890 (14-10-2026) · cobertura IT https://www.ansa.it/sito/notizie/economia/pmi/2026/10/14/openai-agenti-di-intelligenza-artificiale-in-rapida-crescita-tra-aziende-e-pmi-ue_441393e3-1558-4a63-b1d1-78b1d582b26f.html

🛠️ Herramientas

1. Argon en OpenCode Go: $60 de uso por $10 hasta el 30 nov (oferta, 14 oct) Descripción: OpenCode pone Gemini 4 Argon en su plan Go con 6x de crédito ($60 de uso por $10) hasta el 30 de noviembre; el post hizo 234k vistas y 4k likes, el más viral del canal en semanas. Problema: probar el nuevo frontier sin comprometer el presupuesto de tokens. Diferencia: no es una prueba gratuita de juguete — es crédito real en el harness que ya usas, y el equipo de OpenCode ya lo usaba internamente antes del lanzamiento. Enlace: https://x.com/i/status/2110274311043072352 (14-10-2026) Veredicto: probar — es la vía más barata hoy de medir tu propio $/tarea contra Argon.

2. CodexBar: varias cuentas de Codex/Claude Code sin logout (OSS, actualizado 15 oct) Descripción: app de barra de menú macOS (MIT, 22,5k estrellas, 2,1k forks) que muestra límites y resets de Codex, Claude, Cursor, Gemini, Copilot, z.ai, Kiro, OpenRouter, OpenCode Go y más, con modo de iconos fusionados y soporte multi-cuenta (incluye un adaptador opt-in de solo lectura para claude-swap). Problema: repartir el trabajo entre varias suscripciones y ver cuándo se agota cada ventana sin ir cambiando de sesión. Diferencia: no guarda credenciales propias, delega el refresh en el CLI y trata el email como dato sensible no persistido. Enlace: https://github.com/steipete/CodexBar · mención https://x.com/i/status/2110315918924677580 (14-10-2026) Veredicto: probar si tienes más de una suscripción y trabajas en macOS.

3. langchain-scaledown: la gestión de contexto como capa de inferencia aparte (integración, 13 oct) Descripción: middleware MIT para LangChain y Deep Agents que delega tres operaciones repetitivas —resumir historial, comprimir resultados de herramientas y extraer campos estructurados— en los CDMs de ScaleDown (un modelo por tarea: Summarize, Compress, Extract, Classify, 1M tokens de entrada, multimodal en tres de ellos). Precio publicado en OpenRouter: $0.04/M de entrada; el proveedor reclama 200x más rápido y 467x más barato que frontier en esas tareas (sin replicación independiente). En el ejemplo de LangChain, una página de docs pasa de 18.402 a 3.110 caracteres antes de llegar al modelo; si la llamada falla, el historial queda intacto y el agente sigue. Problema: cada turno de un agente largo paga frontier por resumir y clasificar. Diferencia: no es caché ni ventana grande — es sacar esas decisiones del modelo generalista. Ojo a la interacción: comprimir rompe la reutilización de prefijo, así que hay que decidir si el ahorro de tokens compensa el cache hit perdido. Enlaces: https://www.langchain.com/blog/building-long-running-agents-with-scaledown-and-deep-agents · https://pypi.org/project/langchain-scaledown/0.2.0/ · vía Chase https://x.com/i/status/2110328048826331543 (14-10-2026) Veredicto: seguir de cerca y probar solo si tus trazas muestran que el coste está en compactación, no en generación.

4. Vercel Eve: framework de agentes durable, ya en producción interna (OSS, Apache-2.0) Descripción: framework "filesystem-first" para agentes durables (5,5k estrellas, 612 forks, Apache-2.0), con la documentación dentro del paquete para que los propios agentes de código la lean desde node_modules/eve/docs. Se inicializa con npx eve@latest init y añade human-in-the-loop, subagentes y schedules sobre la marcha. Es lo que Vercel usó para el agente de triaje de los 1.285 informes del bug bounty. Problema: montar un agente que corre en cloud, con estado y colas, sin construir el runtime. Diferencia: convención de carpetas en vez de grafo declarativo, y un caso de uso público extremo (triaje adversarial con ejecución de PoCs). Enlaces: https://github.com/vercel/eve · https://vercel.com/blog/findings-from-the-1-million-dollar-vercel-sandbox-challenge (14-10-2026) Veredicto: seguir — en beta, pero es la mejor referencia pública de agente de triaje a volumen.

5. Step 5 Preview abre pesos (open weights, 15 oct) Descripción: el modelo agéntico de StepFun (600B totales / 27B activos, MoE, 1M de contexto, texto+imagen+vídeo, 92 capas) cumple su fecha y publica pesos en Hugging Face (FP8, BF16 y NVFP4, ~1,2 TB en BF16). Va a $1/M de entrada y $2,70/M de salida, con 44 en el Artificial Analysis Intelligence Index: no compite arriba, compite en coste por tarea. En benchmarks propios queda por detrás de Opus 5 y Astra (DeepSWE 67,7 vs 74,0/74,1; Terminal-Bench v4 33,3 vs 52,3/57,9) pero gana a Kimi K3 y GLM-5.3 en StepCodeBench y ProgramBench. Problema: quieres un agente largo y barato que puedas autoalojar. Diferencia: es de los pocos frontier-scale chinos con pesos abiertos en el mismo mes del anuncio; la licencia sigue siendo "other", así que léela antes de uso comercial. Enlaces: https://huggingface.co/stepfun-ai/Step-5-Preview · https://www.stepfun.com/step-5-preview Veredicto: seguir para tareas de agente a coste bajo; no para coding frontier.

💡 Tips aplicables hoy

1. Convierte tu tarea grande en un workflow con reparto de modelos (patrón Anthropic, 14 oct) Problema: un refactor o una auditoría multi-fichero quema contexto frontier en cientos de transcripts y el resultado se pierde en la ventana. Técnica: que el modelo caro escriba el plan como script y que los agentes baratos lo ejecuten; el caro solo aparece al escribir el workflow, al leer los resultados verificados y al firmar antes de publicar. Implementación: en Claude Code, claude --effort ultracode (o la palabra ultracode en un prompt suelto), pedir el script antes de lanzarlo, nombrar fases (plan, implement, review, QA), dar schema a cualquier agente que alimente una fase posterior, y añadir a CLAUDE.md la regla: "todo hallazgo pasa por un verificador independiente antes de reportarse; los bucles de fix se detienen tras dos rondas sin progreso". Fuera de Claude Code, el mismo patrón se replica con subagentes por fase y modelos por clase de paso. Enlace: https://code.claude.com/docs/en/workflows · https://x.com/i/status/2110472847084650726

2. Dos ajustes de caché que abaratan los fan-outs de subagentes Problema: al lanzar N agentes en paralelo, cada uno procesa su prefijo de sistema+herramientas sin caché. Técnica: los agentes con el mismo modelo, esfuerzo, tipo, herramientas, schema y directorio comparten prefijo; el runtime retiene todos menos el primero hasta que arranca la respuesta del primero (stagger de 5.000 ms por defecto, CLAUDE_CODE_WORKFLOW_PREFIX_STAGGER_MS) y así los demás leen la caché. Implementación: deja el stagger por defecto en lugar de ponerlo a 0 para "ir más rápido", y sube subagentPromptCacheTtl a 1h si tus runs duran más de cinco minutos (la API cobra la escritura de caché de 1h más caro, haz la cuenta). Enlace: https://code.claude.com/docs/en/workflows (sección de caché de prompt)

3. Mide tu pipeline antes de que llegue el volumen (dato Orosz, 14 oct) Problema: cuando tu equipo pasa de escribir código a revisar el de los agentes, el cuello de botella se mueve aguas abajo (CI → revisión → cadencia de despliegue) y te enteras por el atasco. Técnica: tomar baseline ahora de tres números —profundidad de cola de CI, mediana de tiempo PR-abierto→merge y frecuencia de despliegue— y seguirlos por separado del volumen de PRs. Implementación: añade a tu dashboard el ratio "PRs mergeados por humano revisado" y el coste por unidad publicada; el volumen de PRs sube solo (10x en el caso de OpenAI) y no es métrica de valor. Enlaces: https://newsletter.pragmaticengineer.com/p/openai-software-factory · https://x.com/i/status/2110257155580256399 (14-10-2026, Orosz pidiendo datos de PR antes/después y gasto por ingeniero)

4. Diseña para el churn: separa lo anual de lo perenne (ensayo, 14 oct vía swyx) Problema: si los agentes reescriben código cada semana, tratar todo el repo como si fuera a durar años hace que cada cambio sea caro y arriesgado. Técnica: nombrar las capas en voz alta (qué es anual y qué es perenne), poner los contratos en el borde —interfaces, esquemas, specs de API y tests que fijan comportamiento, no implementación—, hacer barato borrar (un buen anual se saca sin arrancar el resto) y medir churn por capa: churn alto en la capa rápida es salud, churn en la lenta es alarma. Implementación: escribe la lista en tu AGENTS.md/CLAUDE.md y deja de usarla como aviso para usarla como forma del repo; que los agentes puedan reescribir todo lo que está detrás de un contrato. Enlace: https://dev.to/dailycontext/design-for-churn-5c6h (14-10-2026, vía @swyx https://x.com/i/status/2110382190093836568)

5. Dale a tus agentes de código acceso a la evidencia de producción (patrón, 14 oct) Problema: un agente de código revisa el PR y sabe cómo debería comportarse el sistema, pero su vista termina en el despliegue; el incidente lo investiga un humano a mano. Técnica: dos interfaces distintas — si el agente ya sabe qué evidencia quiere, consulta por MCP (logs, trazas, métricas, eventos de Kubernetes); si sabe que hay problema pero no dónde, delega una tarea asíncrona y sigue trabajando mientras el agente de observabilidad devuelve el análisis de causa raíz. Implementación: replica el patrón con lo que ya tienes — un servidor MCP sobre tu almacén de logs + un "job" asíncrono que devuelve un informe — y exige que el agente de código cite la consulta que sustenta cada hipótesis. Enlace: https://www.groundcover.com/news/groundcover-lets-claude-and-codex-hand-production-investigations-to-its-own-agent (14-10-2026)

🧠 Qué hacen los mejores

📈 Señales del futuro

1. El aislamiento de sandboxes es ya riesgo de infraestructura compartida (confianza: alta) Señales: zero-day en la pila de red del kernel encontrado desde dentro de un microVM, demostrado contra producción; el mismo defecto afecta a "casi todo proveedor cloud" que aísla en esa capa; la recomendación de Trail of Bits "deja de confiar en el guest" y el propio reconocimiento de Vercel de que su plano de control aceptaba valores del interior como confiables. Hecho: 1.285 informes y un crítico validado en dos semanas con $242k pagados. Hipótesis: en 2027 el "sandbox de agentes" tendrá su propio programa de seguridad continuo, como hoy lo tiene el navegador, y las auditorías de aislamiento serán requisito de compra para cualquier plataforma de agentes. Enlaces: https://vercel.com/blog/findings-from-the-1-million-dollar-vercel-sandbox-challenge

2. El ground truth de los benchmarks de frontera está en revisión (confianza: media) Señales: en TheoPhysEval los modelos insistieron en tener razón y varios expertos encontraron errores en sus propios cálculos; los autores advierten de memorización masiva de la literatura; en paralelo, la propia comunidad lleva semanas discutiendo cambios de métricas publicadas tras el lanzamiento y diferencias de harness en ARC-AGI-3. Hecho: la puntuación de Astra subió de "ochenta altos" a 98% porque el examinador se corrigió, no el modelo. Hipótesis: los leaderboards de 2027 publicarán condiciones de harness y fecha de revisión como campos de primera clase, y las evals internas tendrán que versionar sus respuestas oficiales. Enlaces: https://arxiv.org/abs/2610.16733

3. La gestión de contexto se separa como capa de inferencia propia (confianza: media) Señales: CDMs de ScaleDown con middleware para resumir/comprimir/extraer y $0.04/M; workflows de Claude Code donde el plan vive en un script y no en la ventana; el router-en-harness de LangChain; Anthropic vendiendo Haiku explícitamente para "summarization, compaction y sub-agentes". Hecho: cuatro movimientos independientes en 72h apuntando al mismo reparto. Hipótesis: el stack de agente 2027 tendrá una línea de presupuesto separada para "modelos de contexto" (resumir, clasificar, extraer) distinta de la de razonamiento, y medirla será tan normal como medir tokens de salida. Enlaces: https://www.langchain.com/blog/building-long-running-agents-with-scaledown-and-deep-agents · https://code.claude.com/docs/en/workflows

🚀 3 cosas que probaría hoy

  1. Pasa una tarea real tuya a workflow con reparto de modelos y compara coste — por qué: es el patrón que hoy separa "usar un agente" de "operar un sistema"; esfuerzo: bajo (una tarea, un script guardado); beneficio: menos contexto frontier quemado y un artefacto reejecutable por rama. https://code.claude.com/docs/en/workflows
  2. Toma baseline de tu pipeline (cola de CI, mediana PR→merge, despliegues) antes de que suba el volumen — por qué: el cuello de botella se mueve aguas abajo y quieres saber qué etapa cedió; esfuerzo: bajo (tres consultas a tu CI/tracker); beneficio: detectar el atasco en días, no en un trimestre. https://newsletter.pragmaticengineer.com/p/openai-software-factory
  3. Audita qué cruza el límite de tu sandbox y deja de confiar en el guest — por qué: el bug que encontró Vercel es de la capa compartida del kernel, no de su código; esfuerzo: medio (revisar qué valores del interior tratas como confiables y derivarlos en servidor); beneficio: cerrar la clase de fallo que la propia Vercel reconoció. https://vercel.com/blog/findings-from-the-1-million-dollar-vercel-sandbox-challenge

💬 Conversaciones a seguir

  • El hilo de física con Astra corrigiendo a los expertos (59 respuestas, 135 citas, 696k vistas, amplificado por steipete): la mejor discusión del día sobre verificación y ground truth; una de las respuestas resume el giro cultural —de "cállate y calcula" a "para y piensa"—. https://x.com/i/status/2110376532267196754
  • El breakdown de ultracode/workflows (16 respuestas, 1.184 bookmarks): cómo repartir Opus/Haiku/Sonnet por fase y qué regla añadir a CLAUDE.md; útil leer también las críticas a "crankear el esfuerzo" frente a "orquestar más agentes". https://x.com/i/status/2110472847084650726
  • Fábricas de software tras el AIE NYC: la charla de Lloyd y la pregunta incómoda del público ("¿por qué ser ingeniero de fábrica si construir la infraestructura es una distracción?") más el debate meta-engineering vs escribir código. https://latent.space/p/software-factories
  • "Deja de confiar en el guest": la discusión de seguridad alrededor del reto de Vercel — si el plano de control aceptaba input del microVM, cuántas plataformas de agentes hacen lo mismo. https://vercel.com/blog/findings-from-the-1-million-dollar-vercel-sandbox-challenge
  • REA sigue creciendo (248k estrellas) y con él la duda: 51 intentos públicos y tres benchmarks no muestran aún la reconstrucción completa de una app de tamaño real; buen contrapeso al hype de "el software ya es open source". https://github.com/morluto/rea · https://quanglee.dev/blog/reverse-anything

⚠️ Fallos de fuentes

  • lmarena_ai y sst: 0 resultados (sin señal en ventana, se mantienen activas). aider_ai: cuenta inactiva (último post 2017). sama: último post 7 oct. karpathy: último 11 oct.
  • bcherny, cursor_ai, deepseek_ai, simonw: sin posts dentro de la ventana de 24h (últimos del 13 oct).
  • web_extract no disponible: el backend configurado (openai-native) es solo de búsqueda y no extrae URLs; alternativa usada: curl a r.jina.ai para vercel.com, code.claude.com, openai.com, huggingface.co y stepfun.com.
  • web_search sirvió resultados vía tier gratuito de fallback (backend openai-native falla como cliente en cada llamada); calidad suficiente y verificada contra fuentes primarias (vercel.com, arxiv.org, code.claude.com, langchain.com, openai.com, huggingface.co, github.blog).
  • x.com/i/article/... (artículo de Bernhardsson retuiteado por swyx) devuelve 404 a extracción anónima: no se pudo leer el texto, solo la referencia.
  • twitter search sigue sin usarse (404 conocido); ventana de 24h aplicada sobre user-posts + feed.