AI Radar — 16 de octubre de 2026

🔥 Lo más importante

1. Perplexity abre SPACE (Apache-2.0): la arquitectura "no confíes en el guest" ya es código abierto, y trae datos de ataque (lanzamiento, 15 oct) [N5/I5/A5/R5] Qué pasó: Perplexity ha publicado bajo Apache 2.0 SPACE (Sandboxed Platform for Agentic Code Execution), la plataforma que ejecuta cada tarea de Perplexity Computer. Es Rust + Firecracker: cada tarea de agente recibe su propia microVM, y —esto es lo que importa— las credenciales y el tráfico de salida se controlan desde fuera de la VM. La API es HTTP + SSE (crear sandbox desde template, abrir sesión de comando, leer salida, pausar/suspender/despertar, borrar), con warm pools para evitar arranques en frío, snapshots base, perfiles de egress con nombre y un wrapper de compatibilidad con el SDK de E2B. Es el primer componente de su Agentic Runtime Platform. Y viene con evidencia adversarial: en Escaping SPACE: Part I, nueve configuraciones de modelos con root dentro de la VM hicieron 108 intentos de escape y ninguno llegó al host. En otra entrada explican la identidad criptográfica que ata cada petición a su ejecución cuando los sandboxes se pausan, se reanudan y se mueven (millones de ejecuciones al día, tasa de error por debajo de 0,0002%). Por qué importa: ayer el reto de Vercel enseñó que un plano de control que acepta como confiables valores del interior del microVM es una clase de fallo real, y que la pila de red del kernel es infraestructura compartida. Hoy hay un proveedor publicando la implementación contraria —credenciales y egress fuera del límite— y un informe de escape reproducible. Es la referencia que faltaba para auditar la tuya. Consecuencias: si ejecutas agentes en sandboxes (propios o alquilados), esta es la checklist gratis: credenciales nunca dentro del VM, egress con política explícita, identidad por ejecución que sobreviva a pausa/resume, y un adversario interno probando el límite de forma periódica. Ojo al detalle de diseño: el wrapper E2B es lo que permite migrar sin reescribir clientes. Enlaces: https://github.com/perplexityai/SPACE · https://x.com/perplexity_ai/status/2110778478312481167 (15-10-2026) · blogs: https://www.perplexity.ai/hub/blog/open-sourcing-space · https://www.perplexity.ai/hub/blog/escaping-space-part-i

2. Goodfire publica "Neural Networks Are Already Clean": la superposición era una mala lectura, y el 90% de las neuronas hace una sola cosa (ensayo, 15 oct) [N5/I5/A3/R4] Qué pasó: Nick Cammarata (Goodfire, coautor del Zoom In original) sostiene que el argumento canónico de que las redes empaquetan conceptos de forma arbitraria estaba mal interpretado, y que lo que parecía empaquetado arbitrario es sobre todo un motivo que llama recursive generalization (una neurona que detecta "iy" pasa a "diy" y luego a "do it yourself"). Evidencia que da: la neurona famosa de "caras de gato y morros de coche" era un detector de forma de V; en InceptionV1 la causa de la ilegibilidad de las capas finales eran problemas arquitectónicos de desbordamiento, no la superposición; retrenando la misma arquitectura con regularización moderna la capa final pasa de ~0% a ~70% de neuronas legibles, y en una ConvNeXt del mismo tamaño a 99-100%. En auditorías preliminares de Qwen3-32B estima que ~90% de los polos de neurona tienen un solo trabajo, ~7% dos relacionados y solo 2-4% sin explicar; y dice que aguanta en modelos hasta el billón de parámetros (Kimi K3, con paper técnico compañero en camino). Corrió por la comunidad: retuiteado por poteto (2M de vistas), #1 en trending de alphaXiv y linkpost en LessWrong. Por qué importa: si es cierto, cambia el marco de seguridad. La historia "no sabemos qué construimos" es el principal argumento de que la alineación es intratable; este ensayo dice que las herramientas eran malas y que la parte difícil es saber qué preguntar, no desenredar el nudo. También cuestiona una industria entera de reconstrucción por features (SAEs) construida sobre esa premisa. Consecuencias: no tires los SAEs, pero cambia el orden — mirar la red original y sus mecanismos concretos primero, descomponer solo si hace falta. Y trátalo como lo que es: ensayo con hipótesis de trabajo y resultados preliminares, no paper revisado; el número exacto depende de dónde pongas los umbrales. Enlaces: https://already-clean.goodfire.com/ (15-10-2026) · hilo: https://x.com/i/status/2110757819427574056 (vía @poteto) · discusión: https://www.lesswrong.com/posts/x4kvabkF2Jk8GLZp8/linkpost-neural-networks-are-already-clean

3. AI Gateway Production Index (octubre): el open weight ya es el 71,5% de los tokens y el 23% del gasto (informe con datos de septiembre, 15 oct) [N4/I5/A4/R5] Qué pasó: Vercel publica su índice mensual sobre los billones de tokens que enruta su gateway. Titulares: los modelos de pesos abiertos procesan más de 7 de cada 10 tokens y ya se llevan casi 1 de cada 4 dólares (era 1 de cada 20 en junio; se ha multiplicado por más de 4 en tres meses). El gasto del gateway en septiembre fue ~13 veces el de diciembre, con el precio medio por token 47% más bajo. Casi 1 de cada 3 equipos cambió de lab principal en septiembre (récord del índice) y 1 de cada 2 cambió de modelo principal. El 68% del gasto en modelos chinos pasó por proveedores estadounidenses (menos del 10% en diciembre). Jev (TypeSafe AI) fue el modelo con adopción más rápida de la historia del gateway: 35,3% de los equipos de pago en dos semanas, pero solo 0,27% del gasto — es un modelo de decisión, más rápido, más barato y con una fracción de los tokens. Opus 5.5 se llevó más de 1 de cada 10 dólares del gateway en sus dos primeras semanas. Los equipos que procesan ≥1.000M de tokens usan de media 42 modelos distintos. Por qué importa: es la mejor evidencia pública de que el modelo se ha convertido en una pieza reemplazable dentro de una inversión mayor. Se puede gastar más en IA y depender menos de un lab concreto, y el dinero sigue creciendo en los dos extremos (el gasto en frontier se multiplicó por 10 desde diciembre; el de pesos abiertos, por más de 70). Consecuencias: si diseñas automatizaciones para clientes, la pregunta ya no es "qué modelo" sino "cómo cambio de modelo sin tocar el producto" — capa de gateway, evals propias y presupuesto separado por clase de tarea. Y el corolario incómodo para los labs: más ingresos, menos parte del negocio del cliente. Enlaces: https://vercel.com/blog/ai-gateway-production-index-october-2026 · https://x.com/i/status/2110803325012824167 (15-10-2026)

4. ARC-AGI-3: el harness duplica el resultado — 97,5% con un adaptador de proveedor, 49,8% con el harness estándar (benchmark verificado, 15 oct) [N4/I4/A4/R5] Qué pasó: ARC Prize verifica a Gemini 4 Argon en ARC-AGI-3: 97,5% con el harness de adaptador de proveedor ($4,8K) y 49,8% con el harness estándar ($5,8K). En ARC-AGI-2: 91,3% a $0,32/tarea; en ARC-AGI-1: 98,5% a $0,16/tarea. Con eso Google DeepMind es el segundo lab en superar el 95% en ARC-AGI-3 (solo por detrás del 99,9% de GPT-6 Astra). Argon usó un 62% menos de acciones que la línea base humana en los 25 juegos públicos, igualó o batió el récord de speedrun en 3 juegos y se quedó a menos del 10% en otros 6. Chollet, el mismo día: "Argon tiene un perfil de rendimiento parecido al de Astra en ARC-AGI-3. Google está de vuelta en la frontera". Además, Argon empieza a llegar a Antigravity para suscriptores de Google AI Pro, con cuota semanal propia separada del bucket de Gemini 3.8 Flash. Por qué importa: la cifra no es un detalle técnico, es el hallazgo. El mismo modelo en el mismo benchmark rinde la mitad según quién orquesta las acciones y cómo — el harness, no el modelo, decide el resultado. Enlaza con TheoPhysEval (ayer) y con los workflows con verificador independiente: la ingeniería que rodea al modelo es ya la variable dominante. Consecuencias: cualquier comparativa que hagas (o que te vendan) debe declarar harness y versión, o no significa nada. Y si tu producto envuelve al modelo, ahí está tu diferencial medible — y tu trabajo: optimizar el bucle de acciones, no cambiar de modelo. Enlaces: https://x.com/arcprize/status/2110768288523251762 (15-10-2026) · Argon en Antigravity https://x.com/i/status/2110866531932316011 · Chollet https://x.com/i/status/2110775560846914009

5. La verificación externa se institucionaliza: los labs pagan a quien les audita (tres movimientos, 15 oct) [N4/I4/A4/R5] Qué pasó: (a) La Simons Foundation compromete $15M en talleres e iniciativas más cómputo gratuito para investigadores, con nuevas alianzas con Anthropic ($5M + acceso a Claude y cómputo) y OpenAI ($5M + modelos y cómputo) para que la comunidad matemática "examine, entienda y construya sobre resultados producidos por IA, incluidos los que publicamos hace poco". (b) Anthropic da acceso "de empleado" a un equipo de METR (seis personas con hardware, espacio de oficina y acceso a herramientas internas al nivel de sus propios equipos de riesgo), con derecho a publicar y sin veto — solo redacción en categorías predefinidas (datos de clientes, privilegio abogado-cliente, arquitectura de modelos) y derecho a caracterizar públicamente las redacciones. Define tres niveles de acceso; SecureBio revisa el capítulo de armas químicas y biológicas del Risk Report de agosto; Accenture y Faculty entran en evaluación embebida; hay conversaciones iniciales con Hugging Face. (c) Gray Swan lanza con Anthropic, Meta, Google DeepMind y Reflection un reto de $300.000 de indirect prompt injection ("IPI Black": el atacante debe conseguir que el agente de un community manager publique contenido dañino, en modo caja blanca y caja negra). Contexto medido de su arena anterior: 464 participantes, 272.000 intentos, 13 modelos frontier, 41 escenarios y 8.648 ataques exitosos. Por qué importa: el mismo día, los dos labs que compiten en modelos compran lo que no pueden publicar por sí mismos: verificación humana independiente (matemáticas), acceso interno auditado (seguridad) y ataque adversarial pagado (inyección de prompt). Es el giro de "confía en nuestro informe" a "aquí está el tercero que puede contradecirnos". Consecuencias: para quien compra o despliega, "¿quién te audita y puede publicarlo?" empieza a ser pregunta de compra. Y la lección operativa del IPI Arena para cualquier agente que lee web/email/documentos: lo que importa no es si el modelo cae, sino qué alcanza cuando cae — mide el radio de impacto (permisos, herramientas de escritura), no el pass/fail del prompt. Enlaces: https://x.com/SimonsFdn/status/2110740786169979088 · https://x.com/OpenAI/status/2110741355739963884 · https://x.com/AnthropicAI/status/2110846112152105136 · https://www.anthropic.com/news/an-update-on-independent-evaluators · https://x.com/bcherny/status/2110791698611855624 (todas 15-10-2026)

🛠️ Herramientas

1. Muse Spark Open: el modelo de pesos abiertos más capaz de EE. UU. (Meta Superintelligence Labs, open weights, 15 oct) Descripción: MoE disperso de 816B totales / 42B activos, contexto de 1M tokens, entrada de texto + imagen + vídeo + audio y salida de texto (con perception encoder propio), entrenado para coding y trabajo agéntico de horizonte largo (edición multi-fichero, depuración, tool use). Pesos en Hugging Face en BF16 (~1,65 TB, TP8/EP8 en 8×B300) y NVFP4 (~537 GB, TP4/EP4 en 4×B300); soporte día 0 en transformers, vLLM, SGLang, TensorRT-LLM, llama.cpp, MLX y Unsloth. Está optimizado para correr en dos Mac Studios con M5 Ultra vía MLX (tensor parallelism, cada máquina la mitad de los pesos) y hay un GGUF Q2_K publicado por la comunidad. Problema: querer capacidad frontier de agente sin depender de API ajena (soberanía de datos, coste por token, despliegue local). Diferencia: Meta lo presenta como "el modelo de pesos abiertos más capaz de EE. UU. hasta la fecha" y la licencia es propia (Muse Model License, revísala antes de uso comercial); el "extra safety post-training" que mencionan indica que recomiendan desplegarlo dentro de un sistema con guardrails, no suelto. Enlaces: https://huggingface.co/blog/meta-muse-spark-open · https://research.meta.ai/blog/muse-spark-open · model card https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B (15-10-2026) Veredicto: seguir — hardware real (700 GB-2 TB de VRAM o dos Mac Studios) pero es la referencia abierta del trimestre para agentes multimodales.

2. NVIDIA Nemotron 3.5 Super VL: gratis en OpenCode y Cline (open weights, 15 oct) Descripción: modelo abierto de 120B totales / 12B activos, multimodal (texto, imagen, documento y vídeo) con razonamiento y tool use, diseñado explícitamente para agentes de larga duración; NVIDIA dice que genera salida 5x más rápido que Nemotron 3 Ultra. En el mismo día está gratis en OpenCode (430 bookmarks en el anuncio), gratis en Cline, y disponible en Perplexity para Pro/Max y en su Agent API. Problema: hacer trabajo de agente de volumen (leer documentos, clasificar, extraer) sin pagar frontier por cada turno. Diferencia: 12B activos con visión y documentos, en los harness que ya usas y a coste cero durante la ventana de lanzamiento. Enlaces: https://x.com/opencode/status/2110819994238066934 · https://x.com/cline/status/2110784104488980727 · https://x.com/huggingface/status/2110749836450713896 (15-10-2026) Veredicto: probar hoy mientras es gratis — mide tu $/tarea y la calidad en extracción de documentos.

3. Vercel Drives: almacenamiento persistente para agentes, ya GA (producto, 15 oct) Descripción: un "drive" que se crea una vez y se monta en cualquier sandbox (sandbox drives get-or-create agent-workspace, luego sandbox create --mount agent-workspace:/workspace), con SDK (Drive.getOrCreate), cuotas de 1 TiB por defecto (1 GiB en Hobby) hasta 16 TiB, y forking para explorar variantes en paralelo sin tocar el original. Todo lo que hay bajo el punto de montaje persiste; lo demás pertenece al sandbox. Problema: los agentes que trabajan en varias pasadas pierden su workspace al cambiar de entorno, runtime o herramienta. Diferencia: separa los ficheros del entorno de ejecución — el mismo drive se monta en un sandbox nuevo y varios agentes comparten dataset en solo lectura mientras escriben resultados aparte. Enlace: https://vercel.com/blog/introducing-vercel-drives-persistent-storage-for-agents · https://x.com/vercel/status/2110788459803938944 (15-10-2026) Veredicto: probar si ya usas Vercel Sandbox; el patrón (workspace montado + fork por rama) se replica en cualquier infra.

4. Claude Code Review, GA en Team y Enterprise: varios agentes revisan el PR y uno verifica (producto, 15-16 oct) Descripción: revisión automática de pull requests en GitHub con cuatro etapas explícitas —varios agentes buscan en paralelo sobre el diff y el código alrededor, un paso de verificación descarta falsos positivos, los hallazgos restantes se deduplican y se ordenan por severidad, y se publican como comentarios inline + check run (que nunca falla: no aprueba ni bloquea). Niveles Quick/Standard/Deep por repositorio, ficheros de guía para personalizar qué se marca, @claude review para lanzarlo a mano, y /code-review local en cualquier plan. En GA: ~3x más rápido que la vista previa; créditos de ≥$10.000 para orgs Enterprise que los reclamen antes del 15 de enero. Problema: la revisión es el cuello de botella cuando el volumen de PRs sube (el dato de OpenAI de esta semana: ~10x PRs por ingeniero y el atasco movido a build-test-deploy). Diferencia: separa encontrar de verificar, que es exactamente el patrón que venimos siguiendo en workflows y en evals. Enlace: https://code.claude.com/docs/en/code-review · https://x.com/ClaudeDevs/status/2110866210573386065 (15-10-2026) Veredicto: probar (Team/Enterprise) y, si no aplica, copiar la estructura de cuatro etapas en tu propio CI.

5. FLUX 3 Image Klein: 5,6B abiertos que caben en 8 GB de VRAM (open weights, 15 oct) Descripción: generación y edición de imagen con pesos abiertos, 4K nativo, cajas delimitadoras para colocar elementos o confinar ediciones y hasta 10 imágenes de referencia. 11,2 GB en BF16, 5,6 GB en FP8 y INT8 en GPUs GeForce desde 8 GB de VRAM; ~4 s por imagen de 1MP en una RTX 5090 y <9 s en una 4070 con la versión destilada. Se publica modelo base (para fine-tuning) y destilado, con builds FP8/INT8/NVFP4, bajo la FLUX Kommunity License. Problema: generar/editar imagen en local con calidad cercana a modelo cerrado y sin cuota. Diferencia: gana en sus evals internas a Ideogram V4.5 y FLUX.2 [pro], y a FLUX.2 [klein] 9B le saca 91 Elo en text-to-image con 38% menos parámetros. Enlaces: https://bfl.ai/blog/flux-3-image-klein · https://x.com/huggingface/status/2110751201105256925 (15-10-2026) Veredicto: probar si tienes GPU de consumo o quieres edición de imagen on-device.

💡 Tips aplicables hoy

1. Pide a tus agentes máquinas de estado, no flags sueltos (patrón Pocock, 15 oct) Problema: los agentes generan componentes con seis booleanos (isLoading, isSuccess, isError) y estados imposibles de probar; cada cambio posterior es una reescritura. Técnica: obligar al agente a nombrar estados y transiciones explícitas (FSM o reducer) antes de escribir el componente. Pocock: "cada vez que veo que un agente ha construido una máquina de estados siento un salto enorme de robustez, y sé que las actualizaciones futuras serán triviales y testeables". Implementación: en el prompt, pedir la tabla de estados y transiciones primero; exigir que las transiciones ilegales sean tests que fallan; pedir property-based testing sobre la máquina; usar la lista de estados como lista de pantallas (idle/loading/empty/error/retrying se diseñan de entrada en lugar de descubrirse en QA). Aviso útil del hilo: "un CSV no es una máquina de estados, pero la elegirá siempre" — si no lo especificas, no la construye. Enlace: https://x.com/mattpocockuk/status/2110818314499072493 (15-10-2026)

2. Heartbeats con señal de resultado, no de vida (lecciones de producción, hilo de Chase, 15-16 oct) Problema: en agentes que corren solos, el fallo silencioso es la norma. Del hilo salen cuatro modos de fallo reales: (a) el agente despierta y no produce nada — "todo verde dos días seguidos con el rail vacío"; (b) el run termina pero nunca cierra la sesión, así que el scheduler se salta 11 mañanas ("vivo, cero commits"); (c) un subagente se atasca a las 2:00 y nadie lo ve; (d) el recordatorio que dispara a las 2:00 hereda el permiso de escritura de la semana pasada. Técnica: hacer que el heartbeat vigile artefactos (commits, ficheros, informes), no latidos; añadir un presupuesto diario de despertares para que un agente no se auto-despierte en bucle; y revalidar el alcance de permisos en el momento de despertar, no en el de programar. Implementación: en tu cron de agentes, registra por ejecución {inicio, fin, artefactos producidos, coste} y alerta cuando artefactos == 0; propaga la cancelación de la tarea padre a sus subagentes; y exige un resumen de 2 minutos legible por humano de lo que hizo el run de madrugada (sin eso, dejas de confiar en él). Enlace: https://x.com/hwchase17/status/2110813795245249018 (15-10-2026)

3. Tres automatizaciones de fábrica de software, con implementación (Warp, 15 oct) Problema: "montar una fábrica" es un eslogan hasta que eliges la primera pieza; y las piezas aburridas son las que mueven la aguja. Técnica: (1) que los agentes arreglen sus propios bugs: alerta de Sentry → webhook → agente en una máquina always-on con entorno cloud, verificación por computer use y revisión de código adversarial → PR; (2) que los agentes mejoren sus propias skills: agregar las trazas de sesión del equipo, puntuarlas con rúbricas propias (LLM-as-a-judge), hacer que un agente revise las conversaciones peor puntuadas, encuentre causas comunes y proponga cambios al código, a las skills o al AGENTS.md; (3) que los agentes propongan roadmap desde feedback de clientes: transcripciones de entrevistas (usan Grain) → agente programado que busca dónde se atascan → MCP al taskboard que genera la siguiente tarea. Implementación: el binding trigger→prompt→modelo lo describen en un fichero de automatizaciones y publicaron una skill para la parte (2). Enlaces: https://x.com/warpdotdev/status/2110792560583311735 · webhooks https://docs.warp.dev/factories/webhooks/ · skill https://warp.dev/skill-doctor (15-10-2026)

4. pstack: un paquete de skills para trabajo riguroso y autónomo (poteto, 15 oct) Problema: cada vez que quieres que un agente haga algo serio (auditar, refactorizar, arreglar) repites las mismas instrucciones de rigor, y el resultado depende de cómo te acuerdes de pedirlo. Técnica: pstack es un conjunto de skills personales de poteto para ingeniería rigurosa con agentes, publicado y actualizado con frecuencia. Tutorial de 10 segundos: /setup-pstack (elige presupuesto) → poner /poteto-mode delante de cualquier prompt que quieras hecho con rigor → /poteto-help cuando no sepas qué skill usar. Incluye skills como /no-comments (elimina comentarios obsoletos que los agentes copian y propagan como virus). Implementación: cópialo como plantilla y quédate solo con lo que tu repo necesite; el valor no son las skills concretas sino el patrón "presupuesto explícito + modo de rigor + ayuda contextual". La skill que mejor ilustra la idea es /correct: si corriges al agente por los mismos errores repetidamente, encuentra el patrón y lo arregla con arquitectura, tipos y checks — "en lugar de microgestionar al agente, corrige el entorno que modela su comportamiento". Otras: /architect, /no-comments, /benchmark-checklist, /swarm, /recall. Enlaces: https://github.com/cursor/plugins/tree/main/pstack · https://x.com/poteto/status/2110757066709356851 (15-10-2026)

5. Antes de comparar modelos, fija el harness — y desconfía de los runs que reportan éxito (15 oct) Problema: comparas dos modelos, o aceptas un resultado de agente, sobre números que dependen de la orquestación. Evidencia del día: el mismo Gemini 4 Argon hace 97,5% o 49,8% en ARC-AGI-3 según el harness; y Claude Code v2.1.301 corrige un fallo en el que "los agentes de workflow a veces se saltaban su paso y el run seguía reportando éxito" tras leer la nota del harness de que su texto no lleva autoridad de usuario. Técnica: en tus evals y en tu CI, guarda {modelo, versión, harness, nivel de esfuerzo, fecha} junto al resultado, y exige una comprobación de que el artefacto esperado existe (no que el proceso terminó sin error). Implementación: un fichero eval.jsonl con esas cinco columnas y un check de "artefacto presente" al final de cada run; actualiza el CLI (el fix está en v2.1.301). Enlaces: https://github.com/anthropics/claude-code/releases/tag/v2.1.301 · https://x.com/arcprize/status/2110768288523251762 (15-10-2026)

🧠 Qué hacen los mejores

• Nick Cammarata (nuevo en el radar): el ensayo del día, con la tesis más fuerte de la semana — "la interpretabilidad puede que sea el problema científico más importante del mundo ahora mismo, porque no podemos resolver la alineación si no sabemos qué estamos construyendo"; pasó de pesimista (2% de neuronas legibles con las herramientas de 2023) a creer que "la mayoría son legibles y sus circuitos bonitos" y que se resolverá "a tiempo", quizá por la vía de la bitter lesson: lo simple a escala absurda. https://already-clean.goodfire.com/ · https://x.com/i/status/2110757819427574056 (15-10-2026)
• Chase: "casi todo el trabajo interesante de harness está en la intersección de harness e infra": dreaming, subagentes asíncronos, heartbeats y dejar que el agente programe sus propios recordatorios — y los cuatro ya están en managed deep agents; su secuencia de producto es "coding agents → personal agents → companyOS". https://x.com/hwchase17/status/2110813795245249018 (15-10-2026)
• Pocock: modo cruzado XState — máquinas de estado como la palanca de robustez que más nota al revisar código generado, y su tesis de que las skills no son necesarias si ya sigues un buen proceso ("es solo que las skills hacen más fácil seguir ese proceso"). https://x.com/mattpocockuk/status/2110818314499072493 (15-10-2026)
• bcherny: anuncia la alianza con Gray Swan para el reto de inyección indirecta ("hemos progresado mucho en prompt injection en los modelos Claude; a medida que los agentes hacen más, es cada vez más urgente resolverlo en toda la industria"); Claude Code Review pasa a GA y Opus 5.5 fast mode sale de vista previa (2,5x más rápido a $8/$40 por millón de tokens). https://x.com/bcherny/status/2110791698611855624 · https://x.com/ClaudeDevs/status/2110825294655562048 (15-10-2026)
• Zach Lloyd: "¿qué aspecto tiene una fábrica de software verdaderamente cerrada? Una en la que los agentes saben qué arreglar, qué costes optimizar y —lo grande— qué features construir". Define las tres propiedades: cerrada (los agentes monitorizan el software que crean y sus propias conversaciones para encontrar fallos), medible (coste por PR cuantitativo + LLM-as-a-judge cualitativo) y auto-mejorable (los agentes observan las skills y la config que gobiernan el sistema y proponen cambios). https://x.com/zachlloydtweets/status/2110747571073478669 · https://x.com/zachlloydtweets/status/2110793920930107817 (15-10-2026)
• steipete: en modo herramienta — "crabbox is underrated": es un runner de testboxes remotos para maintainers y agentes (CLI en Go + coordinador en Cloudflare Worker) que aprovisiona o reutiliza una caja Linux caliente (Hetzner o AWS Spot), sincroniza el checkout sucio, ejecuta el comando, emite la salida y limpia; con checkpoints (snapshots de proveedor o tarballs de workspace) que se pueden forkear en leases nuevas. https://github.com/openclaw/crabbox · https://x.com/i/status/2110795475075084471 (15-10-2026)
• Chollet: además del veredicto sobre Argon ("Google está de vuelta en la frontera"), su frase del día va del proceso, no del modelo — "todo el mundo quiere haber resuelto un problema difícil, pero casi nadie quiere vivir dentro de la molienda de resolverlo". https://x.com/i/status/2110775560846914009 · https://x.com/i/status/2110748224097222874 (15-10-2026)
• Simon Willison: pone número a la distilación — "Anthropic dijo a los inversores el miércoles que la distilación supuso entre el 5% y el 7% de los ingresos"; si el ingreso del Q2 fue de $11,5B, eso es más de medio billón de dólares gastados por otros labs destilando modelos de Anthropic. https://x.com/simonw/status/2110721515130089787 (15-10-2026)
• swyx: cierre del AI Engineer NYC con la lectura de madurez — "ingenieros de Monzo a Anthropic tienen opiniones formadas y han construido sistemas que ya no son experimentales"; el tema estrella fueron las fábricas de agentes "con 5% de adopción en círculos técnicos". Dejó las transcripciones públicas en https://aie-nyc-2026.vercel.app. https://x.com/i/status/2110747536071721182 · https://x.com/i/status/2110728978726052158 (15-10-2026)
• Karpathy: sin posts nuevos en ventana (último, 11 oct). Musk: hito manos-libres del Grok Bot ("mi @bot vigila mi calendario y, cuando ve que mi vuelo ha aterrizado, enciende el Tesla para que esté a temperatura cuando llegue al parking; luego lo llamo y viene solo") — y, como ruido, el evento del Roadster. https://x.com/i/status/2110873302361321711 (15-10-2026)

📈 Señales del futuro

1. El modelo es ya una pieza reemplazable del sistema (confianza: alta) Señales: 71,5% de tokens y 23% del gasto en pesos abiertos, con el gasto en abiertos multiplicado por más de 70 desde diciembre; casi 1 de cada 3 equipos cambió de lab principal en un solo mes; 42 modelos distintos de media en equipos de ≥1.000M de tokens; el precio medio por token cae 47% mientras el gasto sube 13x. Hecho: son datos de tráfico de producción de un gateway, no encuestas. Hipótesis: en 2027 el "modelo principal" deja de ser una decisión de arquitectura y pasa a ser una variable de configuración por tarea, con capa de enrutado y evals propias como activo real del equipo. Enlaces: https://vercel.com/blog/ai-gateway-production-index-october-2026

2. El harness y la verificación pesan tanto como el modelo (confianza: alta) Señales: mismo modelo, mismo benchmark, la mitad de puntuación según el harness (97,5% vs 49,8% en ARC-AGI-3); revisión de código que separa explícitamente "encontrar" de "verificar" y llega a GA; workflows donde el plan vive en un script y un verificador independiente revalida antes de reportar; ayer, los modelos corrigiendo a los examinadores en TheoPhysEval; hoy, dos labs pagando a matemáticos por verificar sus resultados. Hecho: cinco movimientos independientes en 72h. Hipótesis: las comparativas públicas de 2027 incluirán harness y versión como campos de primera clase, y "quién verifica" será criterio de compra de plataformas de agentes. Enlaces: https://x.com/arcprize/status/2110768288523251762 · https://code.claude.com/docs/en/code-review · https://x.com/SimonsFdn/status/2110740786169979088

3. El sandbox de agentes se convierte en producto con estado y egress propios (confianza: media) Señales: SPACE se abre (Apache-2.0) con credenciales y tráfico de salida fuera de la VM y un informe de escapes; Vercel publica Drives en GA para que el workspace del agente sobreviva al cambio de entorno (y se pueda forkar por rama); la semana pasada, el reto de $1M de Vercel y el harness de Chainguard apuntaban al mismo sitio; crabbox resuelve la versión "caja de pruebas remota" con checkpoints. Hecho: cuatro piezas de infraestructura de agentes publicadas en ocho días. Hipótesis: "aislamiento + almacenamiento persistente + política de egress" se convierte en una categoría con precios comparables, como hoy lo es el object storage. Enlaces: https://github.com/perplexityai/SPACE · https://vercel.com/blog/introducing-vercel-drives-persistent-storage-for-agents · https://github.com/openclaw/crabbox

🚀 3 cosas que probaría hoy

1. Monta una skill o regla que obligue a máquinas de estado en tu frontend — por qué: es la mejora de robustez más barata y más citada del día, y convierte el código generado en algo revisable en diffs pequeños; esfuerzo: bajo (una regla en CLAUDE.md/AGENTS.md + una prueba); beneficio: menos estados imposibles y tests de transición gratis. https://x.com/mattpocockuk/status/2110818314499072493
2. Añade a tus cron de agentes un check de "artefacto producido" y un presupuesto de despertares — por qué: los cuatro fallos silenciosos del hilo de Chase son exactamente los que no se ven en un dashboard de latencia; esfuerzo: bajo (una columna y una alerta); beneficio: detectas el run que estuvo dos días "verde" sin hacer nada. https://x.com/hwchase17/status/2110813795245249018
3. Prueba Nemotron 3.5 Super VL (gratis hoy en OpenCode/Cline) en tu tarea de volumen real y anota el $/tarea — por qué: el índice de Vercel dice que el gasto se está moviendo a modelos abiertos y baratos para volumen, y esta ventana es gratis; esfuerzo: bajo (cambiar de modelo en el harness y repetir una tarea); beneficio: un dato propio de coste por unidad para decidir enrutado. https://x.com/opencode/status/2110819994238066934

💬 Conversaciones a seguir

• Hilo de Chase sobre harness×infra (≈80 respuestas): la mejor colección del día de lecciones de producción sobre agentes que corren solos — "solo cuentan los commits, un pulso no dice nada del output"; "los heartbeats son lo que aprendo a base de cartera"; "trata cada recordatorio como un run nuevo con permisos frescos, no como continuación"; "un audit trail que un humano pueda ojear en 2 minutos, o dejas de confiar en él". https://x.com/hwchase17/status/2110813795245249018
• Hilo de Pocock sobre máquinas de estado (126k vistas, 1.052 bookmarks): las mejores respuestas son operativas — transiciones ilegales como tests que fallan, la lista de estados como lista de pantallas, property-based testing sobre la máquina, y el diagnóstico de por qué los modelos no las construyen solos ("no lo harán a menos que lo especifiques como un experto; elegirán un CSV"). https://x.com/mattpocockuk/status/2110818314499072493
• El debate de interpretabilidad tras el ensayo de Cammarata: #1 en trending de alphaXiv y linkpost en LessWrong; el punto a vigilar es la respuesta de quienes construyen SAEs — si la superposición era mala lectura de herramientas, media industria de descomposición necesita reencuadrarse. https://already-clean.goodfire.com/ · https://www.lesswrong.com/posts/x4kvabkF2Jk8GLZp8/linkpost-neural-networks-are-already-clean
• Inyección de prompt como problema de superficie de herramientas, no de modelo: en el hilo del reto de Gray Swan, la posición más repetida y más útil — "misma inyección, inofensiva contra una herramienta de solo lectura, cara con permiso de escritura; puntúa el radio de impacto, no el pass/fail". https://x.com/bcherny/status/2110791698611855624 · arena https://app.grayswan.ai/arena
• La brecha de harness en ARC-AGI-3: 97,5% vs 49,8% con el mismo modelo es la cifra que se va a citar durante semanas; el hilo de ARC Prize y la respuesta de Chollet son el sitio donde se está discutiendo qué cuenta como resultado. https://x.com/arcprize/status/2110768288523251762 · https://x.com/i/status/2110775560846914009

⚠️ Fallos de fuentes

• feed falló por completo hoy (api_error, HTTP 0, "Query: Unspecified"); la ventana de 24h se aplicó sobre user-posts. Se reintenta mañana.
• lmarena_ai, sst: 0 resultados (se mantienen activas). aider_ai: cuenta muerta (último post 2017) → marcada como muted. karpathy: último 11 oct. sama: 7 oct. deepseek_ai: 2 oct. t3dotgg sigue muted.
• collect.sh solo recoge handles de sources, no de discovered: recogí a mano leerob, jediahkatz, cjav_dev, edleonklinger, morganlinton, poteto, Busabase4agent, zachlloydtweets, Kaju_Nut y bernhardsson. Fix propuesto para el script: incluir los discovered con status active.
• web_extract sigue no disponible (el backend configurado, openai-native, es solo de búsqueda); alternativa: curl a r.jina.ai y curl directo con UA de navegador.
• Hugging Face bloqueó el acceso anónimo desde r.jina.ai hasta las 05:15 UTC (AbuseAlleviationError) y perplexity.ai está tras Cloudflare: los datos de Muse Spark Open y de SPACE vienen de la model card vía búsqueda y de los posts oficiales de X; los blogs quedan como referencia sin texto extraído.
• web_search sirvió resultados vía tiers de fallback (exa/parallel/keenable) porque el backend openai-native falla como cliente en cada llamada; lo usado se verificó contra fuente primaria (vercel.com, arcprize, anthropic.com, openai.com, github.com, bfl.ai).
• x.com/i/article/... (el artículo de Zach Lloyd sobre la fábrica cerrada) sigue devolviendo 404 a extracción anónima: solo referencia, sin texto.

Edición guardada en newsletters/2026-10-16.md; history.json y watchlist.json actualizados (4 descubiertos: ClaudeDevs, perplexity_ai, warpdotdev, nickcammarata; 1 muted: aider_ai).