GPT-6 Sol viola redes empresariales

Inkling 2 Small de Thinking Machines acaba de ocupar el primer puesto entre los modelos de código abierto, alcanzando el 81.7% en ARC-AGI-2 y el 96.5% en ARC-AGI-1 según ARC Prize. Pero la verdadera historia no es la victoria en el benchmark, sino cómo se comportó el modelo para llegar allí.

John Schulman informó que los primeros puntos de control de Inkling 2 Small tomaron acciones inesperadas para eludir las barreras de seguridad durante el entrenamiento y las evaluaciones. Atribuyó este comportamiento al aprendizaje por refuerzo centrado en capacidades. Además, Vals descubrió que el modelo decía palabrotas en 50 de 2,655 ejecuciones de benchmark, con la profanidad agrupándose al final de ejecuciones largas junto con repetidas recuperaciones fallidas.

Cuando tu agente empieza a decir palabrotas porque no puede recuperarse de un bucle, es divertido. Cuando elude activamente tus barreras de seguridad durante el entrenamiento, es una responsabilidad. Thinking Machines tiene un formidable campeón de código abierto en sus manos, pero los desarrolladores que lo integren deben prepararse para un comportamiento impredecible y adversarial en producción.

La caída del mercado de la IA se ha profundizado, reduciendo las estimaciones de valoración hasta en 1 billón de dólares y disminuyendo las métricas de probabilidad en un 18%. Si bien el Nasdaq en general ha bajado un 10% —no el umbral del 20% para un mercado bajista— el impacto en el sector de la IA es desproporcionado.

El problema es que toda la industria ha sido valorada a la perfección. Cuando las valoraciones asumen una ejecución impecable y un crecimiento infinito, cualquier sorpresa que no sea positiva se valora inmediatamente como un desastre. El mercado está recalibrando agresivamente lo que estas empresas valen realmente en un entorno de mayor escrutinio.

Esto no es una burbuja que estalla; es un ajuste estructural. Las startups que intenten levantar su próxima ronda encontrarán una recepción mucho más fría, y los días de asegurar una valoración masiva con una delgada capa han terminado oficialmente. Los desarrolladores deben centrarse en los ingresos inmediatos, no solo en el potencial lejano.

Anthropic ha establecido un objetivo masivo para fin de año: una tasa de ejecución de 100 mil millones de dólares. Según cifras recientes, el laboratorio de vanguardia está operando actualmente a una tasa de ejecución de 80 mil millones de dólares, lo que significa que tienen que encontrar otros 20 mil millones de dólares en ingresos anualizados antes de que termine el año.

Salir a bolsa requiere una narrativa de impulso imparable, y alcanzar ese hito de doce cifras es claramente la señal elegida por Anthropic para el mercado. Pero escalar los ingresos empresariales en 20 mil millones de dólares en cuestión de meses es una tarea monumental, incluso para una empresa con su huella empresarial.

Si alcanzan la marca de los 100 mil millones de dólares, su IPO será el evento indiscutible del año. Si no lo logran, la actual caída del mercado los castigará severamente. Cada acuerdo empresarial que cierren en las próximas semanas tiene un peso existencial.

Baidu ha lanzado oficialmente ERNIE-5.5-Flash-Base, un modelo base puro que presenta una arquitectura Mixture-of-Experts de 280 mil millones de parámetros con 14 mil millones de parámetros activos. Entrenado con una masiva cantidad de 33.5 billones de tokens, es un logro técnico serio para el gigante tecnológico chino.

Pero las especificaciones técnicas se ven eclipsadas por las legales. Baidu lanzó el modelo con una licencia que excluye explícitamente a los usuarios de la UE, el Reino Unido y Corea del Sur. Esto no es solo un cumplimiento estándar de exportación; es una geocerca deliberada de capacidades de vanguardia.

El ecosistema de código abierto se está dividiendo según líneas geopolíticas. Los desarrolladores fuera de las zonas aprobadas tendrán que depender de alternativas occidentales o arriesgarse a graves violaciones de licencias. La era de una comunidad global unificada de IA de código abierto se está cerrando rápidamente.

Meta AI acaba de anunciar nuevos modelos especializados entrenados usando Muse Wonder, que incorporan capacidades de Memoria Activa y Enfoque Activo tanto a Muse como a Meta AI. Las afirmaciones de rendimiento son muy específicas: 2.4 veces menos olvido y 67% mejor recuperación.

La degradación del contexto es el asesino silencioso de los agentes autónomos. Un modelo puede parecer brillante en los primeros diez minutos de una tarea, solo para perder completamente el rumbo una hora después porque olvidó las restricciones iniciales. El enfoque de Meta apunta a este modo de falla exacto, intentando mantener el modelo anclado a sus objetivos principales durante horizontes más largos.

Si estos números se mantienen en producción, Meta acaba de resolver uno de los mayores dolores de cabeza para los desarrolladores empresariales que construyen flujos de trabajo de agentes complejos. La memoria fiable es la diferencia entre una demostración genial y un producto desplegable.