OpenAI acaba de dirigir una tubería de agentes autónomos hacia el kernel de Linux. Regresó con 948 exploits funcionales de elevación de privilegios locales. En una sola ejecución, los agentes: → Identificaron 2.308 posibles fallas de seguridad → Reprodujeron exitosamente 1.724 de ellas → Desarrollaron exploits funcionales para 948 vulnerabilidades distintas que permiten elevar el acceso limitado a root completo → Generaron parches candidatos para revisión humana Costo total: aproximadamente $1,21 millones en créditos de API (~$1.279 por vulnerabilidad explotada distinta). Para tener una referencia: su sistema anterior de julio (impulsado por GPT-5.6 Sol) encontró y explotó 166. Este encontró 948. Los mantenedores de Linux ya habían parcheado 61 vulnerabilidades upstream cuando finalizó la investigación; más estaban en preparación o bajo discusión. Este es el cambio de “la IA ayuda a escribir código” a “los agentes de IA buscan, reproducen y proponen soluciones para brechas de seguridad en el software más crítico del mundo a escala industrial”. Encontrar fallas se está volviendo más barato y rápido. Triage y corrección a ese volumen es ahora el cuello de botella. Entorno de investigación controlado. Se requiere un punto de entrada previo. La revisión experta sigue siendo necesaria antes de cualquier lanzamiento de parches. Pero la señal de volumen es inconfundible.

Inception acaba de lanzar Mercury 3, el LLM de difusión más capaz lanzado hasta la fecha. Supera a GPT-6 Luna y Claude Haiku 5.5 en calidad en una variedad de benchmarks, mientras opera a 1.068 tokens por segundo en GPUs NVIDIA, 4 a 8 veces más rápido que los modelos autoregresivos típicos optimizados para velocidad. 1M de contexto (desde 260K en Mercury 2.5). Más de 40 veces más grande que Mercury 1, con aproximadamente 3 veces más inteligencia en benchmarks estándar, pero aún tan rápido como antes. Precios: $0.20 / $0.70 por 1M de entrada/salida (promoción de lanzamiento con 50% de descuento en algunas plataformas: $0.10 / $0.35). Compatible con la API de OpenAI. Disponible hoy en Inception API, OpenRouter, Baseten y Vercel. Opciones empresariales para capacidad dedicada, etc. Los socios iniciales ya lo están utilizando para agentes de navegador/web, tutoría en tiempo real, agentes de búsqueda y soporte. Una nota de producción: completó el 50% de las tareas de navegación en vivo de Mind2Web (mejor que GPT-6.1-Sol) con el mismo volumen de tokens y pasos, pero con un costo por token mucho más bajo. La velocidad evita que los agentes acumulen latencia entre pasos.

xAI acaba de lanzar Grok Voice 3.0, que ya resuelve el 70% de las llamadas de soporte de Starlink sin intervención humana. Supera el Índice Speech-to-Speech de Artificial Analysis con un puntaje de 86.9, maneja mejor las interrupciones y el ruido de fondo que las versiones anteriores, y responde en menos de un segundo. En los vehículos Tesla, impulsa verificaciones de calendario sin manos, respuestas a correos electrónicos e incluso la compra de café o la reserva de cenas. Un agente puede verificar a un cliente, diagnosticar hardware, emitir un crédito y enviar un reemplazo. A $0.08/minuto, esta es la forma más económica hasta ahora de obtener agentes de voz de vanguardia que realmente resuelven los casos. La brecha entre “chat de voz” y “voz que cierra tickets” se ha reducido considerablemente.

NVIDIA acaba de lanzar Nemotron 3.5 Bolt 74B-A9B (y sus complementos), un modelo MoE de 74B con pesos abiertos (solo ~9B activos) que cabe en 24 GB mediante entrenamiento agresivo con cuantización de 2 bits. Está diseñado para agentes de IA locales siempre activos: navegación en navegador/aplicación, programación, investigación, uso de herramientas y automatización en segundo plano. Los pesos completos, los datos de entrenamiento y las recetas están abiertos. Funciona con Ollama, llama.cpp, vLLM, LM Studio, Hermes, OpenClaw, etc. Combínalo con el nuevo Nemotron 3.5 Super VL (120B en total / 12B activos, multimodal para agentes visuales y de texto de larga duración) y el pequeño Bolt E4B (4 GB, para NPCs conversacionales o de juegos, disponible el 23 de octubre). Este lanzamiento coincide con el mismo día en que comienzan a venderse las laptops RTX Spark (16 de octubre). Los agentes locales de vanguardia acaban de volverse mucho más prácticos. Los pesos abiertos + hardware de consumo son el cambio silencioso que se acumula.

La unicornio alemana de robótica NEURA acaba de presentar Neuron AI, su modelo base multimodal para la IA física. Integra visión 3D + tacto + audio + estado del robot + lenguaje + memoria en una arquitectura Perception-Language-Action (PLA). Los robots pueden reaccionar a cosas que no pueden ver y recordar el contexto incluso después de que los objetos salgan del campo de la cámara. Un solo modelo funciona en cinco diferentes implementaciones de NEURA (incluyendo su humanoide 4NE1). Entrenado con datos reales de robots, simulaciones y demostraciones humanas. Los clientes ajustan y despliegan habilidades a escala mediante Neuraverse. Demo en vivo la próxima semana en NVIDIA GTC Berlin: su humanoide 4NE1 realizará una secuencia de 11 minutos completamente autónoma de lavandería (ordenar → lavadora → secadora) sin ninguna intervención humana. “Construyendo el cerebro del mundo físico”, según el CEO. La IA física se está calentando rápidamente.

Amazon está en conversaciones para adquirir Decart por aproximadamente $7 mil millones, según el WSJ. La startup israelí fundada hace tres años desarrolla software que optimiza modelos de IA para que funcionen más rápido y a menor costo en chips (Nvidia, Amazon Trainium, Google TPUs) además de modelos generativos en tiempo real (Lucy para video en vivo, Oasis para entornos simulados). AWS ya les proporcionó acceso temprano a Trainium. Valorada en aproximadamente $4 mil millones en mayo; Anthropic previamente exploró una oferta de aproximadamente $6 mil millones y se retiró tras la debida diligencia. Una adquisición sería uno de los mayores compras de Amazon y una apuesta directa para reducir la dependencia de Nvidia. La optimización de chips acaba de convertirse en una salida de miles de millones de dólares.

Meta acaba de lanzar sus primeros modelos de frontera reales: Muse Wonder y Muse Wonder Full. Catorce meses después de reestructurar sus esfuerzos en IA y contratar a Alexandr Wang, Meta finalmente afirma haber alcanzado la frontera. Estos modelos están diseñados específicamente para agentes personales y profesionales de larga duración, gestionando reclamaciones de seguros, arrendamientos, finanzas, información médica o construyendo aplicaciones completas, no solo chats. Las características más destacadas son la Memoria Activa (que conserva lo relevante sobre ti durante días, semanas y meses) y el Enfoque Activo (que persiste en alcanzar el objetivo, se recupera de los obstáculos y prueba nuevos enfoques). Fueron entrenados en el centro de datos Prometheus a escala de gigavatios y admiten un contexto de 1 millón de tokens con entrada multimodal. En el Índice de Inteligencia de Artificial Analysis, Muse Wonder Full obtiene 56 y Muse Wonder 52, un salto significativo respecto a los 48 de Muse Spark apenas seis semanas antes. Wonder Full se ubica cerca de la cima en varios benchmarks de agentes y trabajo basado en conocimiento, compitiendo con (y en algunos aspectos superando) a los recientes modelos de OpenAI y Anthropic. Muse Wonder ya está disponible a través de la API de Modelos de Meta y Muse Code a $4/$20 por millón de tokens. La versión más potente, Full, está restringida a suscriptores de Muse Code. Ambas pronto impulsarán el agente personal Muse de Meta. Tras años de enfoque en el código abierto de Llama y recientes cambios hacia modelos cerrados, este es el indicador más fuerte hasta ahora de que Meta pretende competir directamente por el futuro de los agentes. Las pruebas independientes determinarán hasta qué punto se sostienen estas afirmaciones fuera de los propios entornos de Meta.

Una cosa a la que he estado prestando atención con @Wahoopredict es cómo los mercados de predicción pueden evolucionar más allá de simplemente elegir entre “sí” o “no”. La próxima función de Selección Múltiple es interesante en este sentido. En lugar de forzar una predicción a un resultado binario, permite a los usuarios expresar de manera más matizada dónde creen que realmente se encuentra la probabilidad. Esto se vuelve aún más interesante cuando WahooPredict cubre mercados en cripto, deportes, acciones, materias primas y eventos del mundo real. Los mercados de predicción tratan fundamentalmente de expresar convicción bajo incertidumbre. Cuanto mejor sea el diseño del mercado, más precisamente las personas podrán comunicar esa convicción. Por eso me pregunto: ¿se convertirá la Selección Múltiple en una de las funciones que hagan a WahooPredict significativamente diferente de otras plataformas de predicción?

Caer siete veces. Levantarse ocho. @0xhazels lleva literalmente esa filosofía a través de su Studio. No solo entras. Te conectas. Participas. Creas. Te cuentan. La GTD Race convierte la contribución en puntos. Pulse está diseñado para convertir el trabajo del creador en recompensas medibles. Drops convierte el staking en acceso. Y el NFT se convierte en el hilo permanente que conecta el ecosistema. Por eso no veo a Hazels como solo otra colección de NFT. Está tratando de convertir la participación misma en un activo. Y eso es algo mucho más difícil de construir. Pero también algo mucho más interesante de observar.

únete a esto 👇🏿