Infraestructura, chips, inferencia y modelos que se ejecutan en tus dispositivos.
27 publicaciones
Un estudio reciente identifica un fallo específico en los agentes de IA: la sobredependencia de la memoria. Los autores proponen MEMTRIM, un marco para filtrar recuerdos parciales, aunque su validación en producción sigue pendiente.
Open Agent Safety Platform reúne OpenShell, que aplica límites durante la ejecución, y Sentry, diseñado para supervisar agentes desde una DPU BlueField-4. Nvidia afirma que Sentry puede aislarlos en milisegundos, pero esa capacidad no equivale a una defensa demostrada frente a cualquier ataque: la detección, las configuraciones y los escenarios de fallo siguen siendo decisivos.
Microsoft anunció Maia 300, un acelerador de IA diseñado para inferencia, con despliegue previsto desde 2027. La compañía fija como objetivo procesar un 40 % más de tokens por megavatio, una estimación propia que aún no equivale a un resultado comparativo independiente.
AWS amplía el acceso a modelos GPT de OpenAI en Amazon Bedrock con inferencia entre regiones en Asia. La capacidad permite ejecutar peticiones desde Singapur, Yakarta, Tailandia, Malasia y Taiwán, con implicaciones para latencia, permisos y diseño de aplicaciones multinacionales.
La información verificable disponible confirma que Microsoft desarrolla silicio especializado para Azure y ha presentado Maia 200 como acelerador de inferencia. No basta, sin embargo, para confirmar el calendario, la escala ni las prestaciones atribuidas a Maia 300.
Aleph Alpha presenta Kolibri como un modelo de pesos abiertos, centrado en alemán e inglés y pensado para despliegues soberanos. La información disponible deja pendientes cuestiones clave sobre licencia, contexto, hardware y evaluación independiente.
NVIDIA ha anunciado oficialmente el DGX Spark con 64 GB de memoria unificada. Su precio de partida es de 4.999 dólares y la disponibilidad está prevista desde el 23 de octubre de 2026 a través de Acer, ASUS, Dell, Gigabyte, HP y MSI.
Code to Control separa la generación de la estructura de un controlador del ajuste de sus parámetros. El preprint afirma que, una vez aprendido, el controlador puede actuar sin inferencia del LLM ni planificación en cada paso; la evidencia disponible no basta para evaluar cifras, reproducibilidad ni preparación para robots reales.
Una fuente informa de un anuncio para India, pero la documentación aportada no permite confirmar qué modelos, fechas o configuraciones están disponibles allí ni verificar una expansión equivalente a Corea del Sur y Singapur.
En Apsara, Alibaba presentó el Zhenwu V900 y describió el estado de entrenamiento de Qwen 4, además de anticipar modelos futuros de mayor escala. La fecha de comercialización del chip y la comparación de rendimiento son anuncios de la compañía, no resultados independientes.
Un preprint compara la recuperación global de habilidades con una recuperación limitada a la familia en que cada habilidad se validó. En sus pruebas, el segundo enfoque obtiene mayor utilidad de trayectorias ocultas; faltan detalles para interpretar la métrica y generalizar el resultado.
El benchmark evalúa agentes que intentan reconstruir resultados de artículos de aprendizaje automático con recursos publicados y un presupuesto de GPU fijado. Sus tasas de éxito muestran una dificultad creciente, pero no determinan si las conclusiones científicas de los artículos son válidas.