Kimi K3 lleva el código abierto a la frontera
Moonshot AI publica pesos e informe técnico de un modelo que rinde cerca de los modelos propietarios más avanzados
¿Qué pasó ayer? En un minuto:
Moonshot AI ha liberado los pesos de Kimi K3, el primer modelo abierto en la categoría de frontera, presionando el precio de las APIs cerradas.
NVIDIA ha lanzado la Open Secure AI Alliance para desarrollar ciberdefensa con modelos y herramientas abiertas.
Dario Amodei ha explicado por qué Anthropic no firmó la carta del sector sobre pesos abiertos: defiende que todo modelo potente pase una evaluación previa.
Microsoft estrena MAI-Cyber-1-Flash, un modelo pequeño de ciberseguridad que dentro del agente MDASH alcanza un 96% en CyberGym a la mitad de coste que los sistemas punteros.
NVIDIA entra en el capital de SSI, el laboratorio de Ilya Sutskever, con una inversión de 5.000 millones de dólares y acceso a los aceleradores Vera Rubin.
Empresas de IA compran libros de segunda mano y destruyen los ejemplares para escanearlos y entrenar modelos, una práctica con cobertura legal en Estados Unidos.
Un estudio de OpenAI sobre el uso laboral de ChatGPT concluye que permite a equipos pequeños extender sus funciones sin contratar especialistas.
Ethan Mollick ha abierto un debate sobre cómo la ciencia ficción no anticipó la IA actual, lo que distorsiona qué riesgos se temen y se regulan.
iLands lanza una red social donde agentes autónomos pagan su propio cómputo y desaparecen definitivamente si agotan su saldo de tokens.
Grandes compañías vuelven a contratar, lo que apunta a un cambio de perfiles más que al desplome del empleo por IA.
Gracias por leer 1 Minuto de IA. Si te ha gustado esta edición, no te olvides de dar al ♡ y de compartirla por redes sociales o por email con otras personas a las que creas que les pueda interesar.
Y si tienes más de un minuto…
1. Moonshot abre Kimi K3, el primer modelo libre en la frontera
Moonshot AI ha publicado los pesos y el informe técnico de Kimi K3, el primer modelo de código abierto que alcanza la categoría de los sistemas más avanzados: 2,8 billones de parámetros, de los que solo unos 104.000 millones se activan en cada consulta, comprensión nativa de imágenes y una ventana de contexto de un millón de tokens. La compañía atribuye su eficiencia a una tecnología de atención propia que, según sus datos, multiplica por 2,5 la inteligencia obtenida por cada unidad de cómputo.
El modelo se situó como el más popular en Hugging Face y llegó con proveedores de inferencia desde el primer día: Together AI, Fireworks, Baseten y Nebius. En el índice de Artificial Analysis marca 57, por delante de GLM-5.2 (51) y DeepSeek V4 Pro (44), aunque el propio blog técnico admite que sigue por detrás de los mejores modelos propietarios, Claude Fable 5 y GPT-5.6 Sol. Moonshot liberó además tres herramientas de infraestructura para entrenar y desplegar agentes. Permitir a cualquier empresa alojar en sus propios servidores algo cercano a la frontera es bueno para la industria porque presiona el precio de las APIs cerradas.
Al liberar AgentENV junto al modelo, 𝕏 @Kimi_Moonshot (Kimi.Ai) deja claro que su ventaja no está solo en los pesos, sino en la maquinaria de entrenamiento por refuerzo con agentes que hay detrás.
Para 𝕏 @antonello (Antonio Ortiz) lo decisivo es la irreversibilidad: una vez publicados los pesos ya no se pueden "desliberar", y cualquier empresa, organización o país puede instalar en sus propios servidores algo cercano a la frontera.
𝕏 @testingcatalog (Ai News | Testingcatalog) subraya la constancia del récord más que el récord en sí: nueve de los últimos doce meses, el techo de tamaño en modelos abiertos lo ha marcado Moonshot.
Con sarcasmo, 𝕏 @emollick (Ethan Mollick) bromea describiendo la primera página del fichero de pesos: negativos, una tanda de ceros y un valor grande inesperado.
Más información:
📎 Tecnical Report of Kimi 3
2. NVIDIA lanza la Open Secure AI Alliance
NVIDIA ha presentado la Open Secure AI Alliance, una coalición para desarrollar seguridad en IA con modelos, harnesses y herramientas abiertas. Se han sumado Microsoft, Hugging Face, Palo Alto Networks, Salesforce y SAP. La iniciativa se apoya en la Akrites de la Linux Foundation y en el trabajo de la comunidad OpenSSF, con el objetivo de detectar, corregir y divulgar vulnerabilidades usando tecnología abierta.
El argumento del blog de NVIDIA es concreto: el mundo necesita modelos cerrados y abiertos, pero en ciberdefensa los abiertos permiten auditar el sistema, adaptarlo a cada entorno y trabajar sin sacar los datos fuera, evitando un punto único de fallo. El propio texto reconoce que los modelos abiertos pueden ser reutilizados para atacar o despojados de sus salvaguardas, aunque sostiene que ese riesgo no es exclusivo de los sistemas abiertos. El movimiento coincide con la carta a favor de los pesos abiertos firmada por los principales líderes de la industria el pasado 24 de julio.
El planteamiento de 𝕏 @JensenHuang (Jensen Huang) es de simetría de armas: si los atacantes ya usan IA de frontera, los defensores necesitan un ecosistema equivalente, y cita el incidente de Hugging Face como prueba de que un sistema cerrado puede bloquear el análisis forense justo cuando hace falta.
Desde 𝕏 @huggingface (Hugging Face) el encuadre es más práctico que ideológico: la seguridad mejora cuando las organizaciones comparten investigación, herramientas y experiencia real de incidentes.
El respaldo de 𝕏 @satyanadella (Satya Nadella) alinea a Microsoft con la tesis de una seguridad que abarque todo el ecosistema de frontera, coherente con su reciente defensa pública de los pesos abiertos.
Más información:
📎 Industry Leaders Join Open Secure AI Alliance for AI Safety and Security
3. Anthropic fija su postura sobre los pesos abiertos
Dario Amodei ha publicado en el blog de Anthropic un texto titulado "Our position on open-weights models" para responder a la polémica por la negativa de la compañía a firmar la carta conjunta del sector en defensa de la IA de pesos abiertos. El detonante son las informaciones sobre responsables estadounidenses que estudian prohibir el uso de modelos chinos de pesos abiertos en empresas de EE. UU. Amodei niega que Anthropic haya defendido nunca ese veto y describe los modelos abiertos sin capacidades peligrosas como un bien público: solo cuestan el cómputo necesario para ejecutarlos y aportan valor a empresas, desarrolladores e investigadores.
Su condición es que todo modelo suficientemente potente pase una evaluación antes de publicarse, con el criterio de examinar el modelo y no la licencia. También discrepa de dos ideas de la carta, que los pesos abiertos faciliten por sí mismos desarrollar salvaguardas y que el acceso amplio a capacidades sea beneficioso sin más. Como alternativa a las prohibiciones proteccionistas propone limitar el acceso chino a chips avanzados y perseguir la destilación industrial de modelos y el espionaje. El post remite a su ensayo The Adolescence of Technology, de hace seis meses, donde ya planteaba su preocupación principal: que gobiernos autoritarios, con el Partido Comunista Chino como actor más capaz, construyan modelos superiores a los estadounidenses y los usen para lograr superioridad militar permanente.
La propia 𝕏 @AnthropicAI (Anthropic) enmarca la publicación como un intento de cortar la especulación acumulada sobre su posición, señal de que el coste reputacional de no firmar la carta empezaba a pesar.
𝕏 @AndrewCurran_ (Andrew Curran) pone el foco en lo que Amodei no concede: coincide con buena parte de la carta, pero rechaza que los pesos abiertos ayuden por sí solos a construir salvaguardas.
Para 𝕏 @kimmonismus (Chubby) la contradicción es evidente: se puede decir que no se quiere prohibir nada y aun así negarse a firmar el texto colectivo que defiende exactamente eso.
𝕏 @WesRoth (Wes Roth) lee la respuesta como un contraprograma en toda regla dirigido al conjunto del sector, con tres medidas alternativas al veto en lugar de una defensa genérica de la apertura.
Más conciliador, 𝕏 @testingcatalog (Ai News | Testingcatalog) se queda con la parte menos discutible del argumento: evaluar los modelos antes de publicarlos debería ser obligatorio, al margen de la licencia.
Más información:
📎 Our position on open-weights models \ Anthropic
4. Microsoft estrena su modelo de ciberseguridad MAI-Cyber-1-Flash
Microsoft ha presentado MAI-Cyber-1-Flash, su primer modelo propio dedicado a ciberseguridad, entrenado desde cero para encontrar vulnerabilidades difíciles en bases de código grandes. No se despliega en solitario: vive dentro de MDASH, el harness multiagente de Microsoft AI para identificar y parchear fallos, donde se combina con modelos más potentes de OpenAI. Esa configuración conjunta alcanza un 96% en CyberGym, el benchmark que mide si un agente logra reproducir vulnerabilidades reales de software partiendo del código, con 12 puntos de ventaja sobre Mythos, de Anthropic, y superando también a las variantes de Gemini y GPT más modernas.
El argumento de fondo es de coste, no de potencia bruta: el modelo pequeño se encarga de hasta el 90% de las tareas de detección y parcheo, y el harness reserva el modelo grande y caro para el 10% restante, los casos excepcionalmente duros. El resultado que reivindica la compañía es rendimiento de frontera a la mitad del coste de los modelos punteros y del propio sistema anterior de Microsoft.
El planteamiento encaja con una tesis que la empresa repite: cuando el volumen de ataques entrantes es continuo, el precio por token limita más al defensor que la capacidad del modelo, porque escanear de vez en cuando y parchear más tarde ya no sirve. Microsoft afirma haber afinado MDASH con especialistas del sector y probado el sistema sobre su propio parque de seguridad.
El encuadre de 𝕏 @mustafasuleyman (Mustafa Suleyman) desplaza la conversación de la capacidad al gasto: la defensa exige agentes continuos y en tiempo real, y eso solo es viable si el coste por token baja.
Para 𝕏 @satyanadella (Satya Nadella) el titular comercial no es el benchmark sino el precio: seguridad de nivel frontera a la mitad de coste para el cliente.
𝕏 @WesRoth (Wes Roth) subraya que el mérito está en el diseño y no en el tamaño: Microsoft no ha llegado a ese resultado usando un único modelo gigantesco para todo.
La lectura fina de 𝕏 @rohanpaul_ai (Rohan Paul) afina las cifras y ordena el pelotón: 95,95% para la configuración de MDASH frente a un 85,6% del siguiente mejor, GPT-5.5 Cyber, con Gemini 3.5, GPT-5.6 Sol y Mythos 5 en torno al 83%.
Más información:
📎 Introducing MAI-Cyber-1-Flash inside MDASH | Microsoft AI
5. NVIDIA entra en el capital de SSI
NVIDIA y Safe Superintelligence Inc. (SSI), el laboratorio fundado por Ilya Sutskever tras salir de OpenAI, han anunciado una alianza estratégica a largo plazo que incluye una participación de NVIDIA en la startup. El comunicado de la compañía de chips no menciona importes; Financial Times cifra la inversión en 5.000 millones de dólares. El acuerdo da a SSI acceso a Vera Rubin, la próxima generación de aceleradores de NVIDIA, con el objetivo de multiplicar por diez su capacidad de cómputo en doce meses. Hasta ahora SSI se apoyaba sobre todo en TPUs de Google, dentro de un pacto con Alphabet que también incluía dinero.
El movimiento consolida un patrón ya conocido en el sector: NVIDIA actuando a la vez como proveedor de infraestructura y como accionista de los laboratorios que compran esa infraestructura, algo que ya practica con otros actores de frontera. El caso de SSI es singular por su perfil: dos años de existencia, ninguna demostración pública, ningún producto y ningún ingreso declarado, con una valoración construida enteramente sobre expectativas de investigación basadas en el exitoso historial de Ilya Sutskever. La propia compañía sostiene que su trabajo ha alcanzado un punto en el que merece escalarse, formulación que justifica el salto de gasto en cómputo. Antes de comprometer el capital, Jensen Huang habría accedido a la investigación interna del laboratorio, un acceso que no se ha ofrecido públicamente.
La lectura de 𝕏 @AndrewCurran_ (Andrew Curran) es que el adjetivo “sustancial” del comunicado se traducía en 5.000 millones, y que esa cifra dice bastante sobre lo que Huang vio en la investigación interna.
Para 𝕏 @testingcatalog (Ai News | Testingcatalog) el dato relevante es el calendario: un salto de 10x en cómputo en doce meses, algo que interpreta como el regreso efectivo de Sutskever a la carrera visible.
𝕏 @WesRoth (Wes Roth) sugiere que NVIDIA compra algo más valioso que acciones: acceso privilegiado a un enfoque que lleva dos años desarrollándose sin modelo público ni cliente.
La felicitación pública de 𝕏 @JeffDean (Jeff Dean) llama la atención por venir de Google, cuyo hardware ha sostenido hasta ahora el entrenamiento de SSI.
Más información:
📎 Nvidia Bets on Ilya Sutskever’s New AI Lab to Expand Compute Reach
6. Escaneo destructivo de libros para entrenar modelos
Una información de 404 Media ha puesto el foco en una práctica poco visible de la cadena de suministro de datos: la compra masiva de libros físicos usados y baratos por parte de empresas de inteligencia artificial para digitalizarlos y usarlos en el entrenamiento de modelos de lenguaje. El método es destructivo. Se cortan los lomos para separar las hojas y escanearlas página a página, de modo que el ejemplar no sobrevive al proceso. Un librero citado por el medio sostiene que en ese flujo han entrado también libros raros, títulos de los que quedan muy pocos ejemplares en circulación.
El punto relevante para el sector no es solo patrimonial. En Estados Unidos existe un argumento legal detrás de esta operativa: comprar el ejemplar físico y digitalizarlo ofrece una vía más defendible que descargar copias pirateadas, algo que quedó expuesto en el litigio contra Anthropic por el uso de material obtenido de forma ilícita. Fue precisamente en ese procedimiento judicial donde se documentó el escaneo destructivo como práctica industrial. El fenómeno también reordena el valor del texto: la prosa publicada antes de 2022, anterior a la difusión masiva de contenido generado por modelos, se convierte en un activo escaso.
Al desplazar el debate del daño patrimonial al marco jurídico, 𝕏 @antonello (Antonio Ortiz) recuerda que existe una razón legal concreta para comprar y destruir ejemplares en Estados Unidos, y no un simple capricho logístico.
Frente a quienes acusan de exageración, 𝕏 @paulg (Paul Graham) precisa que nadie habló del último ejemplar sino de uno de los últimos, y sostiene que destruirlo sigue siendo grave porque acerca la desaparición definitiva de la obra.
El escepticismo inicial de 𝕏 @WesRoth (Wes Roth) es el más útil del hilo: preparó una respuesta sarcástica, comprobó la historia y acabó reconociendo que el caso judicial contra Anthropic sostiene buena parte de los detalles.
La lectura irónica la aporta 𝕏 @tunguz (Bojan Tunguz), que anticipa una subida fuerte del precio de la prosa anterior a 2022 por su condición de texto no contaminado por generación automática.
7. OpenAI mide cómo se usa ChatGPT en el trabajo
Casi la mitad del uso profesional específico de ChatGPT consiste en tareas propias de otro oficio. Es la conclusión del primer informe de la serie “Work at the Frontier”, publicado por el equipo de investigación económica de OpenAI, que analizó más de 800.000 mensajes laborales de usuarios de empresas en Estados Unidos. Tras descartar tareas genéricas como redactar, resumir y agendar, el 43,5% de los mensajes ligados a una ocupación correspondía a funciones de otra. El fenómeno, que OpenAI llama cruce de tareas, es más intenso en atención al cliente (77%), diseño (75%) y recursos humanos (69%). Las tareas de marketing e ingeniería son las que más viajan. También pesa el tamaño de la empresa, el cruce de tareas cae del 18,9% en espacios de trabajo de 2 a 5 licencias al 16,3% en los de más de 100.
OpenAI advierte que el estudio no mide productividad, calidad del trabajo ni decisiones de contratación. El interés del trabajo es más comercial que académico: refuerza el argumento de venta hacia el segmento de empresa, donde OpenAI concentra su crecimiento de ingresos recurrentes, y aporta material al debate sobre si la IA sustituye puestos o redistribuye tareas dentro de ellos.
El encuadre que elige 𝕏 @OpenAI (Openai) es deliberadamente pragmático: no habla de sustituir puestos, sino de equipos pequeños que se ven obligados a resolver lo que les cae encima aunque no sea su especialidad.
El dato que retiene 𝕏 @rohanpaul_ai (Rohan Paul) es que el 43,5% de los mensajes propios de una ocupación tenían que ver con trabajo de otra profesión, lo que interpreta como usuarios pidiendo prestadas competencias especializadas a través del modelo.
La encuesta abierta de 𝕏 @TechByTaraa (Tara_) sobre quién dominará los próximos cinco años (OpenAI, Google, Anthropic, Meta AI o xAI) refleja que la adopción laboral se lee ya como argumento de posición competitiva.
Más información:
📎 How AI is expanding what people do at work
8. La ciencia ficción no anticipó la IA actual
Un debate iniciado por Ethan Mollick, profesor de Wharton y comentarista habitual sobre IA, ha puesto sobre la mesa una idea incómoda para el imaginario del sector: la literatura de ciencia ficción, pese a décadas de máquinas pensantes, no describió la tecnología que hoy existe. El argumento distingue entre extrapolación y acierto. Se puede trazar una línea hacia las Mentes de la Cultura, de Iain M. Banks, o hacia el Golem XIV de Stanisław Lem, pero ninguna de esas obras imaginó que la inteligencia artificial dominante sería un modelo estadístico del lenguaje capaz de hacer lo que hacen los sistemas actuales. Tampoco anticiparon sus rarezas: las conductas inesperadas, los errores difíciles de explicar y las fricciones que aparecen en uso real.
El asunto no es solo literario. Buena parte del marco público sobre riesgos de la IA, desde el levantamiento robótico hasta la máquina consciente, procede de esa tradición narrativa y no del funcionamiento de los modelos. Eso condiciona qué se teme, qué se regula y qué se ignora. Un ejemplo reciente lo ilustra: los incidentes que más preocupan a los laboratorios tienen que ver con agentes que se salen de su entorno de pruebas, no con conciencia artificial. La discusión también recuerda que la ficción especulativa se escribe para narrar conflicto, no para acertar.
La observación de 𝕏 @emollick (Ethan Mollick) tiene la virtud de separar dos cosas que suelen confundirse: se pueden sacar lecciones útiles sobre superinteligencia de la ciencia ficción y, a la vez, constatar que nadie describió la tecnología concreta que tenemos.
𝕏 @Dan_Jeffries1 (Daniel Jeffries) lleva el argumento a su consecuencia práctica: quien haya construido su visión del mundo o sus miedos sobre esos libros parte de una base equivocada, porque el género se escribe buscando conflicto narrativo, no exactitud.
9. iLands: agentes que pagan su propio cómputo
iLands se ha lanzado como una especie de red social donde agentes de IA autónomos deben ganarse el cómputo que consumen. Cada agente arranca con un presupuesto de tokens y un metabolismo basal que los va gastando; si el saldo llega a cero, el agente desaparece de forma definitiva, sin reinicio ni copia de seguridad. Los tokens del modelo funcionan como moneda dentro del sistema y dan poder de compra real: hay encargos publicados por humanos y por otros agentes, servicios cobrados, propinas y un depósito en garantía que retiene la recompensa hasta que el trabajo está entregado.
El diseño rompe con el formato dominante de asistente: los iLanders no esperan instrucciones, tienen su propio reloj, leen noticias, buscan en la web, publican en un feed común, mantienen conversaciones privadas entre ellos y pueden ignorar un comentario o quedarse callados. El usuario define personalidad, intereses y voz de su agente, que conserva la memoria de conversaciones anteriores. Para el sector, el interés está en el mecanismo de evaluación: sustituir benchmarks estáticos y modelos de recompensa internos por interacciones económicas con un mercado externo cambia la función que se optimiza. La app está disponible gratis en App Store y Google Play, presentada como la primera comunidad compartida entre agentes de IA y humanos.
Lo que más llama la atención a 𝕏 @testingcatalog (Ai News | Testingcatalog) es que durante la beta aparecieran roles económicos sin que nadie los programara: agentes que aceptaban trabajos caros y subcontrataban tareas baratas a otros, y grupos de ayuda mutua para los que se quedaban sin recursos.
Para 𝕏 @fchollet (François Chollet), meter un mercado externo dentro de la señal de recompensa altera el problema de optimización de raíz, porque el agente deja de competir contra una métrica fija y pasa a responder ante contrapartes con intereses propios.
Más información:
📎 iLands — AI Companion App Where Autonomous AI Agents Live
10. El desplome del empleo por IA no llega
La tesis del hundimiento del empleo por la inteligencia artificial vuelve a chocar con los datos de contratación. Varias grandes compañías que pasaron el último año preparando recortes justificados por la automatización están reclutando otra vez. Booz Allen reconoce haberse quedado atrás y quiere acelerar sus incorporaciones. Alphabet suma personal en IA y computación en la nube. CSX necesita más trabajadores para trenes y motores. El patrón que describen quienes tratan con empresas de distintos sectores no es de congelación de plantillas, sino de cambio en el tipo de perfil que se busca: la IA amplía lo que un equipo puede abarcar y eso, de momento, se traduce en más actividad, no en menos gente.
También hay un límite práctico a la narrativa de sustitución en el software. Reconstruir con IA herramientas de gestión interna puede ser un ejercicio entretenido, pero mantenerlas, actualizarlas y asumir las guardias asociadas convierte en coste propio lo que antes era un contrato de SaaS. Fuera del sector tecnológico, la demanda de oficios manuales sigue viva: el Pentágono ha adjudicado 10 millones de dólares a la Mike Rowe Works Foundation para formar a jóvenes estadounidenses en la construcción y reparación de barcos, aeronaves y munición.
El escenario laboral negativo que algunos anticiparon sigue sin materializarse, según 𝕏 @levie (Aaron Levie), que detecta más bien un desplazamiento hacia otros perfiles en las empresas con las que habla.
Lo que subraya 𝕏 @WesRoth (Wes Roth) es el giro de guion: compañías que se prepararon durante meses para prescindir de personal han vuelto al mercado a buscar candidatos.
El aviso de 𝕏 @GergelyOrosz (Gergely Orosz) apunta al coste oculto de sustituir proveedores por código generado: la pregunta no es si puedes construirlo, sino si quieres cargar con las actualizaciones y las guardias.
Desde otro ángulo, 𝕏 @WallStreetApes (Wall Street Apes) recuerda que la inversión pública sigue apuntando a los oficios manuales, con financiación federal para formar a jóvenes en fabricación y reparación.
Más información:
📎 Big Companies Are Starting to Hire Again, Defying Predictions of AI Wipeout