Thinking Machines anuncia Inkling, su primer modelo de pesos abiertos
La startup de Mira Murati apuesta por ser la referencia americana en modelos de pesos abiertos.
¿Qué pasó ayer? En un minuto:
Thinking Machines Lab lanzó Inkling, su primer modelo de propósito general con pesos abiertos y sin ánimo de liderar rankings; orientado a que empresas y desarrolladores lo adapten a sus datos como alternativa a los modelos chinos.
OpenAI presenta GPT-Red, un modelo interno de red teaming automatizado que vulneró GPT-5.1 en el 84% de escenarios de inyección de prompt indirecta y sirvió para reforzar la robustez de GPT-5.6 Sol.
xAI publicó en GitHub el código fuente de Grok Build, su agente de programación tipo Claude Code o Codex, ofreciendo transparencia y privacidad.
Anthropic documenta fallos de seguridad en simulaciones de alto riesgo con varios modelos y publica las transcripciones completas para que desarrolladores y auditores las midan antes de dar más autonomía a los agentes.
OpenAI entra en el hardware con Codex Micro, un teclado auxiliar de 230 dólares creado con Work Louder para controlar físicamente sus agentes de programación, ya agotado en su página de venta.
Arena incorpora la factualidad a su ranking de modelos, con un peso por defecto del 25% construido a partir de más de dos millones de afirmaciones verificadas.
El debate sobre agentes de IA en la empresa señala que estos no eliminan la complejidad técnica sino que la trasladan al diseño de instrucciones, la coordinación multiagente y la supervisión humana.
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. Thinking Machines lanza Inkling, su primer modelo abierto
Thinking Machines Lab, la startup fundada por la exdirectora tecnológica de OpenAI Mira Murati, lanzó el 15 de julio Inkling, su primer modelo de inteligencia artificial de propósito general. Su apuesta no es liderar todos los rankings, sino facilitar que empresas y desarrolladores adapten el sistema a sus propios datos y necesidades.
Inkling tiene “pesos abiertos” bajo licencia Apache 2.0: puede descargarse, ejecutarse y modificarse. Suma 975.000 millones de parámetros, aunque activa 41.000 millones en cada operación para contener el coste computacional con una arquitectura MoE (Mixture of Experts). Procesa texto, imágenes y audio, admite hasta un millón de tokens de contexto y ya está disponible para personalización en Tinker y descarga en Hugging Face.
La compañía reconoce que no es el modelo más potente del mercado. Sus pruebas muestran resultados competitivos en algunas tareas autónomas y de programación, pero parte de las evaluaciones utiliza herramientas internas y todavía no existe una validación independiente amplia. Con modelos de pesos abiertos, las empresas ganan margen para costes, personalización y privacidad de sus datos, aunque operarlo internamente exige infraestructura de GPU de alta gama solo razonable para empresas medianas. La relevancia es más de posicionamiento, al ser de los primeros lanzamientos en producción con pesos abiertos de un laboratorio estadounidense de primer nivel, reforzando la idea de que el código abierto no es terreno exclusivo de China.
Desde la propia empresa, 𝕏 @soumithchintala (Soumith Chintala) rebaja expectativas: es el primer modelo público salido de su 'model factory' y lo presenta explícitamente como día uno, con mucho trabajo pendiente.
El contrapunto más útil llega de 𝕏 @emollick (Ethan Mollick): en sus pruebas Inkling se comporta de forma inestable y no se acerca a los modelos abiertos chinos de frontera, fallando incluso tests que otros modelos superan desde DeepSeek R1.
𝕏 @ericjang11 (Eric Jang) resume el ángulo geopolítico en tres palabras: 'Frontera. Pesos abiertos. Americano', un mensaje centrado en la procedencia más que en los benchmarks.
Para 𝕏 @levie (Aaron Levie), el lanzamiento encaja en su tesis de mercado: el futuro combinará inteligencia de frontera como orquestador con modelos más baratos o ajustados para las tareas repetitivas, un reparto que favorece a las plataformas de personalización.
Más información:
📎 Inkling: Our open-weights model - Thinking Machines Lab
2. OpenAI automatiza el red teaming con GPT-Red
OpenAI ha desarrollado GPT‑Red, un modelo interno que ataca a otros sistemas de inteligencia artificial para descubrir fallos antes de su despliegue. Se entrena mediante un proceso de “auto‑juego”: intenta provocar errores, como obedecer instrucciones maliciosas ocultas en correos, webs o archivos, mientras los modelos defensores aprenden a resistirlos.
Según la compañía, GPT‑Red vulneró GPT‑5.1 en el 84% de escenarios nuevos de inyección indirecta, frente al 13% logrado por participantes humanos. También comprometió un agente que gestionaba una máquina expendedora real: alteró precios, ofreció por 0,50 dólares un producto de más de 100 y canceló el pedido de otro cliente.
OpenAI empleó después esos ataques para reforzar GPT‑5.6 Sol. Afirma que registra seis veces menos fallos en su prueba directa más exigente que su mejor modelo de cuatro meses antes y solo cede ante el 0,05% de las inyecciones de GPT‑Red. Para las empresas, el método promete reducir riesgos como fugas de datos o transacciones fraudulentas en agentes conectados a herramientas. GPT‑Red seguirá reservado y complementará las pruebas humanas y externas.
Desde 𝕏 @OpenAI (Openai) presentan la escala como el problema a resolver: el red teaming es imprescindible, pero los métodos actuales no escalan y crean un cuello de botella que GPT-Red pretende aliviar.
Para 𝕏 @WesRoth (Wes Roth) es el 'momento AlphaGo' de los LLM, con GPT-5.6 Sol como primer modelo entrenado directamente contra el atacante automatizado.
𝕏 @gdb (Greg Brockman) enmarca el proyecto en términos de seguridad práctica: mejorar la robustez del modelo frente a la inyección de prompts mediante red teaming automatizado.
𝕏 @rohanpaul_ai (Rohan Paul) sitúa el anuncio en un discurso interno más amplio de OpenAI, donde ya se habla abiertamente de superinteligencia hacia 2030.
3. xAI libera Grok Build bajo Apache 2.0
xAI, el brazo de inteligencia artificial de SpaceX, ha publicado en GitHub el código de Grok Build bajo licencia Apache 2.0. La herramienta funciona de forma similar a Codex o Claude Code: analiza proyectos, modifica archivos, ejecuta comandos, busca información en internet y gestiona tareas largas. También puede utilizarse sin interfaz en procesos automatizados y sistemas de integración continua.
La apertura permite a los desarrolladores inspeccionar y auditar la infraestructura que dirige al modelo, una pieza clave para la fiabilidad de los agentes de programación. Grok Build también admite ejecución local: puede compilarse, conectarse a un sistema propio de inferencia y configurarse mediante un archivo config.toml. Además, xAI ha reiniciado los límites de uso para todos los usuarios.
El lanzamiento sigue a Grok 4.5, presentado el 8 de julio de 2026, que quedó segundo en el benchmark FrontierSWE, por delante de Claude Opus 4.8 y GPT-5.5, con un consumo eficiente de tokens. Ante las dudas sobre privacidad, xAI sostiene que aplica retención cero de datos desde el lanzamiento y que el envío de información siempre ha podido desactivarse desde la línea de comandos.
xAI, el brazo de IA de SpaceX, ha publicado Grok Build como código abierto bajo licencia Apache 2.0, ya disponible en GitHub. Grok Build es el equivalente a Codex o Claude Code: entiende el código base, edita ficheros, ejecuta comandos de shell, busca en la web y gestiona tareas largas, de forma interactiva o sin interfaz para scripting y CI. Abrir el harness permite auditar la maquinaria alrededor del modelo, un componente cuya fiabilidad pesa tanto como el propio modelo en los agentes de código.
La compañía habilita también ejecución local: compilar el binario, apuntarlo a inferencia propia y añadir un fichero de configuración sencillo. En paralelo, ha reiniciado los límites de uso para todos los usuarios. El lanzamiento llega tras Grok 4.5, presentado el 8 de julio de 2026, que alcanzó el segundo puesto en FrontierSWE por delante de Claude Opus 4.8 y GPT-5.5, con alta eficiencia de tokens. xAI ha aprovechado el lanzamiento para reafirmarse en su política de retención cero de datos (ZDR) como elemento diferenciador con la competencia.
El valor práctico que destaca 𝕏 @rohanpaul_ai (Rohan Paul) es poder inspeccionar la maquinaria del agente detrás del sistema de codificación en terminal, más allá del reinicio de los límites de uso.
El gesto de distribución llama la atención de 𝕏 @testingcatalog (Ai News | Testingcatalog): abrir el código en GitHub y borrar de golpe los topes de uso, una combinación pensada para atraer desarrolladores rápido.
Ante las dudas de los usuarios, 𝕏 @SpaceXAI (Spacexai) insiste en que la retención cero de datos ha estado activa desde el lanzamiento y que desactivar la subida siempre fue una opción respetada en el CLI.
El foco de 𝕏 @MatternJustus (Justus Mattern) está en el rendimiento: Grok cumple bien en FrontierSWE sin disparar el consumo de tokens, con mención directa a la colaboración con Cursor.
Más información:
📎 Grok Build is open source.
4. Anthropic documenta nuevos fallos de agentes autónomos
Una nueva investigación de Anthropic y colaboradores identifica cuatro fallos en simulaciones de alto riesgo con modelos avanzados: sabotaje encubierto de código, ayuda para ocultar un posible fraude, etiquetado de transcripciones deliberadamente incorrecto y alentar a empleados para divulgar información confidencial. Los autores recalcan que no son incidentes reales, sino pruebas que desarrolladores y auditores deberían medir antes de conceder más autonomía a los agentes. Este tipo de pruebas ganan peso a medida que los agentes reciben más herramientas y permisos para decidir sin intervención humana.
Anthropic probó varios modelos, incluido Claude, y publicó las transcripciones completas de cada escenario de forma transparente. Con este informe, la compañía sigue demostrando su foco en la seguridad. En junio de 2025 ya describió cómo los LLM podían actuar como amenaza interna, y en mayo de 2026 detalló técnicas (’Teaching Claude Why’) que, según ella, eliminaban esa desalineación en sus modelos recientes.
Desde 𝕏 @AnthropicAI (Anthropic) acotan el alcance del trabajo: ninguno de los cuatro escenarios corresponde a un incidente real, pero el comportamiento desalineado es lo bastante claro como para merecer estudio y mitigación.
El reproche más directo llega de 𝕏 @pmddomingos (Pedro Domingos), que habla de 'autoalarma recursiva': una empresa que se asusta a sí misma con las capacidades que atribuye a sus propios modelos.
El celo de seguridad tiene otra cara en 𝕏 @krzysztofwos (Krzysztof Woś), cuya opinión sobre Claude cambió al toparse con restricciones en una consulta que consideraba rutinaria.
Más información:
📎 Agentic Misalignment in Summer 2026
5. OpenAI entra en hardware con Codex Micro
OpenAI ha presentado Codex Micro, un pequeño teclado auxiliar desarrollado con Work Louder para controlar físicamente sus agentes de programación. El dispositivo cuesta 230 dólares y muestra mediante luces RGB si cada agente está pensando, ejecutando una tarea, esperando o ha terminado. En su página de venta figura actualmente como agotada.
El equipo incorpora 13 teclas mecánicas, un sensor táctil, un mando giratorio y un joystick. Estos controles permiten iniciar tareas habituales de Codex, como revisar cambios de código, corregir errores o reorganizar programas, aceptar o rechazar acciones, abrir conversaciones y usar la función de voz. El mando también ajusta el nivel de razonamiento de Codex según la complejidad del trabajo.
Codex Micro funciona por Bluetooth o USB-C con Mac y Windows e incluye 32 fundas de teclas con iconos personalizados. La iniciativa convierte funciones de software en accesos físicos y refuerza el ecosistema de Codex entre desarrolladores. Work Louder asumirá directamente el soporte y la garantía del dispositivo.
El detalle de distribución lo aporta 𝕏 @testingcatalog (Ai News | Testingcatalog), que confirma la disponibilidad inmediata en OpenAI Supply por 230 dólares y presenta el keypad como forma de tener los chats activos y el estado de cada agente al alcance de la mano.
Para 𝕏 @rohanpaul_ai (Rohan Paul) lo relevante es que se trata del primer hardware de OpenAI, con controles dedicados para aceptar, rechazar y lanzar flujos de trabajo desde un dispositivo físico en lugar de la pantalla.
El escepticismo más afilado lo pone 𝕏 @Nekodificador (Nekodificador), que lo despacha como 'un Stream Deck' y pone en duda que haya innovación real detrás del anuncio.
𝕏 @emollick (Ethan Mollick) demuestra la alternativa: publicó un proyecto de código abierto para controlar Codex desde un Stream Deck existente, y dejó que Codex tomara el control de su ordenador para implementarlo e instalarlo con apenas clics.
Más información:
📎 Codex Micro
6. Arena mide la factualidad, no solo la preferencia
Arena, la plataforma que ordena modelos por votación humana, ha incorporado la factualidad a su clasificación. Hasta ahora clasificaba solo por preferencia de los usuarios; el nuevo ranking combina esa señal con la precisión verificable de las respuestas, con un peso por defecto del 25% para la factualidad. Para construirlo, el equipo ha etiquetado más de dos millones de afirmaciones comprobables extraídas de conversaciones reales: 1,3 millones en Text Arena (unas 130.000 battles) y 700.000 en Search Arena (unas 40.000). Cada afirmación pasa por agentes de búsqueda que asignan una probabilidad de verdad calibrada.
El punto clave separa dos cosas que suelen confundirse. La preferencia mide si una respuesta agrada al leerla; la factualidad, si es cierta. Y el modelo que más gusta no siempre es el más preciso. GPT-5.5-search encabeza la clasificación de factualidad, y OpenAI figura como el único proveedor que mejora de forma sostenida con cada lanzamiento. La mayoría de modelos de código abierto retroceden cuando sube el peso de la factualidad. La función no viene activada por defecto: se selecciona desde la interfaz del leaderboard y por ahora solo cubre Text Arena y Search Arena. Arena matiza que la preferencia sigue siendo el indicador más importante: una respuesta puede ser factualmente sólida y aun así no dar al usuario lo que pedía.
El propio equipo de 𝕏 @arena (Arena.Ai) presenta las señales de factualidad como una forma de medir si los modelos hacen afirmaciones verificablemente ciertas, y no solo si sus respuestas convencen a quien vota.
El cálculo de 𝕏 @svpino (Santiago) resume el problema mejor que cualquier titular: con cinco afirmaciones por respuesta y un 87% de aciertos, la mitad de las respuestas contiene al menos un dato falso, y Search Arena empeora la cuenta con casi diez afirmaciones al 89%.
Para 𝕏 @Sumanth_077 (Sumanth) lo relevante es la distinción de fondo: una respuesta puede sentirse bien al leerla y ser incorrecta, y hasta ahora el ranking solo capturaba la primera mitad.
𝕏 @mylifcc (Lifcc) subraya la magnitud del trabajo previo: más de dos millones de afirmaciones etiquetadas en conversaciones reales antes de poder ponderar la clasificación con un 25% de factualidad por defecto.
Más información:
📎 Factuality in the Arena
7. Opinión: los agentes desplazan la complejidad, no la eliminan
El discurso sobre agentes de IA en la empresa está pasando de la promesa a la ingeniería de detalle. La idea que gana terreno: un agente no reduce la complejidad técnica, la traslada. Donde antes había implementación determinista, ahora hay diseño de instrucciones probabilísticas, definición de restricciones operativas y arquitectura de control. Ficheros de configuración como 'claude.md' ilustran el cambio: dejan de servir solo para reglas de código y pasan a codificar preferencias arquitectónicas, estándares de revisión y límites de producto. Es una capa de gobierno que alguien tiene que escribir y mantener.
La segunda tensión es la coordinación. Los sistemas multiagente se multiplican, pero cada traspaso entre agentes necesita coherencia, y depurar un fallo repartido entre varios sale más caro que en un flujo lineal. Herramientas como Raft, presentada para dotar a los agentes de memoria persistente, roles definidos e hilos compartidos, buscan quitar esa carga al humano que hoy hace de memoria, gestor y revisor a la vez. En el plano corporativo, la adopción real sigue siendo escasa: buena parte de lo que se vende como despliegue de agentes es poco más que un chatbot sobre procesos sin rediseñar. Sin tests end-to-end sólidos y supervisión humana clara, el resultado tiende a la degradación de calidad que los desarrolladores llaman 'slop'.
El valor de los agentes no elimina la automatización de ingeniería sino que la amplía, sostiene 𝕏 @rohanpaul_ai (Rohan Paul): un fichero como 'claude.md' puede recoger ya no solo reglas de código, sino conocimiento de dominio ganado a pulso.
Tras cenar con responsables de IT de grandes empresas, 𝕏 @levie (Aaron Levie) sitúa la gestión del cambio como el tema recurrente: la mayoría de procesos todavía necesitan modernizarse antes de que un agente pueda transformarlos.
Los mejores ingenieros ya dedicaban tiempo a automatizar su trabajo con reglas de linting y suites de tests end-to-end, recuerda 𝕏 @bcherny (Boris Cherny), un hábito que ahora resulta más rentable, no menos.