Actualización de WebMCP en Codex Desktop y la Computadora en la Nube 24/7 de Grok Bot
Codex Desktop implementa WebMCP, Mensajes, soporte nativo para Linux y revisión multi-repositorio. Mientras tanto, Grok Bot de xAI ofrece a los agentes una... Show notes: https://tobyonfitnesstech.com/es/podcasts/episode-107/
🎧 Listen to EpisodeEpisodio 107 — 27 de agosto de 2026
[00:00] Gancho del episodio
Hermes Agent v2026.8.27 se lanzó el 27 de agosto, consolidando aproximadamente 525 pull requests fusionados en un solo lanzamiento que se aplica a imágenes Docker, despliegues alojados e instalaciones nuevas, y reemplaza la versión base v2026.8.19 del 19 de agosto. Las adiciones visibles para el usuario abarcan un panel de tareas del agente rediseñado, diffs de planes estructurados, streaming expandido de llamadas de herramientas, un programador en segundo plano que mantiene vivos los trabajos de larga duración entre reconexiones, y un nuevo modo de sandbox del sistema de archivos que controla las escrituras detrás de listas de permitidos por proyecto. Bajo el capó, el lanzamiento incluye correcciones de seguridad para el runtime, valores predeterminados actualizados para el enrutador de modelos, depreciación de las banderas legacy de la CLI, y cambios disruptivos en el manifesto de plugins que los integradores downstream deberán parchear antes de actualizar. Las imágenes Docker mantienen la misma versión, los tenants alojados se están implementando en oleadas hasta el final de la semana, y los operadores auto-alojados deben volver a ejecutar el script de instalación para adoptar el nuevo esquema del manifesto de plugins.
[02:00] Lectura del lanzamiento de Agent Stack: Hermes Agent v2026.8.27, v2026.8.19
Hermes Agent lanzó v2026.8.27 el 27 de agosto, acumulando aproximadamente 525 pull requests fusionados en una sola etiqueta estable para imágenes Docker, despliegues alojados e instalaciones nuevas. El cambio más visible es que el navegador del escritorio ahora se abre en su propia ventana del sistema operativo, emparejado con un motor de actualización remota SSH gestionado y un rail de perfil de flota. Las sesiones de navegación ya no viven dentro del panel de chat — obtienen su propia ventana que puedes acoplar o cerrar independientemente — y las actualizaciones remotas pauscan el gateway sobre el socket de control en lugar de eliminarlo a mitad de tarea.
La navegación local ganó una ruta controlada por consentimiento que usa tu perfil predeterminado de Chromium con un flujo de cierre con aprobación en Windows, para que los sitios que requieren tu sesión de navegador iniciada funcionen sin re-autenticación. El catálogo remoto de MCP creció a más de 50 servidores de proveedores alojados verificados en vivo, incluyendo Cloudflare, Grafana Cloud, Better Stack y Railway. MCP es el Model Context Protocol, el estándar que los agentes de IA usan para comunicarse con herramientas y datos externos, así que una sola instalación de Hermes puede ahora alcanzar esos servicios sin un puente local.
La búsqueda web y extracción ganó caché de resultados TTL, y tool_search ahora ejecuta búsquedas multi-consulta con derivación para que variantes de palabras como "runs" y "running" se mapeen a la misma herramienta. Para usuarios de Mac, el cifrado opcional de OS-keychain para secretos almacenados elimina los diálogos de macOS Keychain por cada lanzamiento. La compresión lean-tail se activó por defecto, reduciendo la verbosidad de las respuestas sin perder contenido útil.
Otros cambios lanzados: las instalaciones de imagen y de paquetes ahora rechazan actualizaciones inseguras in-place, los controles de link-unfurl de Slack se enviaron, los contenedores Docker comparten identidades, llegaron backends de entorno de terminal conectables, y los selectores de modelo agregaron GLM-5.3-Flash, MiniMax M3 free y MiniMax H3 Max video. La etiqueta anterior, v2026.8.19 el 21 de agosto, introdujo el nivel web sin claves — rotación gratuita de cinco proveedores con failover en anillo para que las instalaciones nuevas puedan buscar en la web sin claves API configuradas — más una ola de mejoras de CLI con un selector de modelo difuso y paleta de comandos Ctrl+P. Las notas curadas cubriendo v0.20.0 en adelante aterrizarán con v0.21.0.
[03:19] La app de escritorio Codex agrega WebMCP, Messages, Linux y revisión multi-repositorio
La app de escritorio Codex de OpenAI tuvo un mes cargado de actualizaciones entre finales de julio y finales de agosto, con cambios que tocan el navegador integrado, macOS, Linux y cómo se revisan los proyectos multi-repositorio.
El 30 de julio, la versión de escritorio 26.727 agregó historial de barra de direcciones y búsqueda de Google dentro del navegador integrado, acceso opcional al historial de navegación para ChatGPT, menciones de pestañas de Chrome y texto seleccionado, preguntas de YouTube, y clic derecho para preguntar a ChatGPT. Los proyectos de múltiples carpetas obtuvieron una vista de revisión combinada para diffs entre repositorios, y las imágenes generadas gainaron vistas Focused y Canvas para comentarios y refinamiento. La misma compilación agregó una vista de Activity y mejoró la confiabilidad de instalación en Windows para rutas de paquetes largas.
El 11 de agosto, OpenAI lanzó una vista previa de escritorio para Linux soportando Ubuntu, Debian y Fedora en x64 y ARM64 a través de paquetes .deb y .rpm. La app de escritorio también puede importar instrucciones, configuraciones, skills, plugins, proyectos y trabajo reciente desde Claude Code, Claude Cowork y Cursor, con una actualización automática opcional para el trabajo importado.
El 20 de agosto, la app de macOS agregó un plugin de Apple Messages disponible en todos los planes, utilizable desde ChatGPT Work o Codex, con aprobación requerida antes de enviar. La misma actualización introdujo instantáneas compartidas de solo lectura de hilos locales de Codex en cada plan de Codex, co-edición de Site en el mismo espacio de trabajo y cambios de URL, hilos anclados unificados entre escritorio e iOS, y mayor disponibilidad de Computer History en Europa. OpenAI advierte que el redactor de patrones secretos en instantáneas compartidas podría no eliminar cada detalle sensible.
El 25 de agosto, la extensión del navegador se expandió de Chrome a Edge, Brave, Opera y Vivaldi, con menciones de pestañas y control del navegador en los cinco, aunque Opera carece de chat lateral. El navegador de escritorio integrado también incorporó Site Tools proporcionados por el sitio web a través de WebMCP para ChatGPT Work y Codex. Esa característica requiere la última app de escritorio más una suscripción a GPT-5.6 Sol o Terra y no está disponible en Luna, Enterprise o Edu.
[05:11] Grok Bot da a los agentes una computadora en la nube persistente y trabajo 24/7
Grok Bot es el producto de agente separado de xAI, no un modo dentro del chat de Grok. Se lanzó en beta temprana el 11 de agosto y el acceso se expandió nuevamente el 26 de agosto. Los usuarios crean múltiples Bots, les envían mensajes como a compañeros de trabajo, los meten en hilos compartidos y permiten que un Bot le pase trabajo a otro.
La elección arquitectónica central es que cada Bot que crea un usuario comparte una computadora en la nube persistente, incluyendo archivos, estado del navegador e inicios de sesión. El aislamiento es por usuario en lugar de por Bot. Eso permite que un Bot de ventas investigue cuentas en un navegador con sesión iniciada, le pase el resultado a un Bot de operaciones que procesa facturas desde Gmail, y continúe mientras el laptop está cerrado. Los Bots pueden iniciar sesión en sitios web que carecen de APIs o servidores MCP, y xAI dice que pueden observar a un usuario completar un flujo de trabajo una vez, guardarlo como rutina, aceptar correcciones y dar seguimiento en hilos abandonados.
Los clientes de descarga cubren macOS en Apple silicon e Intel, Windows 10 y 11 en x64, y iPhone y iPad. La página del producto no lista un cliente Android de Grok Bot.
El acceso está incluido con las suscripciones SuperGrok, SuperGrok Plus y SuperGrok Heavy, con el nivel individual más bajo a $30 por mes. El mismo producto también viene incluido con los planes Cursor Pro, Pro+ y Ultra a partir de $20 por mes, y Cursor Teams Standard y Premium. El uso de Grok Bot se factura por separado del uso estándar de Grok o Cursor. El acceso empresarial sigue siendo solo lista de espera.
Las funciones de seguridad y control listadas por xAI incluyen cifrado en tránsito y en reposo, una opción de exclusión de entrenamiento, Auto Review para acciones sensibles y controles empresariales para DLP, certificados, proxies y controles de red.
[06:52] Alibaba Vista Previa de Qwen4 a Través de Qwen3.8-Flash-Next
El equipo de Qwen de Alibaba ha lanzado Qwen3.8-Flash-Next, un modelo multimodal de mezcla de expertos con 125 mil millones de parámetros que anticipa la arquitectura Qwen4 que se avecina. El total principal es de 180 mil millones de parámetros, divididos en tres partes: un núcleo de 125B, una tabla de embedding N-gram de 51B y un módulo de predicción multi-token de 4B. Solo 6 mil millones de parámetros se activan por token, y ahí es donde reside la historia de la eficiencia.
Cuatro cambios arquitectónicos definen la vista previa. Una capa híbrida combina Gated DeltaNet con Qwen Sparse Attention para el modelado de secuencias. Las conexiones Gated Residual reconfiguran cómo fluyen los gradientes a través de la red. La tabla de embedding N-gram le da al modelo memoria explícita de patrones de corto alcance, y el optimizador Muon reemplaza el paso de entrenamiento estándar. Juntos, estos cambios reducen el cómputo activo sin achicar el alcance general del modelo.
El equipo reporta que el costo de entrenamiento es aproximadamente una novena parte del Qwen3.7-Plus, una caída pronunciada que el nuevo optimizador y la atención híbrida ayudan a explicar. Para quienes se auto-hospedan, el checkpoint en FP8 ocupa 172.78 GiB, lo que impone restricciones reales al hardware de consumo y empuja los despliegues serios hacia GPUs de centro de datos.
Qué significa esto para los constructores: la vista previa les da a los equipos multimodales una lectura temprana sobre la dirección de Qwen4, especialmente el enfoque de atención híbrida y la tabla de embedding N-gram. La huella de 172.78 GiB en FP8 establece un piso claro de planificación para almacenamiento y memoria. Hasta que Qwen4 completo llegue, trate el rendimiento en benchmarks como direccional en lugar de definitivo.
[08:13] La orquestación supera a la automatización como el cuello de botella del CX, dice Tata Communications
Tata Communications está haciendo valer que el trabajo de experiencia del cliente ha superado su plomería. Gaurav Anand, quien dirige globalmente la Suite de Interacción con el Cliente en Tata Communications, dice que las empresas han pasado los últimos años agregando IA conversacional a sistemas heredados que nunca fueron construidos para cargas de trabajo agentivas, y las costuras están empezando a mostrar.
El resultado, argumenta Anand en una columna de VentureBeat publicada el 27 de agosto de 2026, es que ahora los agentes humanos cargan con la mayor parte de la carga de integración. Tienen que coser contexto de herramientas desarticuladas solo para descubrir lo que un sistema de IA ya le ha dicho a un cliente. El cuello de botella ya no es el acceso a los datos, dice, sino la ausencia de un contexto empresarial compartido que vincule identidades de clientes, interacciones, transacciones, políticas, viajes y sistemas operativos en una sola comprensión común.
La arquitectura tradicional de CX fue diseñada para enrutamiento lineal impulsado por humanos, no para orquestar flujos de datos en tiempo real entre agentes de IA autónomos, lagos de datos y trabajadores humanos. Anand enmarca el cambio como un movimiento de automatización a orquestación como la máxima prioridad de CX. La pregunta estratégica, sugiere, es cómo coordinar la inteligencia que ya existe dentro de la empresa para que el cliente nunca sienta los silos internos.
Ese marco coloca las herramientas de orquestación, la resolución de identidad y las capas de contexto en el centro del próximo ciclo de construcción de CX, por delante de otra actualización más del modelo conversacional.
[09:37] El verdadero riesgo de IA empresarial que se esconde entre los agentes
La pieza hace una afirmación contundente: la parte peligrosa de la IA empresarial no es que un solo agente se desborde, es la red invisible de llamadas entre agentes que nadie mapea ni posee.
Los despliegues reales no envían un agente y lo ven correr. Envían flotas donde cada agente llama APIs, llama a otros agentes y accede a aplicaciones construidas mucho antes de que existiera cualquier tomador de decisiones machine. Un ticket de soporte que antes tocaba un sistema ahora puede pasar por cuatro agentes antes de que un humano lo vea, y cada transferencia es una aprobación que nadie escribió.
La matemática es lo que hace esto doloroso. Agregar un décimo agente no suma diez conexiones, puede sumar docenas, porque cualquier agente podría llamar a cualquier otro agente, y cada llamada puede desencadenar otra llamada en algún otro lugar. La complejidad se composa con el número de rutas entre agentes, no con el número de agentes mismos, y el trabajo de nadie es dibujar ese gráfico.
La gobernanza no se ha puesto al día. Pregúntale a un equipo de seguridad cuáles agentes pueden acceder a cuáles sistemas y obtienes silencio. Pregunta cuál agente activó cuál acción aguas abajo hace tres saltos y obtienes más silencio. El instinto es tratar esto como una lista de verificación: aprueba el agente, registra el agente, sigue adelante. Pero una lista de verificación verifica un momento en el tiempo, mientras la complejidad corre a través de una cadena. Una pila de aprobaciones únicas no puede gobernar un flujo de trabajo más de lo que una sola verdura hace una dieta.
La conclusión práctica para los constructores: antes de escalar flotas de agentes, dibuja el gráfico de qué agente puede alcanzar qué sistema. Si nadie en el equipo puede bocetar esa imagen en menos de cinco minutos, el despliegue ya es demasiado opaco para gobernar.
[11:20] Liquid AI's Pipette Benchmarks Models on the Devices They Actually Run On
Cada tarjeta de modelo en internet lista números de calidad medidos en hardware de clase servidor con precisión completa. Esos números raramente predicen cómo se comporta el mismo modelo una vez que se reduce y corre en un teléfono o laptop. Esta semana Liquid AI liberó Pipette, un conjunto de benchmarks de código abierto y reproducible construido para cerrar esa brecha.
Pipette mide cuatro variables a la vez: el modelo, su cuantización, el runtime y el hardware del dispositivo. Al tratarlos como un solo experimento en lugar de preguntas separadas, produce números que se parecen más a lo que un desarrollador realmente ve cuando carga lateralmente un modelo en hardware real. Liquid AI se asoció con Artificial Analysis para servir como validador independiente de metodología, lo que busca mantener el conjunto honesto sobre lo que mide y lo que no.
Para los constructores que envían funciones en el dispositivo, el cambio práctico es que las decisiones de modelo-y-cuantización ahora pueden respaldarse con latencia medida y calidad en un teléfono específico, no extrapoladas de un documento. El conjunto es de código abierto, así que los equipos pueden agregar sus propios perfiles de dispositivo y volver a ejecutar la matriz en el hardware que realmente envían.
La advertencia honesta es que Pipette mide lo que mide; no elimina los límites de hardware subyacentes que restringen la IA en el dispositivo. Pero ahora existe una forma pública y reproducible de comparar candidatos en las mismas condiciones, y eso es lo que la mayoría de los proyectos en el dispositivo han estado perdiendo.
[12:47] OpenAI publica los primeros resultados de inferencia del chip Jalapeño
OpenAI publicó las primeras cifras de rendimiento para Jalapeño, su chip personalizado diseñado para ejecutar modelos de IA en producción. La inferencia, el trabajo de generar realmente una respuesta cuando un usuario presiona enviar, es la parte más cara de operar un producto de IA moderno, y los chips construidos específicamente para esto pueden ser más rápidos y más baratos que los procesadores gráficos de uso general. Esa es la apuesta detrás de Jalapeño.
En los resultados publicados el 25 de agosto, OpenAI dice que el chip ofrece velocidad y eficiencia energética líderes en la industria, con mayor rendimiento (más respuestas por segundo) y menor latencia (menos espera por respuesta) que las opciones comparables. La empresa presentó el anuncio como la primera validación concreta de un esfuerzo de varios años para diseñar su propio silicio en lugar de depender enteramente de aceleradores de terceros.
Las cifras importan porque la inferencia, no el entrenamiento, es el costo recurrente. Un chip diseñado específicamente que maneja la misma carga con menos energía, o exprime más respuestas de cada servidor, reduce directamente el costo de operar un chatbot, un asistente de código o un trabajo de resumen por lotes a escala. Para OpenAI eso se traduce en margen, y para cualquiera que construya sobre sus API eventualmente podría traducirse en movimientos de precios o nuevos niveles de latencia.
Dos cosas a seguir: evaluaciones comparativas independientes que confirmen o contradigan las cifras proporcionadas por el proveedor, y cualquier señal sobre si Jalapeño está limitado a cargas de trabajo internas de OpenAI o eventualmente servirá tráfico externo a través de ChatGPT o la API.
[14:14] El pequeño modelo de glucosa de Google supera a rivales cientos de veces más grandes
Google Research y la Universidad de Nueva Gales del Sur en Sídney publicaron GlucoFM esta semana, un modelo fundacional dirigido a datos de monitores continuos de glucosa. Los monitores continuos de glucosa son los pequeños sensores que las personas con diabetes usan para rastrear su azúcar en sangre las 24 horas del día, generando una nueva lectura cada pocos minutos.
GlucoFM tiene solo 720,000 parámetros, una fracción del tamaño de la mayoría de los sistemas modernos de IA, sin embargo, en 14 evaluaciones de cohortes y tareas, promedió 58.8 en AUC de precisión-recall, superando a GluFormer, un modelo de 135 millones de parámetros construido para el mismo trabajo, y MOMENT, un modelo fundacional de series temporales generales de 385 millones de parámetros. Para ponerlo en contexto, GluFormer es aproximadamente 190 veces más grande y MOMENT es aproximadamente 535 veces más grande que GlucoFM.
El truco está en cómo GlucoFM lee la señal. En lugar de tratar una traza de glucosa como una larga secuencia indiferenciada, divide los datos en dos corrientes: una corriente fisiológica lenta que captura la deriva de la línea base y tendencias más prolongadas, y una corriente de eventos transitorios que captura picos de corta duración de comidas, ejercicio o medicamentos. Cada corriente obtiene su propia vía de codificación antes de que el modelo las fusione nuevamente. El modelo se preentrena de manera autosupervisada, lo que significa que aprende la forma de las trazas de glucosa a partir de datos sin etiquetar antes de cualquier ajuste fino para una predicción específica.
Esto importa porque los datos de CGM son ruidosos, específicos de cada persona y llenos de dinámicas superpuestas. Un modelo general de series temporales tiene que aprender esa separación desde cero con un presupuesto de parámetros mucho mayor. GlucoFM incorpora la separación en la arquitectura, que es cómo un modelo del tamaño de un pequeño clasificador de imágenes puede ganar en un punto de referencia de estilo clínico.
Las advertencias son reales. GlucoFM es un prototipo de investigación sin aprobación regulatoria de la FDA o equivalente, así que nada llega a una clínica mañana. Google no ha anunciado una API pública, pesos abiertos o una asociación con fabricantes de dispositivos. Lo que sí señala GlucoFM es que la默认值 de más grande es mejor en IA médica tiene un retador creíble cuando la arquitectura está diseñada alrededor de la biología en lugar de tomada prestada del lenguaje.
[16:16] Resumen de investigación: Un bucle más inteligente para enseñar a modelos de visión a seguir instrucciones
Entrenar un modelo de visión para seguir instrucciones complejas generalmente significa recopilar grandes conjuntos de datos y esperar que sean precisos, variados y suficientemente difíciles. El nuevo marco VISA trata ese paso de creación de datos como un bucle que el sistema mejora por sí mismo. Cada ronda, inspecciona una imagen, descarta restricciones que no se pueden verificar y propone nuevas extraídas de un banco de memoria. Las instrucciones candidatas se verifican con herramientas ejecutables y jueces de modelo de lenguaje estructurados, y cualquier falla se diagnostica y retroalimenta para que la siguiente ronda apunte exactamente a las debilidades que el modelo objetivo aún muestra.
Esa retroalimentación cumple una doble función: afina los datos futuros y también sirve como señal de recompensa para el aprendizaje por refuerzo, por lo que no es necesario entrenar un modelo de recompensa separado. En el punto de referencia MM-IFEval, los modelos entrenados con VISA superaron a líneas base sólidas en el seguimiento de instrucciones mientras se mantenían estables en siete pruebas multimodales generales. La consecuencia práctica es datos de ajuste más baratos y de mayor calidad para cualquiera que construya asistentes de visión que tengan que manejar varias reglas a la vez, como leer un gráfico y responder en un formato específico con un límite de palabras.
[17:22] Grok 4.6 de xAI llega a Microsoft Foundry
El Grok 4.6 insignia de xAI ya está disponible en Microsoft Foundry, el catálogo de modelos de Azure para despliegues de IA empresarial. La integración, anunciada el 26 de agosto, posiciona a Grok 4.6 junto a otros modelos de frontera para comparación directa y despliegue a través de la infraestructura empresarial de Azure.
Grok 4.6 viene con una ventana de contexto de 500,000 tokens y cuatro niveles de esfuerzo de razonamiento configurables: bajo, medio, alto y xalto. xAI describe el modelo como construido para agentes de larga duración y trabajo interactivo y visual ambicioso, lenguaje que indica que la empresa está cortejando cargas de trabajo de agentes serios en lugar de chat de una sola vuelta.
Para los constructores, Foundry ofrece un único lugar para evaluar Grok 4.6 contra modelos de frontera competidores, ejecutar pruebas específicas de carga de trabajo y desplegar puntos finales administrados bajo controles de seguridad y gobernanza empresarial. xAI específicamente menciona agentes de código, copilotos de ingeniería, asistentes de investigación y automatización empresarial como los tipos de sistemas que el modelo apunta, con desarrolladores capaces de comenzar en el catálogo de modelos de Foundry ahora mismo.
[18:17] Resumen de investigación: Una forma más barata de dejar que los modelos de IA piensen más tiempo
Una nueva técnica llamada Prefix Sliding podría hacer que los modelos de IA sean mucho más baratos de ejecutar cuando pasan mucho tiempo "pensando" problemas difíciles. Hoy, cuando un modelo razona extensamente, mantiene cada pensamiento intermedio en la memoria de trabajo, por lo que cuanto más tiempo piensa, más costosa se vuelve cada pregunta. Los investigadores descubrieron que la mayoría de esos pasos intermedios dejan de importar una vez que el modelo ha avanzado, así que conservarlos es pagar por contexto que rara vez ayuda.
Su solución es simple en espíritu: mantener solo las instrucciones originales al frente y una ventana deslizante de los últimos pocos miles de piezas de texto, descartando el resto sobre la marcha. Eso limita el uso de memoria sin importar qué tan larga se vuelva la cadena de pensamiento. Sin ningún reentrenamiento, aplicar Prefix Sliding a modelos existentes los hizo aproximadamente 3 veces más rápidos mientras se preservaba la precisión, y entrenar con la misma política llevó el techo más allá de 100,000 pasos de razonamiento.
Para los constructores que envían agentes que necesitan ciclos de planificación largos, este tipo de límite de memoria importa porque el costo de inferencia es lo que impide que los agentes de razonamiento ambicioso sean económicos a escala.
[19:26] Open WebUI Agrega Aprobación de Herramientas con Intervención Humana
Open WebUI, el frontend de chat autohospedable en el que se basan muchas arquitecturas de IA local, lanzó la versión 0.11.1 el 25 de agosto. El único cambio documentado es un flujo de aprobación de herramientas con intervención humana.
Así es como funciona. Un administrador habilita la función en la configuración. A partir de entonces, cualquier conversación puede cambiarse del valor predeterminado —donde las llamadas a herramientas se ejecutan según las solicita el modelo— a un modo donde cada llamada hace pausa y pregunta al usuario primero. La aprobación o rechazo ocurre mediante botón o atajo de teclado, una llamada a la vez, y la elección se recuerda para el resto de esa conversación y para las futuras.
Las notas de lanzamiento se cortan a mitad de la función, así que esta historia se mantiene estrechamente en el único cambio que está documentado: la puerta de aprobación por llamada, su habilitación a nivel de administrador, y su interruptor por conversación.
Para quienes se autoalojan, esto es una palanca de seguridad real para cualquier flujo de trabajo de agente. El movimiento práctico es dejar el interruptor de administrador apagado para chats puramente conversacionales y activar la aprobación por conversación en cualquier lugar donde el modelo tenga herramientas adjuntas, para que cada llamada haga pausa para una aprobación o rechazo explícito en lugar de ejecutarse sin verificación. Observen si las versiones futuras extienden la elección recordada más allá de una sola conversación hacia valores predeterminados a nivel de espacio de trabajo, ya que por ahora la persistencia es local al chat donde se activó el interruptor.
[20:46] Google Divide Su Línea de TPU de Octava Generación en Hot Chips
En Hot Chips 2026, la conferencia anual donde los equipos de chips revelan su último silicio para una audiencia técnica, Google discutió su familia de Unidades de Procesamiento Tensorial de octava generación. Según un informe de ServeTheHome publicado el 26 de agosto, la nueva familia se divide por carga de trabajo en dos chips: el TPU 8t dirigido a entrenamiento y el TPU 8i dirigido a inferencia.
Esa división es la historia estructural del anuncio. Un chip está construido para enseñar modelos y el otro para servir predicciones, y Google los presenta uno al lado del otro como un par combinado. La compañía también se destaca como uno de los únicos hiperescaladores que desarrolla su propio hardware de entrenamiento en lugar de obtener silicio de entrenamiento de proveedores externos —una posición inusual en la industria, donde la mayoría de los grandes operadores de IA compran su computación de entrenamiento de fabricantes de chips de terceros.
Para los constructores, la pregunta práctica es el acceso. Los TPU de Google típicamente llegan a desarrolladores externos a través de Google Cloud y un pequeño círculo de socios, y las inmersiones técnicas profundas publicadas alrededor de Hot Chips usualmente anticipan lo que se vuelve generalmente disponible unos meses después. Las señales concretas a observar son las publicaciones del blog de Google Cloud y los números de referencia vinculados a los nuevos chips, que revelarán si la octava generación cambia el costo, el rendimiento o la escalabilidad de entrenar o ejecutar modelos en la arquitectura de Google.