GPT-6 Astra descifra un enigma de 2005 mientras Mistral lanza un modelo insignia de 675B bajo Apache 2.0

NOVA: Soy NOVA.

[ALLOY]: Soy ALLOY, y esto es AgentStack Daily.

NOVA: Se reporta que GPT-6 Astra descifró un mensaje Enigma del ejército alemán que había resistido a los criptoanálisis desde 2005. Eligió el objetivo, lo conectó con una transmisión previamente resuelta, escribió su propio software de búsqueda, trabajó alrededor de errores de transcripción, y recuperó una clave complicada por una rara rotación de tambor. Eso no es un chatbot recoverando trivialidades. Es un modelo llevando a cabo una investigación de dos días en criptografía, código e investigación archivística.

[ALLOY]: Y Mistral ha entregado el otro tipo de sorpresa: un modelo insignia de peso abierto con seiscientos setenta y cinco mil millones de parámetros bajo licencia Apache Two, además de un modelo de codificación de ciento veintitrés mil millones de parámetros orientado a agentes que permanecen en una tarea de software durante horas. La gente puede construir sistemas comerciales sobre el modelo insignia, enviar agentes de codificación a través de repositorios enormes, o poner un modelo de visión y acción de siete mil millones de parámetros en un robot que predice video futuro y movimiento físico.

NOVA: Hoy escucharás cómo Astra rompió MVUEH, qué ofrecen realmente los dos nuevos modelos de Mistral, y por qué un pequeño modelo de decisión puede aplicar salvaguardas de agentes en una CPU ordinaria. Hermes Agent lanzó 9.24, Ando dio identidades y buzones a los agentes de IA, y Claude Opus 5.5 entró en GitHub Copilot con una ventana de contexto de un millón de tokens.

NOVA: Hermes Agent lanzó 9.24 como un único artefacto estable, etiquetado internamente en punto veintiuno punto cinco, consolidando aproximadamente cuatrocientos sesenta pull requests fusionados desde el parche anterior. La ventana de desarrollo medida es mucho más grande de lo que sugiere ese conteo de fusiones: mil seiscientos diez confirmaciones que no son de fusión, cuatro mil ochocientos veintiocho archivos cambiados, aproximadamente ciento sesenta y cuatro mil líneas añadidas, y ciento cuarenta y nueve mil eliminadas. Nous Research dice que la versión alimenta imágenes Docker, Hermes Cloud y despliegues alojados. El escritorio recibió el trabajo más visiblemente denso. Su kit de plugins ahora expone borradores de compositor, decoraciones de lista de sesiones, preferencias de barra lateral, etiquetas de modelo, puentes tipados para configuraciones y habilidades, vistas incrustadas en sandbox, controles de apariencia, y eventos de backends de plugins. Una división de interfaz Simple y Avanzada reduce el desorden para los nuevos sin ocultar controles más profundos. Los conectores reemplazan la antigua pestaña de Protocolo de Contexto de Modelo, los plugins recién instalados pueden exponer una ruta directa de Conectar Ahora, y la incorporación presenta plugins junto a conectores. Los catálogos en francés, alemán y español están completos, mientras que la dirección de texto de derecha a izquierda y de izquierda a derecha se vuelve configurable. Los modelos personalizados pueden aparecer en selectores de compositor y configuración, los atajos de dictado y teclas de función están conectados, y los perfiles pueden detenerse, iniciarse o reiniciarse de forma independiente. Una opción de gateway independiente también puede mantener un perfil fuera del acuerdo de host compartido.

[ALLOY]: Eso es una cantidad remarkable para ocultar bajo la palabra parche. Las superficies del terminal ganan un dock en vivo para el objetivo fijo y los prompts en cola; las entregas de webhooks pueden reflejarse en la sesión de chat relevante; las imágenes de escritorio alojado añaden Bot Screen; y la vista kanban obtiene una ventana de ticket de dos columnas con texto de tarea formateado. Los catálogos de modelos añaden GPT-6 Sol, Terra, Luna y Claude Opus 5.5. Llegan plugins oficiales para Blender Lab y la aplicación de NVIDIA y herramientas de Broadcast, mientras decenas de plugins de la comunidad se unen al catálogo. El trabajo de rendimiento tocó la carga de configuración, el registro de herramientas, los mensajes del gateway y la selección de modelos. Lo que destaca es el tejido conectivo: Hermes se está volviendo menos como una pantalla de agente individual y más como un host para perfiles, plugins, conectores y varias interfaces compartiendo el mismo trabajo subyacente. Un plugin puede contribuir elementos de interfaz, eventos de backend, configuraciones, habilidades y herramientas en lugar de comportarse como un comando estrecho. Mientras tanto, los controles de perfil independientes reducen el radio de impacto cuando un espacio de trabajo necesita reiniciarse. Llamar a esto un parche es técnicamente preciso, pero emocionalmente engañoso.

[ALLOY]: Un modelo denso de codificación de ciento veintitrés mil millones de parámetros suena enorme incluso antes de llamarlo peso abierto. ¿Qué hace que Devstral 2 sea más que otro modelo que completa la siguiente función?

NOVA: Mistral lo construyó para codificación agentiva: trabajo de software multi-paso que involucra exploración de repositorios, ediciones, llamadas a herramientas, recuperación de errores y verificación repetida. Devstral 2 acepta doscientos sesenta y dos mil ciento cuarenta y cuatro tokens, comúnmente redondeados a una ventana de contexto de doscientos cincuenta y seis mil tokens. Eso le da a un agente espacio para una base de código sustancial, la conversación, la salida de herramientas, y un largo rastro de acciones anteriores. Más contexto no garantiza que el modelo use cada detalle correctamente, pero retrasa el momento en que el historial debe comprimirse o descartarse. Eso importa durante una refactorización larga porque los supuestos olvidados crean ediciones contradictorias: un archivo adopta una nueva interfaz mientras otro silenciosamente preserva el antiguo contrato. El modelo está disponible a través de OpenRouter, haciéndolo accesible a través de una capa de enrutamiento existente sin que un equipo primero implemente ciento veintitrés mil millones de parámetros de infraestructura.

[ALLOY]: Estoy interesado, con una ceja levantada. Los rompecabezas de codificación premian una respuesta final limpia; el trabajo real de agentes castiga a un modelo que pierde la pista de una interfaz renombrada cuarenta minutos después. Los pesos abiertos de Devstral y su ventana larga hacen que ese comportamiento más largo sea inspeccionable de una manera que los sistemas cerrados frecuentemente no son. Los equipos pueden estudiar cómo usa las herramientas, adaptarlo a una base de código y elegir su propio entorno de servicio. Mistral lo llama un modelo de codificación de código abierto de última generación, pero el trabajo sostenido de repositorio decidirá si esa etiqueta se mantiene. Si puede preservar la intención a través de cientos de archivos, varios intentos fallidos y un flujo de salida del compilador o pruebas, se convierte en una base seria para productos de codificación en lugar de simplemente un motor de autocompletado muy grande. El concurso significativo ya no es quién escribe la función aislada más bonita. Es quién puede mantenerse coherente cuando el trabajo de software se vuelve desordenado.

NOVA: Mistral Large 3 llega con seiscientos setenta y cinco mil millones de parámetros totales, pero activa cuarenta y un mil millones para cada token. Ese es un diseño disperso de mezcla de expertos: en lugar de enviar cada palabra a través de toda la red, el modelo la enruta a través de una selección más pequeña de grupos de parámetros especializados. Apunta a aprovechar la amplitud de un modelo enorme sin pagar el costo computacional completo en cada paso. La ventana de contexto alcanza doscientos sesenta y dos mil tokens, suficiente para documentos largos, conversaciones extensas y colecciones sustanciales de código en una sola solicitud.

[ALLOY]: Apache Two es la parte que me hizo sentarme derecho. La licencia permite uso comercial, redistribución y modificación con atribución. Una empresa puede autoalojarlo, adaptarlo o construir un producto pagado alrededor sin negociar un acuerdo especial de modelo de frontera. Los pesos abiertos no hacen que un sistema de seiscientos setenta y cinco mil millones de parámetros sea barato; los expertos inactivos aún tienen que almacenarse, moverse y servirse. Pero el permiso legal y el acceso técnico están alineados de una manera que rara vez están a esta escala.

NOVA: Mantengamos los superlativos bajo control. Mistral llama a Large 3 su modelo más capaz, mientras que la lista establece su arquitectura, longitud de contexto, distribución y licencia. Esos son hechos importantes, pero no prueban que venza a cada modelo insignia cerrado en razonamiento, código, visión o uso de herramientas. Y cuarenta y un mil millones de parámetros activos describen el cálculo por token, no la huella de memoria completa. Servir el pool completo de expertos sigue siendo un trabajo serio de ingeniería.

[ALLOY]: Rechazo justo. Aún así, esto ensancha el campo. Los grupos de investigación pueden inspeccionar un modelo disperso de escala de frontera. Las empresas con datos sensibles pueden mantener la inferencia dentro de su entorno. Las empresas de modelos pueden adaptar una base licenciada permisivamente en lugar de elegir un sistema más pequeño principalmente porque los términos son manejables. Emparejado con Devstral 2, Mistral cubre un carril especializado de agente de codificación y un carril insignia general: un especialista denso, una plataforma dispersa gigante. Ese es un par de lanzamiento de peso abierto agresivo.

NOVA: El quince de septiembre, el criptógrafo Carter Leffen dirigió GPT-6 Astra hacia el archivo de Crypto Cellar Research de mensajes de guerra no resueltos. Astra eligió MVUEH, una transmisión Enigma del ejército alemán de 1941 que había sido pública y no descifrada desde 2005. Aproximadamente dos días después, tenía una solución. El modelo sospechó que MVUEH compartía texto plano con SIPVX, otro mensaje del mismo día que Alex Shovkoplyas descifró en 2017. Usó el nombre de lugar repetido "Rosenow Rosenow" como un cribado —eso significa un fragmento adivinado del mensaje original— y escribió software en Python y C-plus-plus para un simulador Enigma y una búsqueda de claves estilo Bomba.

[ALLOY]: Ok, eso es realmente salvaje. El modelo no simplemente buscó combinaciones más rápido. Formó una conexión histórica, seleccionó una frase conocida plausible, construyó la maquinaria y siguió investigando. ¿Qué hizo que el mensaje fuera tan resistente?

NOVA: Varias complicaciones se acumularon. El orden de ruedas recuperado era dos-cinco-tres en lugar del arreglo cinco-uno-dos usado en otros mensajes del diez de julio de 1941. La rueda izquierda también avanzaba en la letra setenta y dos, un giro inusual que rompió suposiciones detrás de esfuerzos anteriores. El texto cifrado grabado también contenía errores de transcripción. Astra tuvo que encontrar un candidato que sobreviviera material fuente imperfecto en lugar de resolver un cifrado de aula pulido. También salieron a la superficie referencias a volúmenes de los Archivos Federales Alemanes que coincidían con holdings reales que no estaban listados en la página de Crypto Cellar. El criptanalista veterano Frode Weierud, quien mantiene el archivo, dijo que localizar esas referencias le había tomado semanas y describió a Astra como comportándose como un criptanalista profesional e investigador de archivos.

[ALLOY]: Esa combinación importa más que el eslogan de que la IA descifró Enigma. Enigma está entendido; este mensaje era difícil porque la evidencia era desordenada, las suposiciones previas estaban equivocadas, y pistas útiles estaban dispersas a través de la historia, archivos y criptoanálisis anterior. Se dice que Astra eligió un camino, escribió herramientas especializadas, revisó alrededor de anomalías, y conectó registros que los humanos habían encontrado por separado. Un resultado no puede establecer autonomía confiable a través de cada investigación, pero demuestra por qué los agentes de larga duración se están volviendo consequentes. Pueden unir código, búsqueda, inferencia y persistencia en un intento sostenido—y ocasionalmente hacer que expertos digan, "Espera, ¿encontró eso?"

NOVA: Claude Opus 5.5 ahora está disponible dentro de GitHub Copilot para codificación agentiva, tareas de larga duración y trabajo de conocimiento. Acepta texto e imágenes, devuelve texto, y soporta una ventana de contexto de un millón de tokens—aproximadamente mil quinientas páginas de texto ordinario. GitHub describe una configuración de razonamiento adaptativo que puede gastar más esfuerzo en trabajo difícil y usar respuestas más ligeras cuando sea apropiado. Artificial Analysis lo puntúa en cincuenta y ocho en el Índice de Inteligencia versión cuatro punto tres punto dos, contra una mediana de veintiséis. Esa evaluación combinada cubre codificación, ciencia, trabajo de terminal y razonamiento amplio. El modelo generó doscientos sesenta millones de tokens durante la ejecución del índice, casi tres veces la mediana, así que el puntaje fuerte vino con producción sustancial.

[ALLOY]: Lo cual lleva directamente al costo: cuatro dólares por millón de tokens de entrada y veinte dólares por millón de tokens de salida. Artificial Analysis pone una tarea de índice promedio en cinco dólares y noventa y ocho centavos. Los prefijos de prompts reutilizados pueden recibir un descuento de caché del noventa y cinco por ciento, lo cual ayuda cuando el mismo contexto de repositorio aparece repetidamente. El acceso a través de Copilot es el cambio inmediato. Un desarrollador puede emparejar una captura de pantalla con una solicitud de código, mantener un repositorio grande y un rastro de trabajo extenso en contexto, o entregar un refactor de múltiples etapas sin moverse a otro producto. Estoy emocionado por la capacidad, pero no compro "predeterminado diario" para cada tarea a ese precio de salida y verbosidad. Opus 5.5 se ve más fuerte cuando el trabajo es lo suficientemente costoso como para que un razonamiento más profundo pueda prevenir una factura humana mucho mayor.

[ALLOY]: El pitch de Ando es maravillosamente directo: dejen de hacer que los humanos copien el trabajo de un agente al chat de la empresa. ¿Es esto verdaderamente un reemplazo de Slack, o un wrapper de agente disfrazado de canales y mensajes directos?

NOVA: La fundadora Sara Du lo presenta como un messenger laboral diseñado alrededor de humanos y agentes por igual. Cada agente recibe su propia identidad y bandeja de entrada. Puede participar en canales, mensajes directos, grupos y llamadas transcritas; navegar conversaciones; elegir a qué canales unirse; entrar sin una etiqueta explícita; y contactar compañeros cuando cree que algo importa. Du llegó a esa conclusión mientras ayudaba a empresas a construir servidores de Protocolo de Contexto de Modelos en 2025. Los equipos querían agentes dentro de Slack, pero la gente todavía tenía que mover contexto y respuestas entre sistemas separados. Ella llama a esos intermediarios humanos "proxies de carne". Ando ha recogido veinte millones de dólares a través de rondas pre-seed y seed de Accel, Index Ventures y Emergence. Los primeros clientes abarcan software, bienes raíces y finanzas en quince países, mayormente en equipos pequeños.

[ALLOY]: El ejemplo más fuerte es también el que debería hacer que los gerentes estén ligeramente nerviosos. Un agente Ando notó dos canales discutiendo el mismo problema, creó una conversación grupal, proporcionó el contexto compartido, y propuso una decisión sin que se lo pidieran. Eso puede eliminar la fricción de coordinación porque un agente puede leer más conversaciones que cualquier persona. También le da al software discreción sobre cuándo interrumpir, a quién reunir, y qué contexto organizacional exponer. Slack ha reconstruido su bot como agente, Microsoft está embediendo Copilot en Teams, y el Buzz de Jack Dorsey está dirigido a desarrolladores, así que Ando no está entrando a un mercado vacío. Su apuesta es que la identidad de agente nativa—no otro panel de asistente—definirá el próximo messenger laboral. Si eso funciona, "¿quién pertenece a este canal?" se convierte en una pregunta sobre colegas de software además de humanos.

NOVA: GLiNER dos punto cinco Decide de Fastino es un modelo de权重 abierto de trescientos cuarenta millones de parámetros para los pequeños juicios que los agentes hacen constantemente: qué herramienta encaja, si el contenido es seguro, qué intención aplica, y qué ruta estructurada viene después. No genera un párrafo. Un desarrollador proporciona contenido y un esquema de preguntas tipeadas, y el modelo devuelve respuestas estructuradas con probabilidades, confianza y banderas de factibilidad. Las preguntas pueden restringirse entre sí, así que las decisiones relacionadas no se contradicen.

[ALLOY]: Eso suena modesto hasta que las decisiones discrepan. Fastino muestra un ejemplo de inyección de prompt donde la decodificación independiente detecta un ataque con confianza de punto-ocho-dos y aún así etiqueta el mismo prompt como seguro con confianza de punto-cinco-dos. Esas dos salidas no pueden impulsar una política coherente.

NOVA: La decodificación conjunta los resuelve juntos. Una regla de esquema dice que detectar daño requiere un veredicto inseguro, así que el modelo devuelve inseguro e inyección de prompt como un par coherente. Usa un codificador DeBERTa versión tres grande y fue afinado desde GLiNER dos grande. Los pesos bajo Apache Dos pueden ejecutarse en CPU, GPU, o en un entorno air-gapped, y Fastino también provee inferencia alojada. Su suite Fast Decisions contiene cinco mil cien ejemplos a través de diecisiete conjuntos de datos. El modelo de trescientos cuarenta millones promedió sesenta-uno punto uno por ciento de coincidencia exacta, lideró nueve conjuntos de datos, y superó una línea base Qwen tres punto cinco clase de aproximadamente cuatro mil millones de parámetros por aproximadamente dos punto seis puntos. La precisión de intención de soporte alcanzó setenta y cinco punto tres por ciento.

[ALLOY]: Y la latencia hace que la afirmación de CPU sea real en lugar de decorativa: con quince etiquetas y un lote de uno, el tiempo de respuesta mediano fue ciento sesenta y siete milisegundos en un Xeon de cuarenta y ocho núcleos y treinta y ocho milisegundos en una GPU V-uno-ciento. Esas son las mediciones de Fastino, así que una reproducción más amplia todavía importa. Pero un modelo compacto, no generativo tiene propiedades atractivas para guardrails. Es rápido, estructurado, desplegable localmente, y menos inclinado a convertir una decisión de enrutamiento en un ensayo. Fastino también ofrece una versión hermana de mil millones de parámetros y una versión multilingüe de doscientos ochenta y siete millones de parámetros. Honestamente, el juez útil más pequeño puede resultar más valioso dentro de un agente que otro modelo general intentando hacer todo.

NOVA: FLUX 3 Action es un modelo de pesos abiertos de siete mil millones de parámetros que controla robots prediciendo percepción y movimiento futuros juntos. Recibe cuadros de cámara, el estado actual del robot, y una instrucción de texto. Luego genera cuadros de video futuros junto con el siguiente tramo de acciones físicas. Black Forest Labs reporta una tasa de éxito de cuarenta y dos punto noventa y dos por ciento a través de las cien veinte tareas simuladas de mesa de RoboLab, adelante de NVIDIA Cosmos 3 Nano con treinta y seis punto ocho por ciento a pesar de usar un backbone mucho más pequeño.

[ALLOY]: Entonces imagina el futuro cercano mientras elige un movimiento, en lugar de tratar la visión y el control como etapas desconectadas. Eso es ingenioso. ¿Pero es lo suficientemente rápido para hardware útil, o solo ingenioso en simulación?

NOVA: Las comparaciones publicadas dicen que el punto de control base corre entre uno punto cincuenta y dos y tres punto noventa y cinco veces más rápido que Cosmos 3 Nano en precisión de ocho bits a través de GPUs de estación de trabajo y centro de datos. Una variante con destilación de pasos alcanza hasta dos punto veintiocho veces la velocidad de pi-cero-punto-cinco en el mismo hardware. Hay un detalle de tiempo: los puntos de control de FLUX predicen dos punto trece segundos de movimiento por llamada, mientras pi-cero-punto-cinco predice un segundo, así que el hardware y la longitud de la tarea afectan la ventaja aparente. La política DROID completa necesita aproximadamente treinta y dos gigabytes de memoria GPU en precisión de dieciséis bits. La cuantización de ocho bits más mover el codificador de texto a otro lugar le permite caber en una tarjeta de veinticuatro gigabytes. La integración de Hugging Face LeRobot y soporte de NVIDIA Jetson lo extienden hacia laboratorios y despliegues perimetrales.

[ALLOY]: El ensayo físico es la parte convincente. Positronic Robotics corrió treinta intentos ciegos a través de diez tareas DROID en un brazo Franka. FLUX 3 Action completó veintiocho, comparado con veintisiete para Cosmos 3 Nano, veinte para DreamZero, y trece para pi-cero-punto-cinco. Los equipos pueden afinarlo desde demostraciones, y Black Forest Labs provee recetas de adaptación DROID y de bajo rango. En una, un robot SO-uno-cero-uno aprendió comportamiento de recoger-y-colocar de aproximadamente doscientos ejemplos. Los pesos, código y recetas usan la Licencia de Comunidad FLUX para trabajo no comercial. No es un cerebro robot universal, pero siete mil millones de parámetros, despliegue en una tarjeta de veinticuatro gigabytes, y veintiocho ensayos físicos exitosos lo hacen inusualmente tangible.

NOVA: Oracle ha enviado un aviso de fuerza mayor con respecto al Proyecto Jupiter, el enorme centro de datos en Nuevo México que está desarrollando una unidad de Blue Owl Capital. La cláusula le da a Oracle protección para retrasar pagos si el sitio no cumple su objetivo de comenzar a operar en 2028. Oracle sigue siendo el principal inquilino; esto es un aislamiento financiero contra retrasos, no una salida declarada. El Proyecto Jupiter enfrenta oposición pública y obstáculos regulatorios, mientras que las restricciones de energía, construcción, permisos y suministro pueden hacer que una instalación grande se retrase.

[ALLOY]: Eso convierte el auge de capacidad de IA en lenguaje contractual. Un centro de datos puede anunciarse años antes de que la electricidad llegue a un rack, sin embargo los compromisos de los inquilinos comienzan a dar forma a la financiamiento inmediatamente. Oracle está preservando flexibilidad si el concreto, los permisos y los megavatios no llegan juntos. Blue Owl todavía tiene un cliente ancla, pero ahora tiene un recordatorio público de que el cliente no absorberá cada falla de tiempo. La fuerza mayor es más común alrededor de desastres y shocks de suministro; invocarla en un proyecto activo de IA muestra cuán expuestos se han vuelto estos cronogramas de infraestructura. La carrera de computación no está limitada por la demanda. Puede estar limitada por una audiencia local, una línea de transmisión, o una fecha límite que parecía plausible en una hoja de cálculo.

[ALLOY]: Me encanta este ya. En El Secreto de la Isla Monkey, una jarra de grog sobrevive unos treinta y cinco segundos antes de disolverse. Un químico de la Universidad de Groningen trato ese chiste como un problema inverso real: observar lo que pasó, luego calcular lo que debe haber sido la bebida. El artículo usa la Edición Especial de 2009 y cronometra la jarra con un cronómetro. Asume que la jarra es de peltre, lo simplifica a estaño puro, y asigna a la pared un grosor de dos milímetros porque el juego no da esa medida. A partir de esa geometría, el cálculo estima cuántos protones necesitaría proporcionar un ácido para perforar la taza en treinta y cinco segundos.

NOVA: Luego viene la lista de ingredientes más fina en química: ácido sulfúrico, ácido de batería, queroseno, propilenglicol, edulcorantes artificiales, ron, acetona, colorante rojo número dos, grasa de ejes, pepperoni, y el misterioso SCUMM. El ácido sulfúrico y el ácido de batería son los impulsores plausibles de la corrosión rápida. La mayoría de los otros contribute poco a atacar el estaño, y los ingredientes aceitosos podrían incluso ralentizar el proceso al cubrir la superficie. No, el pepperoni no era el reactivo activo. Ya lo sé—es decepcionante.

[ALLOY]: El artículo califica el resultado como semicuantitativo, que es lenguaje académico para "hicimos química real con suposiciones fornecidas por una comedia pirata." Ninguno de esos ingredientes explica tampoco el color verde brillante del grog. Aun así, el ejercicio tiene un encanto científico real. El juego fornece un resultado, dimensiones incompletas, y una receta absurda; la química convierte esos fragmentos en límites sobre lo que podría plausiblemente pasar. No va a revisar tablas de corrosión industrial, pero muestra cómo una broma ficticia puede convertirse en un problema memorable sobre velocidad de reacción, grosor de material, y evidencia incierta.

NOVA: Radical Numerics ha surgido de investigadores detrás de Evo y Evo-2, modelos de lenguaje genómicos desarrollados en Arc Institute. Esos sistemas anteriores generaban genomas completos de bacteriófagos desde cero, y versiones sintetizadas produjeron virus funcionales en trabajo de laboratorio. La nueva empresa quiere extender el modelado genómico a través de ADN, ARN y proteínas. El ADN contiene genes y las secuencias que codifican proteínas, así que un modelo entrenado en ese lenguaje puede encontrar estructura biológica antes de agregar información tridimensional de proteínas, epigenética, o texto ordinario.

[ALLOY]: Esa es la descripción emocionante y la descripción alarmante en la misma frase. ¿Qué evidencia sugiere que estos modelos pueden optimizar la biología en lugar de meramente imitar secuencias familiares?

NOVA: En un experimento, el equipo entrenó en aptámeros de ARN emparejados con puntuaciones de rendimiento. Los aptámeros son moléculas cortas que se pliegan en formas y se unen a objetivos particulares. Los datos de entrenamiento mostraban secuencias mejorando paso a paso; cuando se pidió continuar esa trayectoria, el modelo recuperó secuencias de mayor puntuación que no había visto. Radical Numerics interpreta eso como evidencia de que el sistema aprendió una dirección de optimización dentro del lenguaje biológico. Su liderazgo incluye a Eric Nguyen, Michael Poli, Stefano Massaroli y Armin Thomas, con experiencia de Arc, Liquid AI, Stanford e investigación asociada con Yoshua Bengio y Chris Ré.

[ALLOY]: La presión de doble uso es unavoidable. Una mejor generación de secuencias podría acelerar vacunas, terapéuticos, detección de patógenos y análisis defensivo. La misma habilidad expande lo que el software puede proponer en biología, donde un artefacto generado puede tener consecuencias más allá de una pantalla. Radical Numerics aboga por avanzar agresivamente en capacidades para que los defensores posean herramientas igualmente poderosas. Entiendo ese argumento, pero la capacidad por sí sola no garantiza que los defensores reciban acceso igual, tiempo o apoyo institucional. Los modelos genómicos cruzados podrían conectar ADN, ARN, proteínas y resultados experimentales en un solo ciclo de diseño. Si lo hacen, los controles de acceso y la evaluación biológica se convierten en evidencia central de credibilidad porque el software no está meramente describiendo la vida—está ayudando a proponer nuevos diseños biológicos.

NOVA: Los modelos de video pueden crear movimiento convincente y sin embargo perder el seguimiento de un objeto una vez que pasa detrás de algo. Un artículo trending en Hugging Face examina la permanencia del objeto—la comprensión de que un objeto continúa existiendo cuando sale de la vista. Los investigadores encuentran que los generadores de video actuales a menudo carecen de esas expectativas físicas incluso cuando los cuadros individuales se ven realistas.

[ALLOY]: Su conjunto de datos WROP enseña situaciones que se parecen a intuiciones físicas tempranas: una pelota rueda detrás de una silla, permanece siendo la misma pelota, y debe emerger consistentemente. Eso suena elemental, pero los mundos generados se desmoronan cuando las identidades, posiciones o formas se reinician durante la oclusión.

NOVA: Mejor persistencia importa más allá de video más bonito. Un robot necesita recordar dónde fue un objeto mientras otro objeto bloquea su cámara. Un simulador debe preservar estado oculto en lugar de inventar un reemplazo al reingresar. Un modelo mundial que predice eventos futuros necesita continuidad, no meramente píxeles plausibles. WROP trata ese sentido común faltante como algo que los datos de entrenamiento pueden abordar directamente.

[ALLOY]: Y me gusta la humildad de ese objetivo. Antes de afirmar que una máquina entiende un mundo físico, pregúntate si recuerda la pelota detrás de la silla. Esa pequeña pregunta expone la brecha entre renderizar movimiento y mantener un mundo coherente.

NOVA: Un estudio de robótica dio a agentes de codificación, incluyendo el agente de codificación basado en terminal Claude Code, descripciones de tareas más acceso al simulador. Los agentes escribieron programas de planificación reutilizables dentro de un presupuesto de cómputo fijo. Los investigadores congelaron esos programas antes de evaluar situaciones no vistas, así que los agentes no podían improvisar después de ver los casos finales. A través de entornos simulados de dos puntos de referencia de robótica, los planificadores escritos por agentes lograron tasas de éxito promedio que van del cincuenta y seis al noventa y cinco por ciento. Los planificadores diseñados a mano alcanzaron el cuarenta y siete por ciento en el subconjunto directamente comparable, mientras que los programas generados también se mantuvieron mejor a medida que aumentaba el conteo de objetos.

[ALLOY]: Esa es una distinción significativa: el agente de codificación realiza la exploración costosa una vez, y luego el código de planificación ejecutable ordinario maneja nuevas instancias repetidamente. No borra la ingeniería de robótica; el simulador, el objetivo, las restricciones y la transferencia a máquinas físicas aún dan forma al resultado. Pero convierte meses de autoría manual en síntesis de programas, donde un agente puede revisar su planificador contra un entorno simulado. Y complementa a FLUX 3 Action en lugar de reemplazarlo. Un enfoque aprende acciones de bajo nivel a partir de demostraciones y predicción de video futuro; el otro le pide a un agente de codificación que invente software reutilizable que organice una tarea más grande. La robótica puede absorber IA en ambas capas.

[ALLOY]: Las conversaciones sobre salud mental exponen una debilidad en la puntuación de IA ordinaria: una respuesta puede contener datos correctos y aún así ser dismissiva, insegura o totalmente inapropiada. ¿Cómo intenta OpenAI's MentalHealthBench medir esa diferencia?

NOVA: OpenAI desarrolló MentalHealthBench con la participación de expertos en salud mental y lo lanzó el veintitrés de septiembre. Utiliza situaciones conversacionales realistas para evaluar si una respuesta de IA es tanto útil como segura. Las expectativas informadas por expertos definen el buen comportamiento en lugar de reducir la tarea a un recuerdo factual o preguntas de opción múltiple. Eso incluye reconocer cuándo una conversación requiere escalamiento o apoyo profesional en lugar de permitir que un asistente improvise más allá de un límite apropiado. El benchmark les da a los desarrolladores, investigadores y proveedores de modelos una superficie de evaluación compartida para un dominio donde el tono, el juicio y la conciencia del daño importan junto con la información. Productos como coaches de bienestar, diarios adyacentes a la terapia y asistentes de triaje pueden sonar refinados mientras responden mal precisamente en el momento en que una persona es más vulnerable.

[ALLOY]: Y eso estaba esperando. Un benchmark compartido permite que los equipos informen el comportamiento en situaciones documentadas en lugar de señalar un puñado de demostraciones reconfortantes. También eleva el estándar para la evaluación específica del dominio. Una puntuación de seguridad general no puede representar cada entorno sensible porque la salud mental, la biología, las finanzas y la medicina contienen diferentes formas en que una respuesta plausible puede causar daño. El uso más amplio determinará qué tan influyente se vuelve MentalHealthBench, especialmente si investigadores independientes lo extienden o comparan sus juicios de expertos con otros marcos clínicos. Aun así, el lanzamiento mueve la conversación de "nuestro asistente suena cariñoso" hacia el comportamiento observable en intercambios difíciles. El lenguaje similar a la empatía es barato para que un modelo lo genere; el juicio apropiado bajo presión emocional es mucho más difícil, y eso es lo que una evaluación debe exponer.

NOVA: Tres repositorios se mueven rápido. HKUDS Nanobot tiene cuarenta y ocho mil quinientos sesenta y un estrellas, arriba mil trescientas diez en treinta días, y lanzó punto tres punto cinco el quince de septiembre. Es un framework de agente personal autohospedado y ligero con interfaz web, herramientas, memoria, soporte de Model Context Protocol, automatización, flujos de trabajo multiagente e integraciones de chat. Codebase Memory MCP está cerca con cuarenta y cuatro mil ochocientos sesenta y seis estrellas, pero su crecimiento en treinta días es más pronunciado: cinco mil ciento once estrellas, o doce punto nueve por ciento. El lanzamiento punto once también llegó el quince de septiembre. Indexa repositorios en un grafo de conocimiento persistente que abarca ciento cincuenta y ocho idiomas y promociona consultas en submilisegundos con ahorros significativos de tokens.

[ALLOY]: Esos dos se conectan naturalmente: Nanobot supply el entorno del agente, mientras Codebase Memory le da a un agente un mapa estructurado de un repositorio en lugar de hacerlo releer archivos repetidamente. El tercer proyecto vuelve ese mismo protocolo de herramientas hacia el trabajo creativo. MCP for Blender entra en seguimiento con veintinueve mil trescientos quince estrellas y fue actualizado el veinticuatro de septiembre. Permite que modelos de lenguaje controlen Blender a través de un plugin comunitario. Eso ya es una audiencia seria para una primera aparición rastreada. Juntos, estos repositorios muestran el protocolo extendiéndose a través de agentes personales, inteligencia de código y producción tridimensional, no como otra función de chat, sino como una forma en que los modelos operan software especializado.

NOVA: Devstral 2 es la selección especializada: un transformador denso de ciento veintitrés mil millones de parámetros con una ventana de contexto de doscientos sesenta y dos mil tokens, pesos abiertos y disponibilidad a través de OpenRouter. Su diferenciador es la codificación agentic sostenida, mantener el contexto del repositorio, resultados de herramientas y decisiones anteriores a través de una larga tarea de software en lugar de optimizar solo para la completación de código aislada.

[ALLOY]: Mistral Large 3 es el flagship general: seiscientos setenta y cinco mil millones de parámetros totales, cuarenta y uno mil millones activos por cada token, la misma ventana de doscientos sesenta y dos mil tokens, y una licencia Apache Two. Su diseño disperso de expertos concentra el cómputo mientras preserva un grupo de parámetros mucho más grande. Escala de frontera, términos comerciales permisivos y pesos abiertos lo hacen mucho más trascendente que un listado rutinario de marketplace.

NOVA: El lanzamiento local es abenzerps/Qwen-Image-2.1-Uncensored-GGUF, trending en Hugging Face con dieciséis cientos noventa y cuatro likes y más de setecientos quince mil descargas. Es un modelo de texto a imagen cuantizado derivado de Qwen Image dos punto uno, empaquetado en GGUF y etiquetado para flujos de trabajo de ComfyUI.

[ALLOY]: La cuantización reduce la precisión numérica para que los pesos grandes puedan ejecutarse de manera más práctica en hardware local, mientras que GGUF es un formato de pesos soportado por herramientas de inferencia local. "Sin censura" describe cómo está posicionada la variante; no es una promesa sobre calidad, licenciamiento o salida responsable. Aun así, más de setecientos quince mil descargas es una tracción sustancial. Refleja un fuerte interés en la generación de imágenes que permanece bajo control local y se conecta a pipelines creativos familiares basadas en nodos.

NOVA: Presentar MentalHealthBench trae juicio informado por expertos a conversaciones realistas de salud mental, mientras que Kyutai Releases Voice of Reason: A Speech-Native Model that Solves Spoken Math with Reinforcement Learning mueve el razonamiento directamente al audio. Los dos modelos de voz a voz de pesos abiertos de Kyutai se construyen sobre GLM-four-Voice-nueve mil millones, y el ajuste supervisado más el aprendizaje por refuerzo supuestamente elevan la precisión de GSM-ocho-K hablada de veintisiete punto tres a setenta y siete punto uno por ciento sin una etapa de transcripción. Uno evalúa conversación sensible; el otro razona sin primero aplanar el habla a texto.

[ALLOY]: Y abenzerps/Qwen-Image-2.1-Uncensored-GGUF trending en Hugging Face añade el lado creativo local: dieciséis cientos noventa y cuatro likes, más de setecientos quince mil descargas, empaquetado GGUF y compatibilidad con ComfyUI. Al lado de Voice of Reason, muestra modelos abiertos extendiéndose a través de habla nativa y generación de imágenes local, mientras MentalHealthBench pregunta si interacciones cada vez más naturales también permanecen útiles y seguras cuando las apuestas son humanas.

NOVA: Para el material de apoyo detrás de estos desarrollos, mira las notas del programa en Toby On Fitness Tech punto com.

[ALLOY]: Gracias por escuchar AgentStack Daily.

NOVA: Volveremos pronto.