Mistral Large 4, EmbeddingGemma 2 y OpenTPU

Episodio 121 — 7 de octubre de 2026

[00:00] Gancho del episodio

Mistral ha abierto una vista previa pública de Large 4, Google está integrando texto, imágenes, video y audio en un modelo de búsqueda local, y OpenTPU está compartiendo un diseño de acelerador de IA. Empecemos con Mistral.

[02:00] Mistral Large 4 abre una vista previa pública con mejoras en seguridad y visión

Mistral ha abierto una vista previa pública de su modelo más grande, apodado Le Chonk. ML4 es un modelo originalmente multimodal de 1 billón de parámetros con 49 mil millones de parámetros activos. Mistral informa que ML4 se encuentra entre los cinco mejores modelos en el Artificial Analysis Cyber Index y lidera los modelos de pesos abiertos desarrollados fuera de China. El editor informa que en materia de anclaje visual, ML4 supera a GPT-6-Astra en Dense 200, obteniendo 42% frente al 41% de GPT-6-Astra. ML4 está disponible como API de vista previa en Mistral Studio hoy, con pesos abiertos prometidos para finales de mes. Los parámetros activos son la parte del modelo utilizada para un token en particular, en lugar de toda la colección de pesos. Esa distinción ayuda a explicar cómo un modelo de este tamaño distribuye su computación. El índice de seguridad evalúa encontrar y corregir fallas en software real. Mistral dice que ML4 obtuvo 82% en una tarea separada que requería reproducir una vulnerabilidad real y parchearla, y resolvió el 93% de los cuarenta desafíos de Cybench. Estos son resultados reportados de tareas específicas. No establecen éxito en cada problema de seguridad. La comparación de anclaje visual se trata de localizar lo que importa en una imagen, con el editor describiendo aplicaciones en imágenes satelitales y dibujos de ingeniería. Mistral entrenó el modelo en 3,800 GPU NVIDIA Grace Blackwell en sus centros de datos europeos. Para equipos que consideran el autoalojamiento, el acceso inmediato es el servicio de vista previa; el lanzamiento de pesos anunciado viene después.

[02:02] EmbeddingGemma 2 trae búsqueda multimodal a dispositivos locales

Google está convirtiendo varios tipos de medios en una representación buscable unificada. Un embedding es una lista compacta de números utilizada para comparar significados; permite que una consulta de texto encuentre medios relacionados sin coincidir solo con palabras exactas. Google lanzó EmbeddingGemma 2, un modelo abierto de 740M parámetros bajo Apache 2.0 que mapea nativamente texto, imágenes, video y audio en un espacio de embedding unificado de 768 dimensiones. El modelo soporta más de 100 idiomas, una ventana de contexto de 8K tokens y carga modular de codificadores que funciona solo texto a aproximadamente 191MB de RAM activa en un Pixel 11 Pro. El editor informa que en comparación con EmbeddingGemma 1, EmbeddingGemma 2 obtiene 78.68 frente a 68.76 en MTEB Code, una ganancia de 9.92 puntos. La tarjeta del modelo advierte que float16 puede producir embeddings inválidos o degradados silenciosamente porque el rango de activación excede lo que float16 puede representar. Los pesos del modelo están disponibles en Hugging Face y Kaggle bajo Apache 2.0, con entornos de ejecución que incluyen sentence-transformers, Ollama, llama.cpp y vLLM. La columna vertebral de texto usa 270 millones de parámetros, con codificadores separados de visión y audio que se pueden cargar solo cuando se necesitan. Eso le da a una aplicación solo texto una huella más pequeña que el modelo completo. El modelo también soporta acortar sus vectores de salida. Su documentación dice que la calidad se mantiene cerca de la representación completa hasta 256 dimensiones, mientras que 128 dimensiones reducen sustancialmente la calidad multimodal. Un vector más pequeño puede ahorrar almacenamiento, pero esa compensación depende del contenido que se busca. Las aplicaciones documentadas incluyen búsqueda local de código, recuperación para agentes de codificación y encontrar audio o video desde una consulta de texto. Estos son embeddings para recuperación y clasificación, en lugar de un chatbot que genera una respuesta. La advertencia de precisión importa porque un embedding malo puede parecer plausible mientras empeora silenciosamente la clasificación.

[03:47] Un acelerador de IA diseñado por IA ahora ejecuta diez modelos en una tarjeta FPGA de $3K

FeSens publicó OpenTPU, un acelerador de IA de código abierto que ejecuta diez modelos modernos en una tarjeta FPGA Kintex-7 PCIe. Todo el proyecto vive en un monorepo que puedes leer de principio a fin: el diseño de hardware en SystemVerilog, la arquitectura del conjunto de instrucciones, un simulador bit-exacto, un lenguaje de kernel y compilador, y el software host. La tarjeta ejecuta Qwen3, Qwen3.5, LFM2.5, Gemma 4, SmolLM3 y Phi-4-mini con sus pesos reales, haciendo coincidir exactamente la salida de tokens de Hugging Face en cada configuración. En el modelo más pequeño, LFM2.5-230M en int8, decodifica a 59 tokens por segundo; Qwen3-0.6B con cuerpo de 4 bits alcanza 31 tok/s. La arquitectura es deliberadamente simple. Un secuenciador emite una instrucción por ciclo a una unidad de matriz que multiplica pesos int8 transmitidos desde DRAM, una unidad vectorial que maneja matemáticas de punto flotante, y un cuantizador que convierte los resultados de vuelta a int8. No hay caché, por lo que cada movimiento de datos es explícito y una traza muestra exactamente dónde van los ciclos. Los controladores LiteDRAM calibraron ambos canales DDR3 en 12 segundos al inicio y manejan la memoria al 91-94% del pico de la tarjeta, frente al 82-87% de la imagen de producción anterior. Una segunda compilación empujó eso más allá, dando a la mayoría de los modelos una decodificación 8-9% más rápida. Los pesos cuantizados de 4 bits usan valores FP4 con escalas de bloque de dos niveles, manteniendo la cabeza del modelo de lenguaje en int8 para precisión. Reducen el tráfico de memoria en aproximadamente un tercio y aumentan el rendimiento de decodificación en un 40-45%. La tarjeta también maneja modelos de mezcla de expertos más grandes que su límite de 4 GiB transmitiendo expertos faltantes desde el host a través de PCIe, enrutando cada token y computando cada experto en el propio acelerador.

[05:25] Resumen de investigación: Menos alineación, mejor destilación: un hallazgo contraintuitivo para el entrenamiento entre tokenizadores

Hacer menos trabajo de alineación al destilar un modelo pequeño de un maestro más grande puede darte mejores resultados, según una nueva investigación de un equipo que incluye a Bingxi Hou. El hallazgo contraintuitivo proviene de estudiar lo que sucede cuando el maestro y el estudiante usan tokenizadores diferentes, es decir, diferentes formas de dividir texto en fragmentos. El enfoque común es alinear tanto vocabulario como sea posible. Pero en tres pares de maestro-estudiante en razonamiento matemático y generación de código, el equipo encontró que las posiciones estrictas uno a uno de tokens cubren la mayor parte de lo que el estudiante genera, incluso con un desajuste sustancial de vocabulario. Restringir la señal de entrenamiento a un pequeño subconjunto del vocabulario compartido en esas posiciones estrictas igualó o superó los métodos de alineación más amplios, incluyendo las líneas base estándar entre tokenizadores. Cuando agregaron supervisión a los grupos desajustados para intentar una cobertura completa, la precisión cayó. La razón probable: esas señales adicionales son débiles o apuntan en direcciones opuestas a las útiles, arrastrando el entrenamiento fuera de curso. La conclusión: al destilar entre tokenizadores, la supervisión compacta en posiciones estrictas supera la cobertura más amplia que introduce ruido.

[06:32] OpenAI publica pruebas matemáticas generadas por IA, con archivos Lean verificados por máquina

OpenAI publicó un lote de nuevos resultados matemáticos producidos por uno de sus modelos de IA y los puso en un repositorio de GitHub donde cualquiera puede leerlos. El lanzamiento incluye formalizaciones de muchas pruebas en Lean — un lenguaje de programación que permite a una computadora verificar si un argumento matemático realmente se sostiene. Eso importa porque las pruebas generadas por IA generalmente llegan como prosa que nadie puede verificar completamente; aquí, muchas de ellas están verificadas por máquina.

La compañía también compartió cuánto trabajo se invirtió. En promedio, cada resultado consumió aproximadamente tres horas de computación de estilo ChatGPT Pro. Se incluyen diez resúmenes de razonamiento del modelo para que otros matemáticos puedan ver cómo la IA llegó a sus respuestas, junto con estadísticas sobre cuántos problemas intentó antes de producir resultados dignos de publicar.

OpenAI trabajó con un comité externo independiente sobre cómo liberar trabajo de este tipo y financiará talleres y conferencias para discutir los resultados principales. También dice que está trabajando para liberar el modelo que produjo estos resultados, aunque no se da un cronograma en este anuncio.

Para el mundo matemático, el pago práctico es el acceso abierto: un conjunto de resultados para inspeccionar, criticar y construir sobre ellos. Para los oyentes curiosos, el titular es que un laboratorio de frontera ahora está publicando pruebas generadas por IA en un formato donde una computadora —no solo un árbitro humano— tiene que aprobar. El modelo en sí sigue siendo la pieza que falta; lo siguiente a observar es cuándo y en qué forma se realiza ese lanzamiento.

[08:06] Resumen de investigación: Aprendizaje por Refuerzo FP4 Iguala la Precisión Completa a 5x Velocidad

Los investigadores han construido TRACE, un marco de cuantización que permite que los modelos de lenguaje de Mezcla de Expertos ejecuten rollouts de aprendizaje por refuerzo en FP4—punto flotante de cuatro bits, una fracción de la precisión utilizada en la mayoría de los sistemas de producción. El problema que abordaron: cuando el entrenamiento y los rollouts usan diferentes rutas de baja precisión, el modelo se degrada. TRACE cierra esa brecha usando los resultados de cuantización del lado de rollout para guiar las decisiones de redondeo del lado de entrenamiento, manteniendo ambas rutas alineadas. También agregaron un esquema de caché que retiene selectivamente información de mantisa y escala de capas más profundas, reduciendo el almacenamiento y la sobrecarga de comunicación que normalmente acompañan a la guía de rollout. En cuatro modelos MoE grandes que abarcan tareas de razonamiento, codificación y RL de horizonte largo, TRACE entregó calidad de rollout comparable a BF16 mientras lograba hasta 5.4x de aceleración de rollout. El efecto práctico: el post-entrenamiento de RL, ya un devorador de computación, puede ejecutarse dramáticamente más barato sin el impuesto de precisión habitual. Vale la pena observar si las ganancias se mantienen en familias de modelos más allá de los cuatro probados.

[09:02] Mirror Particle apuesta por que los humanos necesitan un modelo del mundo, no juego de roles

Mirror Particle es una startup de San Francisco de dos años que debuta en el Startup Battlefield 200 de TechCrunch Disrupt a mediados de octubre, presentando un modelo base —lo que la CEO Abhivyakti Ahuja llama un "modelo del mundo"— construido desde cero para predecir el comportamiento humano y las razones detrás de él.

El argumento es que pedirle a un modelo de lenguaje grande que interprete un perfil demográfico es el enfoque incorrecto. Ajustar fino un modelo entrenado con cientos de miles de millones de puntos de datos con una porción delgada de respuestas de encuestas, dijo Ahuja, es "como traer una superpistola de agua a las Cataratas del Niágara". Los LLM modelan el lenguaje escrito, añadió, mientras que los humanos se guían por la percepción visual, el razonamiento espacial y la inteligencia social.

El sistema de Mirror ingiere una mezcla propietaria de datos de clientes, eventos actuales, cultura popular y redes sociales, y luego modela un segmento demográfico como algo que cambia con el tiempo. El enfoque está en el comportamiento "revelado" — lo que la gente realmente hace — y en rastrear qué disparadores cambian las motivaciones y en qué medida. Las predicciones llegan con el "por qué": las motivaciones, restricciones y contexto que justifican una recomendación.

En un piloto temprano, una marca de alimento para mascotas preguntó qué imágenes de empaque aumentarían las ventas. La tecnología de Mirror dijo que la pregunta estaba equivocada. La percepción de mercado masivo de la marca era el techo, y las imágenes no eran el levier.

La empresa inicialmente está vendiendo en investigación de mercado y estrategia de marca y producto, donde compite con Simile, Aaru y Persimmon de Humans&. Ahuja previamente construyó robots en Amazon Robotics; los cofundadores Will Song y Thomson Yen aportan experiencia en personalización de ventas y aprendizaje profundo para modelado de comportamiento de agentes, respectivamente. Mirror ha cerrado una ronda ángel y está cerca de cerrar su primera ronda de capital de riesgo, con un objetivo a largo plazo de pasar de pronósticos a nivel de población a pronósticos a nivel individual.

[10:47] Flaco Crítico Descubierto en el Protocolo de Comunicación de Agentes de IA

El investigador independiente Syed Anas Mohiuddin ha identificado una clase de vulnerabilidades en MCP, el Protocolo de Contexto de Modelo, que permite a atacantes usar un agente de IA comprometido como trampolín para controlar otros dentro de una red. La técnica explota una suposición fundamental de confianza: cuando los agentes se comunican a través de MCP, confían implícitamente en instrucciones de otros agentes autorizados sin aplicar la misma validación que aplicarían a una entrada externa. En las pruebas, Mohiuddin encontró el mismo patrón en Google, JP Morgan Chase, Weviate, Rapid7, la dirección digital interministerial del gobierno francés y el gobierno federal de EE.UU.—cinco organizaciones sin nada en común excepto su uso de MCP para comunicación de agente a agente.

Las vulnerabilidades varían en severidad. La falla de Google, rastreada hasta el conjunto de herramientas de base de datos en el repositorio googleapis/mcp-toolbox, recibió una calificación de severidad de 8 sobre 10. Provino de inicializar el cliente HTTP sin validación de redirección y no verificar direcciones IP de destino antes de enviar solicitudes. Un parámetro especialmente diseñado podría redirigir el conjunto de herramientas a un endpoint interno, permitiendo a un atacante hacer solicitudes no autorizadas en nombre del agente. La solución de Google involucró aplicar listas de permitidos y bloques de IP, validando la URL base al inicio en lugar de en el primer uso—exactamente el tipo de protección contra falsificación de solicitudes del lado del servidor que ha funcionado en servidores web tradicionales durante dos décadas. La vulnerabilidad comparable de Rapid7 recibió solo una calificación de 2.7 a pesar de permitir ataques similares.

Mohiuddin llama a la técnica pivote de protocolo porque aprovecha la confianza entre diferentes protocolos de comunicación. Un atacante obtiene acceso inicial a través de un protocolo, explota suposiciones de confianza para reenviar instrucciones maliciosas a través de un segundo protocolo, y escala a capacidades disponibles solo a través de otro método. El resultado es un ataque de múltiples pasos donde cada agente en la cadena hace exactamente lo que fue diseñado para hacer, lo que lo hace tan difícil de detectar.

El patrón más amplio es preocupante. MCP es un nuevo estándar que se ha expandido rápidamente a millones de sistemas empresariales antes de someterse a un endurecimiento de seguridad riguroso. Las organizaciones que construyen arquitecturas agentivas han abandonado en gran medida los principios de confianza cero, el modelo de seguridad que asume que cualquier nodo podría estar comprometido y requiere autorización explícita antes de transacciones sensibles. Los investigadores de seguridad son claros sobre la solución práctica: cualquier cosa pasada de un LLM a una herramienta debe tratarse como entrada de una fuente no confiable en internet, porque en un escenario de inyección de prompts, eso es exactamente lo que es.

[13:11] Jump Trading deja que GPT-6 Astra ejecute investigación cuantitativa de múltiples días con revisión humana

Jump Trading está poniendo a GPT-6 Astra a trabajar en algunos de sus problemas más difíciles de investigación cuantitativa, y la firma dice que el nuevo nivel de modelo ha cambiado lo que puede delegar a los agentes.

Lucas Baker, quien lidera el desarrollo de LLM en Jump, dice que el cambio es de ayuda corta de codificación a análisis autónomo de múltiples días. Con GPT-6 Astra, su equipo ahora puede definir un problema de investigación, un entorno de trabajo y una forma de medir si los resultados son buenos — y luego dejar que los agentes funcionen durante días, extrayendo de muchas fuentes de datos, tomando decisiones de juicio sobre lo que importa y ensamblando las piezas.

Lo que más cambió es el ciclo. Baker dice que los agentes ahora pueden encontrar mejoras significativas, fusionar y apilar esas victorias, juzgar la siguiente ronda contra la propuesta original y redirigirse activamente cuando los resultados intermedios dejan de tener sentido. Una persona todavía hace revisión — sobre qué datos extraer, cuánto tiempo ejecutar y si los hallazgos se mantienen — pero ya no se requiere dirección constante de cada paso.

La revisión humana no es opcional. En una industria regulada, cada salida, incluyendo cualquier señal de trading que produzca un agente, pasa por el mismo pipeline de revisión estricta y delimitado que uno generado por humanos. Baker lo describe como dar a los agentes un entorno seguro para producir lo que necesitan, y luego aplicar validación crítica con aceptación humana al final.

La dirección a más largo plazo que él llama "autoinvestigación": flotas de agentes, coordinados por otros agentes, trabajando en preguntas de investigación abiertas con poco más que un sistema definido por humanos, métricas de evaluación y prioridades para comenzar.

[14:47] OpenAI entrena GPT-6 Astra en tareas de contracción de Ironclad

OpenAI anunció GPT-6 Astra, un modelo de frontera que entrenó en flujos de trabajo de contracción proporcionados por Ironclad, la plataforma de inteligencia artificial para contracción. Es el primer modelo de OpenAI construido con aportes de una empresa de software socia y está orientado a tareas legales y de compras complejas como configurar NDA, configurar procesos de aprobación y actualizar cláusulas legales reutilizables para que reflejen la jurisdicción que selecciona quien hace la solicitud.

El proceso de entrenamiento usó 11 tareas identificadas por empleados de Ironclad y usuarios de OpenAI de Ironclad, cada una evaluada contra 8 a 50 criterios dependiendo de la complejidad. Los investigadores construyeron tareas de entrenamiento sintéticas a partir de contratos SEC EDGAR disponibles públicamente después de aplicar filtros diseñados para eliminar información personal, y luego usaron aprendizaje por refuerzo para que el modelo pudiera mejorar a través de la práctica y la retroalimentación. Ironclad también proporcionó entornos hospedados donde los modelos podían ejecutar flujos de trabajo reales del producto.

En la evaluación de investigación, GPT-6 Astra obtuvo una puntuación media de rúbrica de 55.0% comparada con el 41.6% de GPT-5.6 Sol, con el tiempo estimado por intento cayendo de 37.0 minutos a 19.2 minutos. En una tarea de ejemplo, Astra cumplió aproximadamente el 94% de los criterios en un tiempo estimado de 20 minutos, mientras que Sol cumplió aproximadamente el 85% en un tiempo estimado de 32 minutos. Un modelo de desarrollo interno usado mientras se construía Astra alcanzó el 63.7%.

El trabajo importa porque un agente que pierde el rastro de una regla de negocio a mitad de una tarea limita lo que una empresa de software puede automatizar con confianza. Sunita Verma, CTO de Ironclad, dijo que los agentes deben entender el ciclo de vida completo de la contracción, no solo acciones individuales. OpenAI está invitando a un pequeño número de empresas de software con tareas profesionales difíciles de automatizar a colaborar, pidiendo a cada socio ejemplos de tareas, evidencia de fracaso y criterios claros de éxito.

[16:27] Atlassian y OpenAI profundizan la alianza de IA empresarial con los modelos GPT-6

Atlassian y OpenAI están expandiendo una asociación que comenzó en 2023, introduciendo los nuevos modelos de razonamiento de OpenAI en las herramientas que millones de trabajadores del conocimiento ya usan todos los días. Bajo el nuevo acuerdo, la familia GPT-6 —incluyendo GPT-6 Astra y la serie GPT-5.6— impulsará agentes en toda la plataforma de Atlassian y dentro de Rovo, el asistente de IA de Atlassian.

El tejido conectivo es Teamwork Graph, una capa de contexto empresarial que vincula personas, proyectos, documentos y decisiones a través de Jira, Confluence, Bitbucket y Looms. Rovo utiliza ese gráfico para fundamentar las respuestas del modelo de OpenAI en el estado real del trabajo de una empresa. La fuente describe a un gerente de producto preparándose para un lanzamiento preguntándole a Rovo si el equipo va por buen camino; el asistente recupera tickets de Jira, documentos de Confluence e hilos de discusión, y luego presenta bloqueos de ingeniería e hitos perdidos en lenguaje sencillo.

La organización de ingeniería propia de Atlassian ya está profundamente inmersa en esto. Más de 3,000 desarrolladores de Atlassian usan Codex en sus terminales, IDEs y flujos de revisión de código, y los plugins de Atlassian permiten que esos prompts de Codex accedan a elementos de trabajo activos y documentación técnica.

Las dos empresas también están explorando integraciones más profundas con Jira que permitirían a los equipos asignar trabajo a agentes de IA, observar el progreso, capturar decisiones y revisar resultados. En combinación con la plataforma DX de Atlassian para medir el rendimiento de la ingeniería, el objetivo es ayudar a los líderes a rastrear el impacto de la IA en el tiempo de ciclo y la experiencia del desarrollador mientras mantienen a los humanos en el circuito.

[17:52] OpenAI implementa marca de agua textual para cumplir con las reglas de la UE

OpenAI está publicando su enfoque de marca de agua textual en respuesta a la Ley de IA de la UE, que requiere que los proveedores de IA generativa etiqueten el texto generado por IA de manera legible para máquinas. El sistema, llamado textGrain, añade una señal estadística invisible a las elecciones de palabras del modelo; un detector lee esa señal para juzgar si un pasaje provino de un modelo de OpenAI. OpenAI dice que textGrain igualó o superó otros enfoques que probaron, incluyendo SynthID para texto, y planea hacer código abierto la tecnología en las próximas semanas.

El lanzamiento está dividido. Los clientes de API en todo el mundo pueden optar por participar en salidas con marca de agua para modelos seleccionados a partir de ahora, mientras que la marca de agua permanece desactivada por defecto. Solo en la UE, se añadirá una marca de agua invisible al texto elegible de ChatGPT y Codex en las próximas semanas. El detector en sí se abrirá por solicitud, primero limitado a investigadores aprobados y organizaciones expertas.

Los números de detección son donde la historia se pone interesante. Con una tasa de falsos positivos del 1%, el detector capturó aproximadamente el 80% de las marcas de agua en pasajes de psicología de 200 tokens y aproximadamente el 95% en pasajes de 400 tokens. Para las matemáticas, donde la elección de palabras está restringida, la detección disminuyó considerablemente. La edición también erosiona la señal: en una prueba de 400 tokens, reemplazar el 10% de las palabras con sinónimos redujo la detección de aproximadamente 92% a 66%, y reemplazar el 25% la redujo a 17%. En todos los benchmarks en el modelo Astra, OpenAI informa que no hay diferencia significativa de calidad entre la salida con marca de agua y sin marca de agua.

OpenAI tiene claro lo que la marca de agua no prueba. No mide la contribución humana, no identifica al usuario, no establece la propiedad ni verifica la precisión, y la ausencia de una marca de agua detectada no prueba que un humano escribió el texto. Lo siguiente a observar es si el lanzamiento regional se mantiene en la práctica, especialmente cuando el texto se edita ligeramente o se traduce.

[19:41] El truco de copiar y pegar expone el uso de agua y energía de los centros de datos de Google en Nebraska

Un reportero de una estación de televisión de Nebraska expuso la huella de agua y electricidad de tres centros de datos de Google al copiar texto redactado de un archivo estatal en otro documento. Las redacciones, aplicadas como cajas negras sobre el texto original, se eliminaron con un resaltado y pegado. El Departamento de Agua, Energía y Medio Ambiente del estado había aceptado la afirmación de Google LLC de que las cifras eran secretos comerciales, bloqueando el acceso público.

Lo que salió: Agate LLC, el sitio de Google en Lincoln, reportó 52.65 megavatios de demanda máxima de electricidad y 13.299 megagallones de agua en enfriamiento y operaciones del sitio el año pasado, aproximadamente 13 millones de galones, suficiente para llenar aproximadamente 20 piscinas olímpicas, pero menos de la mitad de lo que la Ciudad de Lincoln usó el 29 de septiembre. Fireball Group LLC, el sitio de Papillion, reportó 547.88 megagallones para 2025, el más alto de cualquier centro de datos de Nebraska que reporta hasta el 30 de septiembre. Los seis sitios que reportan juntos usaron 765 millones de galones el año pasado, aproximadamente 1,160 piscinas olímpicas.

Los archivos también revelan los reembolsos de impuestos a las ventas que Google espera para 2025: $55.8 millones de Lincoln, $39.2 millones de Papillion y $22.6 millones del sitio de Omaha, Westwood Solutions LLC, que ocupa 288,530 pies cuadrados, aproximadamente cinco campos de fútbol.

Los informes fueron presentados bajo la orden ejecutiva del gobernador Jim Pillen del 20 de julio que requiere que los centros de datos divulguen su impacto en el agua, la energía y la infraestructura local. Google citó los estatutos de secreto comercial de Nebraska para mantener los números sellados. 10/11 presentó una solicitud de registros públicos el 30 de septiembre para ver los datos subyacentes.

Para cualquiera que elija dónde ejecutar cargas de trabajo, la historia convierte el estrés del agua y la red en un registro público, y les da a los reporteros locales un método de copiar y pegar para leer redacciones similares en otros lugares.

[21:25] Agent Lightning v1.0 Entrena Arneses de Agentes Reales con Aprendizaje por Refuerzo

Microsoft Research Asia ha hecho de código abierto Agent Lightning v1.0, un framework de aproximadamente 3,500 líneas que entrena agentes de IA usando el mismo arnés que se ejecuta en producción. La mayoría de los sistemas de aprendizaje por refuerzo de agentes obligan a los desarrolladores a reconstruir el agente dentro del ciclo de entrenamiento, lo que significa que el agente entrenado se desvía del desplegado. Agent Lightning evita esto al colocar un proxy de LLM compatible con OpenAI entre el agente y el modelo, grabando prompts, respuestas y probabilidades logarítmicas mientras deja el código del arnés existente sin cambios.

El framework tiene tres componentes: una API Gateway que almacena rollouts y actúa como el proxy, un Rollout Controller que ejecuta agentes como procesos locales o trabajos estándar de Kubernetes, y un Customized Trainer construido sobre verl. El soporte nativo de Kubernetes significa que los agentes se ejecutan en clusters autogerenciados, Kubernetes en la nube o máquinas locales sin pagar por sandboxes comerciales como Modal o E2B.

Un nuevo modo de RL Asíncrono Colocalizado permite que las actualizaciones de rollout y modelo compartan un grupo de GPUs. La API Gateway pausa las solicitudes entrantes, espera a que las en vuelo terminen, ejecuta la actualización y reanuda los rollouts, todo transparente para el arnés. Microsoft reporta aproximadamente una aceleración de 2x de extremo a extremo sobre el RL síncrono en experimentos.

Para demostrar la receta, el equipo ejecutó un pipeline de agente de codificación de extremo a extremo en Qwen3.5-9B. Pass@1 en SWE-bench Verified subió del 41.8% al 56.4%, una ganancia de 14.6 puntos porcentuales, usando solo aproximadamente 6,000 muestras de entrenamiento extraídas de un conjunto de datos abierto. Los cuatro desafíos de ingeniería que señalan son la re-tokenización a través de llamadas del harness, el cálculo de ventaja cuando un rollout se divide en muchas muestras, la normalización de pérdida que no cuenta doble, y la programación de cargas de trabajo variables en grupos de GPUs fijos.