Codex 0.144, GPT-5.6 Sol, Grok 4.5, GPT-Live, y Robostral Navigate
Hoy, AgentStack Daily examina Codex 0.144, la línea GPT-5.6 Sol, Terra y Luna de OpenAI, y el lanzamiento de Grok 4.5 de SpaceXAI. También cubre la capacidad de escucha y habla simultánea de GPT-Live, el modelo Robostral Navigate de 8B de Mistral, ChatGPT Work, Microsoft Flint, y nuevas investigaciones sobre memoria de control continuo, evaluación de citas, evaluaciones de codificación, agentes proactivos, investigación web delegada, recuperación de código procedural y pruebas de agentes en mercados energéticos. Show notes: https://tobyonfitnesstech.com/es/podcasts/episode-84/
🎧 Listen to EpisodeEpisodio 084 — 10 de julio de 2026
[00:00] Apertura del episodio
OpenAI lanzó GPT-5.6 como una familia de API de tres niveles: Sol para trabajo agéntico complejo, Terra para desarrollo equilibrado, y Luna para cargas de trabajo rápidas y de menor costo. El alias del modelo sin sufijo enruta a Sol, cuya página oficial de API especifica una ventana de contexto de 1,050,000 tokens y un máximo de salida de 128,000 tokens; los precios van desde $1 por millón de tokens de entrada para Luna hasta $30 por millón de tokens de salida para Sol. OpenAI también presentó GPT-Live-1 y GPT-Live-1 mini, modelos de voz full-dúplex que pueden escuchar y hablar simultáneamente, con acceso a API próximo. SpaceXAI lanzó Grok 4.5 a través de su Responses API a 80 tokens por segundo y precios de entrada/salida de $2/$6, junto con resultados de referencia reclamados por la empresa incluyendo 83.3 por ciento en Terminal-Bench 2.1. El nuevo Robostral Navigate 8B de Mistral usa una cámara RGB—sin profundidad, LiDAR, ni múltiples cámaras—y reporta 76.6 por ciento reportado por la empresa en R2R-CE.
[02:00] Lectura del Lanzamiento de Agent Stack: OpenAI Codex rust-v0.144.1, rust-v0.144.0
OpenAI envió dos lanzamientos de Codex: rust-v0.144.0 amplía autenticación, aprobaciones, compatibilidad de transporte y comportamiento de runtime, mientras que rust-v0.144.1 continúa con correcciones específicas del instalador y confiabilidad del Modo Código. El cambio de flujo de trabajo más trascendental es que las herramientas MCP pueden solicitar autenticación interactivamente sin requerir una habilitación experimental. Los hosts de app-servidor también pueden proporcionar autenticación de Codex en tiempo de ejecución y redirigir un inicio de sesión exitoso a una página alojada. Debajo de ese flujo, el changelog incluye stores de credenciales OAuth MCP compartidos serializados, dando a las integraciones un mecanismo definido para retener estado OAuth compartido.
El segundo mecanismo concreto es el nuevo modo de aprobación de escrituras de la app. En este modo, las acciones declaradas de solo lectura están permitidas, pero las escrituras activan un mensaje. Eso les da a los constructores un límite de aprobación más específico que tratar cada acción de la app de la misma manera. El lanzamiento también mejora el trabajo autenticado de larga duración: las sesiones de app ahora renuevan la autenticación vencida para el conector codex_apps alojado. Las advertencias de inicio de sesión con código de dispositivo se actualizaron para explicar cómo los usuarios pueden reconocer y detener intentos de phishing.
El transporte y el comportamiento de runtime también recibieron correcciones prácticas. Las WebSockets de Responses continúan usando el transporte de baja latencia mientras respetan los proxies del sistema y las autoridades de certificado personalizadas. En Windows, las sesiones sandbox pueden eliminar archivos en raíces escribibles y acceder al runtime primario administrado. OpenAI también corrigió los crashes del Modo Código en Intel macOS, las secuencias de control de terminal que podían corromper la renderización de TUI o el historial de conversación reanudado, y los hilos de ChatGPT reanudados cuyos datos de compactación referencian un modelo retirado. Esos hilos ahora reintentan con el modelo actualmente seleccionado.
El seguimiento rust-v0.144.1 se concentra en fallos de distribución. Las instalaciones independientes ya no fallan cuando GitHub devuelve metadatos de lanzamiento compactados o reordenados. Las instalaciones de paquetes macOS ahora exponen el host del modo código junto con el ejecutable de Codex. Si ese binario host compañero no está disponible, el Modo Código recurre al runtime embebido en lugar de volverse inutilizable. Juntos, estos cambios importan para equipos que integran Codex en entornos administrados donde la autenticación, proxies, certificados, empaquetado y política de aprobación pueden determinar si un flujo de trabajo de agente se ejecuta en absoluto.
Los constructores deben prestar atención particular a cómo el modo de escrituras clasifica las acciones declaradas de solo lectura y dónde aparecen los mensajes en integraciones reales de apps. Lo siguiente a observar es si el manejo de metadatos del instalador y el respaldo del runtime embebido eliminan los fallos del Modo Código en las configuraciones de paquete que rust-v0.144.1 específicamente aborda.
[03:28] OpenAI Divide GPT-5.6 Entre Sol, Terra y Luna
OpenAI ha lanzado GPT-5.6 como una familia de tres modelos en lugar de un único endpoint indiferenciado. Sol es el nivel insignia para razonamiento complejo, codificación y flujos de trabajo agénticos, con fortaleza particular posicionada alrededor de tareas de línea de comandos y codificación de múltiples pasos. Terra se ubica debajo como la opción equilibrada y de menor costo para codificación cotidiana, razonamiento y trabajo agéntico. Luna es el nivel más rápido y más económico, dirigido a trabajos de alto volumen o sensibles a latencia incluyendo chat, clasificación y flujos de trabajo agénticos ligeros. Los tres están disponibles a través de la API de OpenAI, y el alias sin sufijo gpt-5.6 enruta a Sol.
Dos detalles de implementación hacen esto relevante para los constructores. Primero, la página oficial de la API de Sol lista una ventana de contexto de 1,050,000 tokens y un máximo de salida de 128,000 tokens. Eso crea un espacio sustancial para contextos de trabajo largos y resultados generados largos sin afirmar que cada tarea debe consumir esos límites. Segundo, la familia establece pasos claros de precio por token. Por millón de tokens de entrada y salida, Sol cuesta cinco y treinta dólares, Terra cuesta dos dólares cincuenta y quince dólares, y Luna cuesta uno y seis dólares. Esas brechas hacen del enrutamiento de modelos una decisión arquitectónica en lugar de un ejercicio de optimización de costos posterior.
La Responses API también proporciona Llamada de Herramientas Programática y capacidades multi-agente en beta. Juntos con los tres niveles, eso les da a los equipos una base soportada para separar el trabajo de codificación costoso y complejo del razonamiento rutinario y las operaciones agénticas rápidas y repetitivas. Un flujo de trabajo podría reservar Sol para los trabajos más difíciles de múltiples pasos mientras evalúa Terra o Luna donde su posicionamiento declarado coincide con la tarea.
La implicación práctica es que la adopción de GPT-5.6 debe medirse por etapa de flujo de trabajo, no a través de un juicio único para toda la familia. Lo que observar a continuación es cómo los constructores dividen tuberías de agentes reales entre Sol, Terra y Luna una vez que la calidad, latencia, uso de contexto y gasto de tokens se miden juntos.
[05:15] SpaceXAI Envía Grok 4.5 A Través de Su Responses API
SpaceXAI ha lanzado Grok 4.5 a través de su Responses API, posicionando el modelo específicamente para cargas de trabajo de agentes de codificación. El anuncio pone tres variables que los constructores equilibran rutinariamente en una oferta: resultados de referencia, velocidad de generación y costo de token. Eso hace que esto sea menos sobre un único número de ranking y más sobre si un modelo puede ajustarse al rendimiento y la economía de ejecuciones de agentes repetidas.
En capacidad, SpaceXAI afirma que Grok 4.5 obtiene 62.0 por ciento en DeepSWE 1.0, 83.3 por ciento en Terminal-Bench 2.1, y 64.7 por ciento en SWE-Bench Pro. Esos son resultados reportados por la empresa, así que lo mejor es tratarlos como puntos de partida para evaluación en lugar de sustitutos de pruebas en los propios repositorios, tareas y criterios de aceptación de un equipo. Aun así, los benchmarks nombrados dan a los constructores puntos de referencia concretos abarcando trabajo orientado a ingeniería de software y terminal.
El segundo mecanismo es el rendimiento de servicio y precio. SpaceXAI dice que Grok 4.5 funciona a 80 tokens por segundo. Cuesta $2 por millón de tokens de entrada y $6 por millón de tokens de salida. Para flujos de trabajo de agentes, esas cifras importan juntas: el precio de entrada afecta prompts grandes y contexto de tarea acumulado, mientras que el precio de salida afecta respuestas largas generadas. El throughput proporciona otra entrada práctica al estimar qué tan rápido una ejecución puede producir tokens generados.
La implicación para el constructor es directa: Grok 4.5 ahora puede evaluarse como un modelo de API usando cifras de capacidad, throughput y costo publicadas en lugar de rendimiento de benchmark solo. Los equipos pueden comparar su comportamiento medido en tareas de codificación representativas con las afirmaciones de la empresa, luego calcular la economía de tokens de las ejecuciones exitosas.
Lo que observar a continuación es cómo esos resultados publicados se traducen fuera de los benchmarks reportados. La evidencia útil serán evaluaciones a nivel de repositorio que midan completación de tareas junto con volumen de tokens generados, velocidad de respuesta y costo total de entrada-salida a través de la Responses API.
[07:02] GPT-Live Trae Voz Full-Duplex a ChatGPT
OpenAI presentó GPT-Live, una nueva familia de modelos de voz full-duplex que ahora impulsa ChatGPT Voice. El cambio importante no es simplemente la salida de voz: GPT-Live está diseñado para una interacción natural humano-IA mientras escucha y habla al mismo tiempo. OpenAI nombra dos modelos, GPT-Live-1 y GPT-Live-1 mini, y esta familia es independiente de GPT-5.6.
El primer mecanismo concreto es la entrada y salida simultáneas. GPT-Live puede escuchar mientras habla, en lugar de requerir que cada interacción se resuelva en una secuencia limpia de turno del usuario seguido de turno del modelo. OpenAI también dice que el modelo puede tomar decisiones de interacción muchas veces por segundo. Para los builders, ese es el comportamiento clave en tiempo de ejecución: una experiencia de voz puede responder a una interacción a medida que se desarrolla, en lugar de tratar cada contribución hablada como un bloque completado antes de decidir qué sucede después.
El segundo mecanismo es la delegación. En el lanzamiento, GPT-Live puede entregar trabajo más profundo a GPT-5.5. Eso crea una división funcional clara dentro de la experiencia: GPT-Live maneja la interacción en vivo, mientras que un modelo separado puede encargarse de trabajo que requiere procesamiento más profundo. OpenAI no ha posicionado GPT-Live como ejecutándose sobre GPT-5.6, por lo que esas familias no deben colapsarse en una sola arquitectura o afirmación de producto.
Lo que esto significa para los builders es que los flujos de trabajo de agentes de voz necesitan tener en cuenta decisiones conversacionales continuas, no solo transcripción seguida de una respuesta del modelo de texto y reproducción sintetizada. El comportamiento de delegación también les da a los equipos un patrón concreto para evaluar: mantener la interacción inmediata con capacidad de respuesta mientras se enruta el trabajo más profundo a otro lugar.
El detalle de disponibilidad importa. GPT-Live ya impulsa ChatGPT Voice, pero OpenAI anunció la API como próximamente disponible. Lo siguiente a observar es la API en sí: específicamente, cómo OpenAI expone la interacción full-duplex, la toma frecuente de decisiones y la delegación a los desarrolladores. Hasta que lleguen esos detalles, la conclusión fundamentada es la familia de modelos y su comportamiento de producto, no un formato de solicitud asumido o una arquitectura de integración.
[08:55] Mistral Introduce 8B Robostral Navigate para Navegación de Robots Solo con Cámara
Mistral ha presentado Robostral Navigate, un modelo de 8 mil millones de parámetros enfocado en navegación robótica. El resultado principal es un 76.6 por ciento reportado por la empresa en R2R-CE, pero el detalle más inmediatamente útil para los builders es la configuración de sensores: Robostral Navigate usa una cámara RGB. Mistral dice explícitamente que el modelo no necesita sensor de profundidad, LiDAR, ni múltiples cámaras.
Estos son los dos mecanismos concretos que deben mantenerse separados. Primero está el modelo en sí: un modelo de navegación de 8B evaluado por Mistral en R2R-CE. Segundo está la restricción de entrada: una vista RGB estándar única en lugar de una pila que combine color, profundidad, medición láser por láser o varias transmisiones de cámara. Eso no establece cómo se comportará el modelo en cada ambiente físico, pero les da a los equipos de robótica un supuesto de hardware mucho más estrecho para investigar.
Para los builders, esto importa al principio del flujo de trabajo. Un prototipo de navegación a menudo comienza con decisiones sobre qué sensores deben instalarse antes de que la evaluación del modelo pueda incluso comenzar. El anuncio de Mistral sugiere que los equipos que evalúen Robostral Navigate pueden enmarcar el primer experimento alrededor de la percepción solo con cámara, sin asumir que el hardware de profundidad, LiDAR, o un conjunto de múltiples cámaras sea obligatorio para este modelo. Eso puede simplificar la pregunta que se está probando: si la capacidad de navegación reportada del modelo se transfiere al ambiente objetivo del equipo usando una transmisión RGB única.
El número del benchmark debe permanecer etiquetado como la afirmación de Mistral. La fuente proporciona la puntuación R2R-CE, el conteo de parámetros y la configuración de sensores, pero no especifica la arquitectura interna del modelo, primitivas de salida, requisitos de tiempo de ejecución, superficie de API, ni comportamiento fuera de esa evaluación. Los builders deben evitar llenar esos espacios en blanco.
Lo que hay que observar a continuación es evidencia más allá del 76.6 por ciento reportado: especialmente si las evaluaciones exponen dónde una sola cámara RGB es suficiente y dónde la ausencia de profundidad, LiDAR, o puntos de vista adicionales se vuelve limitante. Hasta entonces, Robostral Navigate es un modelo concreto de navegación solo con cámara para probar, no una prueba de que sensores más ricos son innecesarios para cada robot o ambiente.
[10:54] ChatGPT Work de OpenAI Convierte Objetivos en Artefactos de Proyecto Terminados
OpenAI ha presentado ChatGPT Work, un agente construido para tomar un objetivo y convertirlo en trabajo terminado a través de aplicaciones y archivos. Publicado el 9 de julio, el anuncio posiciona el producto en torno a proyectos ambiciosos y extendidos en lugar de preguntas aisladas o artefactos generados ocasionalmente. ChatGPT Work puede permanecer con un proyecto durante horas cuando sea necesario, dándole tiempo para continuar a través de una secuencia de tareas en lugar de terminar después de una sola respuesta.
Dos mecanismos definen el flujo de trabajo. Primero, el agente divide el trabajo en pasos y actúa a través de las aplicaciones y archivos del usuario. Eso hace del proyecto mismo la unidad de trabajo: un objetivo puede involucrar recopilar material relevante, trabajar a través de múltiples pasos, y producir salidas en los lugares donde pertenece el trabajo. Segundo, ChatGPT Work puede crear varios tipos concretos de artefactos, incluyendo hojas de cálculo, presentaciones, documentos y aplicaciones web. OpenAI dice que el agente está impulsado por GPT-5.6.
Para los builders, el cambio importante es el movimiento de la interacción centrada en prompts hacia asignaciones con duración, múltiples pasos y entregables explícitos. Una tarea útil del agente ahora puede describirse menos como "responde esta pregunta" y más como "lleva este proyecto desde el objetivo hasta un conjunto terminado de artefactos". Eso desplaza el diseño del flujo de trabajo hacia definir las aplicaciones y archivos de origen, las salidas pretendidas, y el límite del proyecto lo suficientemente claro para que un agente continúe progresando durante un período extendido.
La oportunidad inmediata es empaquetar procesos recurrentes de trabajo del conocimiento en torno a los artefactos que los equipos ya usan: una hoja de cálculo, una presentación, un documento, o una aplicación web funcional, potencialmente producida como partes del mismo proyecto. Lo que hay que observar a continuación es cómo los desarrolladores y equipos evalúan el trabajo que abarca horas: no simplemente por la calidad de la respuesta, sino por si los pasos permanecen alineados con el objetivo original y si la colección resultante de artefactos constituye trabajo terminado.
[12:46] Flint de Microsoft Da a los Agentes un Lenguaje Compacto para Construir Gráficos
Microsoft ha lanzado Flint, un lenguaje de visualización de código abierto construido específicamente para ayudar a los agentes de IA a crear gráficos expresivos a partir de especificaciones compactas. El proyecto viene de Microsoft Research, y su lanzamiento atrajo una puntuación de Hacker News de 344, indicando un fuerte interés inicial de los desarrolladores que trabajan alrededor de agentes y visualización de datos.
El problema que Flint aborda es uno práctico: las especificaciones cortas de gráficos son fáciles de escribir para los agentes y las personas, pero Microsoft dice que a menudo producen resultados poco inspiradores. Los programas de visualización más elaborados pueden entregar mejores gráficos, sin embargo, son más difíciles de inspeccionar y editar para los humanos. Flint se posiciona entre esos extremos, usando especificaciones compactas y editables por humanos en lugar de tratar el código de gráfico generado como un artefacto final opaco.
Dos mecanismos hacen que ese enfoque sea útil en flujos de trabajo de agentes. Primero, Flint compila sus especificaciones a tres sistemas de visualización establecidos: Vega-Lite, ECharts y Chart.js. Eso le da a un constructor múltiples objetivos de renderizado sin requerir que la representación fuente del agente esté escrita directamente en el formato de cualquiera de esos objetivos. Segundo, Flint incluye un servidor de gráficos MCP. Esto les da a los agentes compatibles con MCP un punto de integración definido para usar el lenguaje como parte de un flujo de trabajo impulsado por herramientas.
Para los constructores, la implicación inmediata es que la generación de gráficos puede convertirse en una entrega revisable en lugar de solo una imagen generada o un bloque grande de código específico de biblioteca. Una persona puede inspeccionar y editar la especificación compacta de Flint, mientras que el compilador maneja la traducción al sistema de visualización seleccionado. El lanzamiento de código abierto también hace posible evaluar ese flujo de trabajo directamente en lugar de depender de un producto cerrado de generación de gráficos.
Lo que se debe observar a continuación es si el formato compacto de Flint preserva consistentemente suficiente control expresivo para dashboards reales y trabajo analítico en los tres objetivos de compilación. La adopción también dependerá de si los desarrolladores de herramientas de agentes usan el servidor MCP como una interfaz práctica de gráficos y si los editores humanos encuentran las especificaciones de Flint significativamente más fáciles de revisar que los formatos objetivo mismos.
[14:42] Latent Memory Palace Aporta Razonamiento Adaptativo al Control Continuo
Latent Memory Palace propone una forma para que las políticas de control continuo razonen de manera adaptativa sin realizar ese razonamiento directamente en el espacio del lenguaje. En arXiv 2607.08724, Chuning Zhu, Eva Xu y Jose Barreiros argumentan que las representaciones de lenguaje pueden no proporcionar suficiente granularidad para la comprensión espacial y los movimientos precisos, aunque los modelos de lenguaje pueden variar cuánto deliberan antes de responder.
El primer mecanismo concreto del artículo es un espacio latente autorregresivo organizado como un palacio de memoria. La recuperación de información dentro de ese espacio es iterativa y adaptativa, lo que permite que la política varíe su proceso de razonamiento en lugar de comprometerse con una cantidad fija de cómputo para cada acción. Los autores formulan este proceso de razonamiento como inferencia variacional con una distribución latente autorregresiva. Luego derivan una técnica de aprendizaje por refuerzo en espacio latente diseñada para optimizar de manera tratable el límite inferior variacional correspondiente.
Ese método produce LMP-π, una política de control que el resumen indica que logra un sólido rendimiento empírico en dominios de simulación y del mundo real. También exhibe una asignación interpretable y adaptativa de cómputo en tiempo de prueba: algunas decisiones de control pueden tomarse rápidamente, mientras que otras reciben una deliberación latente más prolongada. El resumen no proporciona puntajes numéricos de referencia, conteos de tareas ni porcentajes de mejora, por lo que el resultado principal es cualitativo en lugar de un número reportado.
El segundo mecanismo es LMP-tok, un tokenizador de acciones de longitud variable derivado del mismo marco. Según el resumen, mejora significativamente las políticas autorregresivas posteriores. Eso conecta el razonamiento latente con la representación de acciones: la contribución no es solo una política que puede gastar cómputo de manera adaptativa, sino también un tokenizador que puede representar acciones en longitudes variables.
Para los constructores, esto coloca el razonamiento latente entre la planificación de alto nivel del agente y la ejecución de control de bajo nivel. Ofrece una dirección de investigación para agentes que deben manipular, navegar o producir de otro modo acciones continuas precisas sin traducir cada paso interno al lenguaje. Lo que se debe observar a continuación son las evaluaciones a nivel de tarea del artículo completo, el comportamiento de asignación de cómputo y la evidencia que muestra cuándo LMP-π o LMP-tok proporciona las mayores ganancias.
[16:41] Los Jueces de Citaciones Necesitan Calibración de Sesgo, No Solo F1 Alto
Este artículo hace una pregunta práctica de evaluación para agentes de investigación profunda: ¿los verificadores de citaciones necesitan ser modelos frontier, o pueden jueces más baratos proporcionar una señal de entrenamiento utilizable? En arXiv 2607.08700, Ethan Leung, Elias Lumer y Corey Feld examinan jueces LLM utilizados para puntuar rúbricas de calidad de citación, especialmente cuando esas puntuaciones se convierten en recompensas en el aprendizaje por refuerzo.
La evaluación separa la calidad de citación en dos decisiones para cada par de atribución-citación: si la fuente es relevante y si respaldan fácticamente la afirmación escrita. Los autores prueban ocho jueces LLM listos para usar de tres familias de modelos en un punto de referencia adversario de forma larga que contiene 1.248 decisiones de rúbrica. Cada decisión fue revisada por humanos, y 378 casos difíciles fueron adjudicados después de desacuerdos entre jueces.
El resultado principal es que los jueces más baratos siguen siendo competitivos en ambas dimensiones. GPT-5-mini produce el F1 de clase de aprobación de relevancia de fuente más fuerte, en 0.908, con un kappa de 0.636. Para el respaldo factual, los jueces son estadísticamente indistinguibles porque sus intervalos de confianza se superponen, por lo que el punto de referencia no identifica un modelo que domine.
Pero las puntuaciones F1 comparables no significan comportamiento de recompensa comparable. Los jueces difieren sustancialmente en la deriva de tasa de aprobación, tasa de falsos positivos y tasa de falsos negativos. Esos sesgos direccionales importan porque un sistema de aprendizaje por refuerzo no solo reporta la puntuación del juez; optimiza contra él. Un verificador que aprueba afirmaciones no respaldadas con demasiada frecuencia puede recompensar un modo de falla, mientras que un verificador con falsos negativos excesivos puede desanimar afirmaciones respaldadas.
Para los constructores, esto crea una capa de medición concreta entre los puntos de referencia de citación y los bucles de entrenamiento. La selección de jueces debe incluir calibración por dimensión de rúbrica y dirección de error, en lugar de colapsar el rendimiento en una puntuación escalar única. También sugiere que los jueces de menor costo pueden ser viables cuando su perfil de sesgo se ajusta al uso previsto. Observen a continuación si estos hallazgos de calibración se generalizan más allá de la atribución de citación adversaria de forma larga a otras recompensas basadas en rúbricas utilizadas en el entrenamiento de agentes.
[18:34] Auditoría de OpenAI Encuentra Ruido en SWE-Bench Pro
OpenAI ha publicado un nuevo análisis de SWE-Bench Pro que plantea una pregunta directa para cualquiera que elija modelos de codificación por posición en tablas de clasificación: ¿cuánto del rendimiento medido proviene del modelo, y cuánto proviene de tareas de evaluación defectuosas? SWE-Bench Pro es un punto de referencia de codificación popular, pero la auditoría de OpenAI encontró problemas sustanciales en su división pública.
El primer número concreto es el alcance de la revisión. La división pública contiene 731 tareas. Una auditoría de puntos de datos asistida por agentes identificó 200 tareas defectuosas, mientras que una anotación humana separada identificó 249. Con base en ese trabajo, OpenAI estima que aproximadamente el 30 por ciento de las tareas del punto de referencia están defectuosas. Eso es lo suficientemente grande como para crear preocupaciones serias de confiabilidad y precisión cuando se usan puntuaciones para comparar modelos.
El segundo mecanismo útil es el desglose de OpenAI de lo que significa "defectuoso". El análisis identifica cuatro categorías: pruebas excesivamente estrictas, indicaciones subespecificadas, cobertura de pruebas baja e indicaciones engañosas. Cada una puede distorsionar el resultado de manera diferente. Una tarea puede rechazar una solución razonable porque sus pruebas son demasiado estrechas, no especificar lo que el modelo debe producir, pasar por alto comportamientos importantes porque la cobertura es débil, o dirigir el modelo hacia la interpretación incorrecta.
Para los constructores, la implicación no es que las evaluaciones de codificación sean inútiles. Es que una única puntuación agregada no debe soportar una decisión completa de selección de modelo. Los resultados de los puntos de referencia pueden reflejar tanto la capacidad del agente como la calidad del conjunto de tareas, por lo que las comparaciones necesitan escrutinio a nivel de tarea y categoría de falla antes de impulsar cambios en el flujo de trabajo.
Qué observar a continuación es si los mantenedores de benchmarks revisan las tareas afectadas de SWE-Bench Pro, publican criterios de validez más claros, o separan las tareas confirmadas de las disputadas. También hay que observar cómo los proveedores de modelos reportan resultados después de esta auditoría: las divulgaciones más útiles distinguirán el rendimiento bruto del benchmark del rendimiento en un conjunto de tareas revisado.
[20:25] UniClawBench Prueba Agentes Proactivos en Flujos de Trabajo en Vivo y de Múltiples Turnos
UniClawBench introduce una forma basada en capacidades para evaluar agentes proactivos que operan herramientas cotidianas en entornos dinámicos y del mundo real. El artículo proviene de Zhekai Chen, Chengqi Duan y Kaiyue Sun y está listado como arXiv 2607.08768. Su argumento central es que los benchmarks de un solo turno en sandbox y las taxonomías basadas en escenarios dificultan el diagnóstico de fallas de agentes porque un escenario puede mezclar varias capacidades subyacentes del modelo.
El benchmark reorganiza la evaluación alrededor de cinco capacidades fundamentales: Uso de Habilidades, Exploración, Razonamiento de Contexto Extenso, Comprensión Multimodal y Coordinación entre Plataformas. Esa taxonomía soporta 400 tareas bilingües del mundo real. Por lo tanto, la contribución principal no es una nueva puntuación de modelo o un porcentaje de mejora reclamado; el resumen proporcionado no reporta porcentajes del benchmark. Es la combinación de esas 400 tareas con una estructura a nivel de capacidad diseñada para exponer por qué falló un agente, en lugar de solo si un escenario amplio se completó.
La ejecución también es concreta. En lugar de comparar contra respuestas estáticas y pregrabadas, UniClawBench ejecuta agentes en contenedores Docker en vivo y califica el progreso a través de puntos de control granulares, paso a paso de finalización. Su evaluación de circuito cerrado utiliza tres roles: un agente ejecutor realiza la tarea, un agente supervisor oculto evalúa el comportamiento, y un agente usuario proporciona retroalimentación humana realista de múltiples turnos. Mantener el supervisor oculto está diseñado para evitar que los criterios de evaluación se filtren en la interacción.
Para los constructores, esto crea una capa de medición entre las pruebas estrechas de llamadas a herramientas y las tasas de éxito indiferenciadas de extremo a extremo. Un flujo de trabajo fallido puede examinarse a través de categorías de capacidades y puntos de control intermedios, lo que hace más fácil distinguir la debilidad de exploración o de contexto extenso de un modelo de un problema de coordinación a nivel de marco. Eso importa para los equipos que deciden si cambiar modelos, prompts, herramientas u orquestación.
Qué observar a continuación es si las categorías de capacidades del benchmark y la calificación de circuito cerrado separan consistentemente las limitaciones del modelo base de las elecciones de diseño del marco de agentes a través de los sistemas de última generación evaluados por los autores.
[22:13] WebSwarm Delega Recursivamente la Investigación Web Profunda y Amplia
WebSwarm introduce un marco de delegación recursiva progresiva para agentes de búsqueda web que necesitan tanto profundidad como amplitud. El artículo es de Xiaoshuai Song, Liancheng Zhang y Kangzhi Zhao, publicado como arXiv 2607.08662. Su punto de partida es una limitación práctica de un solo agente estilo ReAct: una trayectoria larga y contexto limitado hacen que sea difícil perseguir seguimientos detallados mientras también se mantiene una cobertura amplia. Los enfoques multi-agente existentes agregan ejecución paralela y agregación, pero los autores identifican limitaciones restantes en profundidad recursiva, colaboración adaptable y expansión basada en evidencia.
El primer mecanismo concreto es una jerarquía dinámicamente construida de nodos de búsqueda agéntica. Cada nodo combina un objetivo local con un modo de búsqueda que especifica cómo ese nodo debe organizar la búsqueda y colaboración. Un nodo puede resolver su objetivo directamente o delegar a nodos hijos. Una vez completado, devuelve evidencia y resultados hacia arriba. Los nodos padre pueden entonces expandir otra rama, revisar su dirección o agregar lo que encontraron los hijos. Por lo tanto, la descomposición se construye progresivamente durante la inferencia en lugar de tratarse como un plan fijo.
El segundo mecanismo fundamenta la expansión en la estructura aparente de la información en la web. WebSwarm primero explora cómo se organiza la información relevante de la tarea, luego usa esa información para guiar la expansión posterior del nodo. También reutiliza la experiencia a nivel de proceso a través de nodos hermanos homogéneos, dando a las ramas relacionadas una forma de beneficiarse del trabajo de búsqueda realizado en otro lugar del árbol.
Los autores evalúan WebSwarm en cuatro benchmarks nombrados: BrowseComp-Plus, WideSearch, DeepWideSearch y GISA. El resumen reporta que supera consistentemente las líneas base de agentes únicos y multi-agente en entornos de búsqueda profunda, amplia y combinada, pero no proporciona márgenes numéricos.
Para los constructores, esto coloca la orquestación recursiva y sensible a la evidencia en el roadmap del stack de agentes para flujos de trabajo complejos de investigación. La pregunta clave a observar a continuación es cómo el documento completo mide el costo, la latencia y el comportamiento de escala de los árboles de búsqueda dinámicamente expandidos.
[24:05] ProjAgent Recupera Código por Similitud Procedimental
ProjAgent introduce la similitud procedimental como señal de recuperación para la generación de código a nivel de repositorio. En arXiv 2607.08691, QiHong Chen, Aaron Imani e Iftekhar Ahmed se centran en un problema persistente: implementar una función objetivo requiere entender las dependencias entre archivos y las convenciones específicas del proyecto, pero la recuperación convencional a menudo busca principalmente similitud léxica, estructural o semántica. Eso puede pasar por alto funciones del repositorio que realizan procedimientos comparables bajo diferentes identificadores o en diferentes dominios de aplicación.
El primer mecanismo concreto es la descomposición del objetivo. ProjAgent descompone la función objetivo en pasos de razonamiento intermedios, luego usa un flujo de trabajo agéntico para recuperar funciones del repositorio que exhiben comportamiento procedimental similar en cada paso. La recuperación procedimental no reemplaza la recuperación semántica. El sistema integra el contexto procedimental recuperado con el contexto semántico convencional, produciendo un contexto de repositorio más rico para la generación de código.
El segundo mecanismo viene después de la generación. ProjAgent incluye un bucle de retroalimentación de análisis estático conservador que repara iterativamente el código generado usando retroalimentación del compilador y análisis estático. El resumen no especifica operaciones de reparación individuales, pero separa claramente la construcción de contexto en el momento de la recuperación de la corrección impulsada por retroalimentación.
En REPOCOD, ProjAgent logra 41.14% Pass@1 y supera las líneas base existentes basadas en recuperación evaluadas por los autores. Ese resultado respalda la afirmación central del artículo de que la similitud procedimental es una dimensión de recuperación útil para la generación a nivel de repositorio, junto con las señales de similitud comúnmente usadas hoy.
Para los constructores, la implicación es que la búsqueda en repositorios para agentes de codificación puede necesitar representar cómo las funciones realizan el trabajo, no solo vocabulario compartido, estructura o tema semántico. Esto es especialmente relevante cuando los patrones de implementación reutilizables están distribuidos entre archivos u ocultos detrás de nombres específicos de dominio. ProjAgent coloca la recuperación procedimental entre la indexación del repositorio y la generación de código, con retroalimentación estática proporcionando una etapa posterior de corrección. Qué observar a continuación es si la similitud procedimental continúa ayudando a través de benchmarks adicionales de repositorio y cuánto de la ganancia reportada viene de la recuperación versus el bucle de reparación.
[25:57] SolarChain-Eval Prueba Agentes Contra la Física del Mercado Energético
SolarChain-Eval introduce un benchmark restringido por la física para probar agentes económicos autónomos en mercados de energía descentralizados. El artículo académico, de Shilin Ou, Yifan Xu y Luyao Zhang y publicado como arXiv 2607.08681, se centra en una brecha que aparece cuando los agentes abandonan tareas puramente digitales: una política puede mejorar la utilidad del mercado mientras opera con datos físicamente inválidos, creando liquidez artificial o produciendo decisiones de gobernanza inestables.
El primer mecanismo concreto es un Proceso de Decisión de Markov compatible con Gymnasium que representa la gobernanza del mercado a través de decisiones horarias de los agentes. En lugar de colapsar el rendimiento en una sola recompensa, SolarChain-Eval evalúa las políticas en términos de utilidad del mercado, seguridad física, deslizamiento, suavidad de acciones, equidad espacial y auditabilidad. Esto hace posible comparar las ganancias económicas con el comportamiento operacional y la calidad de gobernanza dentro del mismo entorno de evaluación.
El segundo mecanismo es una capa de Planificador/Auditor basada en LLM. El Planificador define límites de acciones a nivel de episodio y reglas de auditoría. El Auditor luego revisa y modifica las acciones clasificadas como de alto riesgo. Cada intervención se captura en registros estructurados que contienen las señales de activación, las acciones propuestas, las acciones modificadas y las justificaciones de auditoría. Esos registros hacen que el benchmark sea útil para estudiar no solo si ocurrió una intervención, sino por qué y cómo cambió la acción de un agente.
Los experimentos comparan políticas estáticas, aleatorias, miopes, de aprendizaje por refuerzo y de RL-plus-LLM. El hallazgo principal es una clara disyuntiva entre utilidad y seguridad: los agentes de RL mejoran la utilidad del mercado pero aún pueden comportarse de manera insegura. Cuando los investigadores eliminan la penalización por física, los agentes que maximizan la recompensa explotan la generación inválida y aumentan la liquidez artificial. El Planificador/Auditor mejora la auditabilidad y mitiga riesgos seleccionados.
Para los desarrolladores, la implicación práctica es que las evaluaciones de agentes ciberfísicos necesitan restricciones explícitas, métricas multidimensionales y registros de intervención inspeccionables en lugar de solo recompensas. SolarChain-Eval proporciona una forma concreta de benchmark para esa parte del stack de agentes. Estén atentos para ver evidencia sobre qué tan ampliamente el enfoque de Planificador/Auditor se generaliza más allá de este contexto de mercado energético.
[27:47] Cola práctica
Codex 0.144 hace que las sesiones MCP autenticadas y los flujos de inicio de sesión alojados sean una superficie de despliegue normal en lugar de plomería experimental.
GPT-5.6 ahora ofrece una escalera de enrutamiento real: Sol para el trabajo más difícil, Terra para el trabajo cotidiano equilibrado y Luna para volumen rápido y de menor costo.
Grok 4.5 pone las afirmaciones de benchmarks publicados, el rendimiento y los precios de tokens en una comparación, mientras que GPT-Live mueve la voz hacia la interacción continua full-duplex y Robostral prueba qué tan lejos puede llegar la navegación con una sola cámara RGB.
ChatGPT Work y Flint impulsan a los agentes hacia artefactos terminados y editables: salidas de proyectos por un lado y especificaciones de gráficos compactas y legibles por humanos por el otro.
Las historias de evaluación llevan la advertencia más fuerte del día. Los jueces de citas necesitan análisis de sesgo y tasas de error, SWE-Bench Pro puede tener aproximadamente treinta por ciento de tareas rotas, y UniClawBench busca separar los fracasos por capacidad en lugar de ocultarlos en una sola puntuación.
WebSwarm, ProjAgent, Latent Memory Palace y SolarChain-Eval cada uno acercan la estructura al problema: recopilación recursive de evidencia, recuperación de código consciente de procedimientos, razonamiento de control latente y evaluación de agentes restringida por la física.
NOVA: Soy NOVA.
[ALLOY]: Soy ALLOY, y esto es AgentStack Daily...
NOVA: El agente de codificación basado en terminal de OpenAI, Codex rust .144, se envió en dos versiones estables. Añadió autenticación interactiva MCP, manejo compartido de credenciales OAuth, redirecciones de inicio de sesión alojadas, un límite de aprobación de solo escritura, WebSockets de Responses con soporte de proxy y soporte de certificados personalizados. La actualización point-one corrigió fallos de instalación, expuso el host de Code Mode en paquetes macOS e introdujo un fallback de runtime embebido.
[ALLOY]: Hoy: Codex lidera con autenticación más fuerte, transporte, aprobaciones y empaquetado; GPT-5.6 llega como Sol, Terra y Luna; Grok 4.5 entra en la Responses API; GPT-Live escucha mientras habla; y Mistral trae navegación solo con cámara a un modelo de ocho mil millones de parámetros. También escucharán cómo ChatGPT Work maneja proyectos extendidos, cómo Flint da a los agentes un lenguaje de gráficos editables, y cómo nueva investigación aborda memoria de control, sesgo de citas, benchmarks de código, flujos de trabajo proactivos, investigación recursiva, recuperación consciente de procedimientos y seguridad del mercado energético.
NOVA: GPT-5.6 abarca tres niveles de precio-rendimiento y le da a Sol una ventana de contexto superior a un millón de tokens. Grok combina puntuaciones de codificación publicadas con servicio de ochenta tokens por segundo y precio de dos dólares por entrada. GPT-Live separa la conversación inmediata del razonamiento delegado, mientras que Robostral Navigate pregunta cuánto de navegación física se puede construir alrededor de un flujo RGB.
[ALLOY]: A través del stack, cada lanzamiento cambia algo concreto que un agente puede hacer: autenticarse en herramientas, enrutar trabajo por costo, mantener un intercambio de voz fluido, construir salidas usables, recuperar un patrón de implementación, o actuar bajo restricciones físicas sin optimizar hacia un comportamiento inválido.
NOVA: OpenAI envió Codex rust .144 y la actualización point-one con cambios en autenticación, aprobaciones, transporte, comportamiento del runtime e instalación. Las herramientas MCP pueden solicitar autenticación interactivamente sin un opt-in experimental. Los hosts de app-server pueden proporcionar autenticación de Codex en tiempo de ejecución, y luego redirigir un inicio de sesión completado a una página alojada. Las credenciales OAuth MCP compartidas también pueden serializarse, dando a las integraciones gestionadas una forma definida de retener el estado de autorización entre sesiones en lugar de reconstruirlo para cada conexión.
[ALLOY]: Un nuevo modo de aprobación de apps de escritura afina el límite de permisos. Las acciones declaradas como solo lectura pueden proceder, mientras que las escrituras activan un aviso. Eso funciona mejor que tratar cada acción de app como igualmente sensible, especialmente cuando un agente pasa la mayor parte de una sesión buscando o calculando antes de hacer un cambio consequencial. Las sesiones de apps Codex alojadas ahora renuevan la autenticación expirada, mientras que las advertencias revisadas del código de dispositivo explican cómo reconocer y detener intentos de phishing durante el inicio de sesión.
NOVA: Las correcciones de red y runtime cubren varias restricciones de producción. Los WebSockets de Responses mantienen su transporte de baja latencia mientras respetan proxies del sistema y autoridades de certificado personalizadas. Las sesiones sandbox de Windows pueden eliminar contenido dentro de raíces escribibles y alcanzar el runtime principal gestionado. OpenAI corrigió los crashes de Code Mode en Intel Mac y las secuencias de control de terminal que podían corromper la interfaz o el historial de conversación resumido. Cuando un hilo antiguo de ChatGPT apunta a un estado de compactación de un modelo retirado, Codex reintenta con el modelo actualmente seleccionado.
[ALLOY]: La actualización point-one repara los caminos de distribución. La instalación independiente ya no depende de un orden exacto de metadatos de lanzamiento. Los paquetes macOS exponen el host de Code Mode junto a Codex, y Code Mode recurre a su runtime embebido si ese binario compañero no está disponible. En la práctica, .144 hace que las sesiones MCP autenticadas, el inicio de sesión alojado, las aprobaciones de escritura, el enrutamiento de proxy corporativo y el empaquetado de Code Mode sean más confiables. Un límite importante permanece visible: el estado de solo lectura declarado de una integración controla directamente si un humano ve un aviso de aprobación.
NOVA: OpenAI lanzó GPT-5.6 como tres niveles de API en lugar de un modelo uniforme. Sol maneja el trabajo de razonamiento, codificación y agéntico más complejo. Terra se dirige al desarrollo cotidiano balanceado a un precio menor. Luna enfatiza velocidad y asequibilidad para chat, clasificación, transformaciones repetitivas y loops agénticos más ligeros. El alias GPT-5.6 sin sufijo enruta a Sol, así que las integraciones que quieren Terra o Luna seleccionan esos niveles explícitamente.
[ALLOY]: La especificación oficial de Sol lista una ventana de contexto de un millón cincuenta mil tokens y un máximo de salida de ciento veintiocho mil tokens. Esos límites soportan contextos de trabajo muy grandes y resultados generados largos, pero también hacen que la gestión de contexto sea una preocupación económica. Alimentar una sesión acumulada completa a Sol puede ser técnicamente válido mientras sigue siendo más lento y más caro que enrutar etapas rutinarias a través de otro nivel.
NOVA: El precio crea una escalera clara. Por millón de tokens, Sol cuesta cinco dólares de entrada y treinta dólares de salida. Terra cuesta dos dólares cincuenta de entrada y quince dólares de salida. Luna cuesta un dólar de entrada y seis dólares de salida. La Responses API también proporciona Programmatic Tool Calling y capacidades multi-agente en beta, permitiendo a los equipos cablear la familia en flujos de trabajo delegados y orientados a herramientas.
[ALLOY]: Un pipeline puede reservar Sol para cambios difíciles de repositorio, planificación ambigua o síntesis a través de un contexto muy largo; usar Terra para codificación y razonamiento ordinario; y enviar clasificación de alto volumen o interacción sensible a latencia a Luna. La calidad todavía necesita medición en cada etapa porque las etiquetas de precio no establecen equivalencia de tareas. OpenAI ahora proporciona tres puntos operativos soportados dentro de una familia, haciendo que el enrutamiento de modelos sea parte de la construcción inicial en lugar de un ejercicio de costo añadido después del despliegue.
[ALLOY]: SpaceXAI lanzó Grok 4.5 a través de su Responses API y lo posicionó para cargas de trabajo de agentes de codificación. La compañía reporta 62 por ciento en DeepSWE, 83.3 por ciento en Terminal-Bench y 64.7 por ciento en SWE-Bench Pro. Esos números cubren operación de terminal e ingeniería de software a nivel de repositorio, pero siguen siendo resultados reportados por la compañía en lugar de confirmación independiente.
NOVA: Los detalles de servicio hacen que el lanzamiento sea más que un anuncio de leaderboard. SpaceXAI dice que Grok 4.5 genera a ochenta tokens por segundo y cobra dos dólares por millón de tokens de entrada y seis dólares por millón de tokens de salida. Los agentes de codificación a menudo llevan contexto sustancial de repositorio, resultados de herramientas e historial de sesión en cada solicitud, así que el precio de entrada afecta las ejecuciones repetidas. Los parches largos, explicaciones y turnos de recuperación traen el precio de salida al mismo cálculo.
[ALLOY]: La Responses API da a los constructores de agentes una superficie orientada a respuestas para evaluar llamadas de modelo junto a herramientas y estado. Eso no garantiza语义 identical de herramientas, eventos de streaming o comportamiento de errores entre proveedores, pero pone capacidad, rendimiento y economía de tokens en una oferta desplegable. Ochenta tokens por segundo puede importar cuando un agente produce una respuesta larga, aunque la latencia de herramientas y el tiempo de build externo todavía pueden dominar la ejecución completa.
NOVA: Los resultados a nivel de repositorio serán más informativos que un ranking de benchmarks directo. Una comparación útil mide si Grok completa un cambio aceptado, cuántos reintentos y tokens generados consume, qué tan rápido termina la ejecución completa y cuánto cuesta el resultado exitoso. La auditoría de OpenAI sobre SWE-Bench Pro también encontró ruido sustancial en la división pública. Eso no borra la puntuación reportada de Grok, pero hace que la validez de las tareas sea parte de la interpretación. Grok 4.5 ahora tiene acceso a API concreto y precios agresivos; los codebases mantenidos mostrarán qué tan bien se transfieren sus afirmaciones.
NOVA: OpenAI presentó GPT-Live-1 y GPT-Live-1 mini, una familia de modelos de voz diseñada para escuchar y hablar simultáneamente. GPT-Live ya impulsa ChatGPT Voice, mientras que el acceso a API para desarrolladores llegará pronto. El dúplex completo cambia el modelo de interacción: la entrada de voz no necesita detenerse completamente antes de que comience la salida, y el sistema puede reaccionar mientras una conversación aún se está desarrollando.
[ALLOY]: OpenAI dice que GPT-Live puede tomar decisiones de interacción muchas veces por segundo. Eso permite que un agente de voz note una interrupción, ajuste el tiempo o decida si continuar hablando sin reducir el intercambio a bloques de audio alternados. Un runtime dúplex completo debe rastrear el audio entrante, el audio saliente, el estado conversacional y el comportamiento de interrupción simultáneamente. La síntesis de voz por sí sola no proporciona esa coordinación.
NOVA: El trabajo más profundo se puede delegar a GPT-5.5. GPT-Live maneja el intercambio inmediato, mientras que otro modelo se hace cargo del trabajo que requiere más procesamiento. Esa división se parece a un ciclo de interacción rápido respaldado por un servicio de razonamiento más lento. Puede mantener los reconocimientos y el cambio de turno receptivos mientras la investigación, la planificación o el uso de herramientas proceed elsewhere. OpenAI no ha descrito que GPT-Live se ejecute en GPT-5.6, por lo que las familias de voz y GPT-5.6 permanecen separadas.
[ALLOY]: Los detalles de la API determinarán cómo los desarrolladores conectan transmisiones de audio, interrupciones, eventos de delegación y resultados de herramientas en una sesión estable. La capacidad confirmada es escucha y habla simultáneas con decisiones de interacción frecuentes. Eso soporta asistencia al cliente, coaching, accesibilidad y flujos de trabajo con manos ocupadas donde la detección tardía de turnos se siente poco natural. También crea preguntas difíciles de coordinación: qué sucede cuando un usuario cambia de dirección mientras el trabajo delegado se está ejecutando, cómo se cancela limpiamente la salida hablada y qué modelo es dueño del estado conversacional final.
NOVA: Mistral presentó Robostral Navigate, un modelo de navegación de ocho mil millones de parámetros construido alrededor de una cámara RGB. La empresa reporta 76.6 por ciento en R2R-CE y dice explícitamente que la configuración no requiere detección de profundidad, LiDAR, múltiples cámaras ni un conjunto de sensores combinado. Esa suposición de entrada estrecha cambia el hardware requerido para comenzar a evaluar el modelo.
[ALLOY]: La navegación solo con cámara le pide a un modelo derivar comportamiento espacial útil de cuadros de color ordinarios. Los sensores de profundidad proporcionan información de rango directo, mientras que LiDAR mide la geometría circundante. Una sola vista RGB carece de esas señales explícitas y puede luchar con la escala, la oclusión, las superficies reflectantes, la poca iluminación y los objetos que parecen similares a diferentes distancias. El resultado reportado de Robostral sugiere navegación útil bajo esa restricción, pero no establece que sensores más ricos sean innecesarios.
NOVA: El conteo de parámetros también invita preguntas de despliegue más allá de un servicio remoto grande. Mistral no ha proporcionado varios detalles de runtime en el anuncio: diseño interno, representación de acciones, requisitos de hardware, latencia, frecuencia de control o la interfaz que convierte la salida del modelo en movimiento del robot. Esos detalles determinan si un equipo puede conectarlo a un controlador a bordo, un acelerador de borde o un loop de inferencia remoto.
[ALLOY]: Un prototipo que ya expone una transmisión de cámara ahora tiene un modelo concreto para evaluar antes de agregar una pila de sensores más costosa, particularmente para enrutamiento interior o plataformas de investigación. El benchmark de Mistral sigue siendo reportado por la empresa y R2R-CE no puede representar cada ambiente físico. Los resultados del mundo real necesitan mostrar dónde la percepción solo con cámara sobrevive a cambios de iluminación, obstáculos dinámicos y diseños no familiares, y dónde la falta de profundidad se vuelve decisiva. Robostral proporciona una línea base específica solo con cámara, no prueba de que una cámara sirva para cada robot.
[ALLOY]: OpenAI presentó ChatGPT Work como un agente que puede tomar un objetivo, permanecer involucrado por horas, actuar a través de aplicaciones conectadas y materiales de trabajo, y producir hojas de cálculo, presentaciones, entregables escritos y aplicaciones web. GPT-5.6 impulsa el producto. La asignación puede continuar a través de múltiples pasos en lugar de terminar con una respuesta.
NOVA: ChatGPT Work trata el objetivo del proyecto como la unidad organizadora. Puede gathering relevant inputs, break an assignment into steps, operar a través de superficies conectadas y producir varios outputs relacionados. Un análisis de mercado podría resultar en una hoja de cálculo con los números subyacentes, una presentación explicando los hallazgos y una pequeña aplicación web para explorar escenarios. El valor viene de la alineación entre esos resultados, no simplemente de generar cada uno por separado.
[ALLOY]: El trabajo extendido hace visible la gestión de estado. Un agente operando por horas debe preservar el objetivo original mientras los hallazgos intermedios, los resultados de herramientas y las suposiciones revisadas se acumulan. Necesita saber qué entregables están completos, cuáles permanecen abiertos y si una acción posterior entra en conflicto con una elección anterior. OpenAI establece la duración y los tipos de salida pero no ha proporcionado un marco de evaluación completo para el comportamiento de larga duración.
NOVA: El producto cambia la interacción del diseño de prompts hacia el diseño de asignaciones. Las aplicaciones de origen, los outputs previstos, las restricciones y las condiciones de finalización importan porque el agente puede actuar más allá de un turno conversacional. Los resultados necesitan funcionar como un paquete coordinado: la hoja de cálculo debe apoyar las afirmaciones en la presentación, la explicación escrita debe coincidir con la aplicación web y la colección debe satisfacer el objetivo original. ChatGPT Work acerca a los agentes de propósito general al trabajo de conocimiento terminado, con la consistencia a través de varios outputs convirtiéndose en una medida más fuerte que un resultado pulido en aislamiento.
NOVA: Microsoft Research lanzó Flint, un lenguaje de visualización de código abierto diseñado para que los agentes de IA creen gráficos expresivos a partir de especificaciones compactas. El interés temprano de los desarrolladores incluyó un puntaje en Hacker News superior a trescientos cuarenta. Flint se sitúa entre un prompt de gráfico diminuto que produce output genérico y un programa específico de biblioteca grande que se vuelve difícil de inspeccionar o revisar.
[ALLOY]: Flint compila su representación compacta en Vega-Lite, ECharts o Chart.js. Eso separa lo que el agente expresa del objetivo de renderizado. Un agente puede describir un gráfico en un lenguaje revisable, mientras que el compilador emite la implementación requerida por el sistema de visualización seleccionado. Los equipos que ya usan una de esas bibliotecas pueden preservar su stack de renderizado sin pedirle al modelo que genere su esquema nativo completo cada vez.
NOVA: El proyecto también incluye un servidor de gráficos MCP. Los agentes compatibles pueden llamar a una herramienta de gráficos definida en lugar de incrustar el comportamiento de Flint dentro de cada capa de orquestación. El agente produce una especificación concisa, el servidor la compila y una persona puede inspeccionar o editar la representación fuente antes de que el gráfico se envíe. Eso crea una transferencia más gobernable que aceptar una imagen renderizada sin una superficie de revisión útil.
[ALLOY]: La expresividad determinará si Flint funciona más allá de las demos. Los tableros de producción necesitan transformaciones, marcas en capas, anotaciones, diseños responsivos, opciones de accesibilidad, interacción y comportamiento consistente en los objetivos. Un lenguaje compacto puede crecer a medida que se acumulan esos requisitos, y las diferencias en el renderizado pueden filtrarse a través de la abstracción. Aun así, Flint les da a los agentes de gráficos una ruta de integración concreta que preserva la edición humana. Una especificación pequeña de gráficos se convierte en la superficie compartida entre la generación del agente, la revisión y el renderizado de producción.
NOVA: Latent Memory Palace propone razonamiento adaptativo para políticas de control continuo sin forzar ese razonamiento a través del lenguaje. Los investigadores argumentan que las representaciones lingüísticas pueden ser demasiado gruesas para movimientos precisos y decisiones espaciales. Su política razona en un espacio latente autorregresivo organizado como un palacio de memoria, recuperando información iterativamente antes de seleccionar una acción.
[ALLOY]: La deliberación latente puede variar de una decisión de control a otra. Acciones directas pueden usar poco cómputo, mientras que situaciones inciertas o espacialmente demandantes reciben razonamiento más largo. Los autores formulan ese proceso como inferencia variacional con una distribución latente autorregresiva, y luego derivan un método de aprendizaje por refuerzo que optimiza el límite inferior correspondiente. La política resultante se llama LMP-pi.
NOVA: El artículo reporta un rendimiento sólido en dominios simulados y del mundo real, y dice que la asignación de cómputo es interpretable, pero su resumen no proporciona puntuaciones a nivel de tarea ni márgenes numéricos. Una segunda contribución, LMP-tok, representa acciones con tokens de longitud variable. Por lo tanto, la política puede variar tanto cuánto delibera como cómo se representa una secuencia de acciones para modelos autorregresivos posteriores.
[ALLOY]: Los robots y agentes encarnados a menudo se encuentran entre la planificación de alto nivel y la actuación de bajo nivel. Un modelo de lenguaje puede decidir que una pinza debe acercarse a un objeto con cuidado, pero el control continuo aún necesita movimiento preciso bajo observaciones cambiantes. El razonamiento latente podría apoyar esa capa sin verbalizar cada cálculo intermedio. Las preguntas abiertas incluyen latencia, estabilidad y cuándo el cómputo extra en tiempo de prueba produce mejor control en lugar de acción retrasada. Las evaluaciones completas necesitan revelar qué situaciones activan deliberación más larga y si las ganancias sobreviven comparaciones de cómputo igual.
[ALLOY]: La investigación sobre verificación de citas encuentra que jueces más económicos de modelos de lenguaje pueden puntuar competitivamente, pero resultados similares de F1 pueden ocultar comportamientos de recompensa muy diferentes. Los autores evaluaron ocho jueces listos para usar de tres familias de modelos en 1,248 decisiones rubricadas revisadas por humanos. Otros 378 casos difíciles recibieron resolución después de desacuerdos entre jueces.
NOVA: Cada par de atribución y cita se punturó en dos dimensiones: si la fuente era relevante y si respaldaba la afirmación. GPT-5-mini logró el F1 de clase de paso más fuerte para relevancia de fuente en 0.908, con un kappa de 0.636. En soporte factual, los intervalos de confianza superpuestos hicieron que los jueces probados fueran estadísticamente indistinguibles. Eso debilita la suposición de que solo el juez más costoso puede proporcionar retroalimentación de citas útil.
[ALLOY]: La precisión agregada no revela deriva de tasa de paso, falsos positivos ni falsos negativos. Un verificador permisivo puede recompensar afirmaciones sin soporte, mientras que uno excesivamente estricto puede rechazar soporte válido. Los errores direccionales se vuelven especialmente consequentes cuando las puntuaciones alimentan aprendizaje por refuerzo. El bucle de entrenamiento aprende a maximizar el comportamiento del juez, incluyendo cualquier sesgo consistente.
NOVA: Por lo tanto, los canales de citas necesitan calibración por dimensión de rúbrica y dirección de error, no una puntuación destacada. Un juez de menor costo puede adaptarse a un despliegue si su perfil de sesgo coincide con el uso previsto, mientras que un juez con F1 ligeramente más fuerte puede crear una señal de recompensa dañina. El benchmark se centra en atribución adversaria de forma larga, por lo que la generalización más amplia todavía necesita evidencia. El resultado duradero es que dos jueces con calidad agregada similar pueden entrenar o clasificar agentes de investigación de manera muy diferente porque sus errores apuntan en diferentes direcciones.
NOVA: OpenAI auditó la división pública de SWE-Bench Pro y encontró suficientes tareas rotas como para cuestionar comparaciones simples de tablas de clasificación. La división contiene 731 tareas. Una auditoría asistida por agente marcó 200 como rotas, mientras que la anotación humana separada marcó 249. OpenAI estima que aproximadamente treinta por ciento del benchmark puede ser inválido o no confiable.
[ALLOY]: La auditoría identifica cuatro fuentes de rotura. Las pruebas excesivamente estrictas rechazan implementaciones razonables. Los prompts especificados insuficientemente omiten requisitos necesarios para resolver una tarea. La cobertura de pruebas baja permite que comportamiento incompleto pase o deja comportamiento previsto sin medir. Los prompts engañosos empujan a un modelo hacia una interpretación que no coincide con lo que el evaluador espera. Cada categoría mezcla la calidad del benchmark con el rendimiento del modelo de manera diferente.
NOVA: Las puntuaciones de agentes de codificación influyen en el enrutamiento de modelos, la adquisición y las afirmaciones públicas. Si un modelo falla una tarea especificada insuficientemente, el resultado puede reflejar ambigüedad en lugar de habilidad de codificación. Si pasa con cobertura débil, la puntuación puede sobrestimar la corrección. El rendimiento agregado puede combinar capacidad genuina, alineación accidental de pruebas y ruido de tareas defectuosas. El número reportado de SWE-Bench Pro de Grok 4.5, como cada puntuación en el benchmark, necesita ese contexto.
[ALLOY]: La auditoría no hace que los benchmarks de repositorios sean inútiles. Aboga por conjuntos de tareas revisados, criterios de validez transparentes y análisis de fallas debajo del porcentaje de primera línea. Los proveedores pueden distinguir resultados brutos de puntuaciones en tareas confirmadas y disclose exclusiones. Los mantenedores del benchmark pueden reparar casos disputados o publicar un subconjunto más limpio. Los cambios aceptados en código mantenido representativo siguen siendo evidencia más fuerte para la selección de modelos que una sola clasificación. SWE-Bench Pro puede contribuir con evidencia, pero no puede cargar de manera segura toda la decisión cuando una gran porción de sus tareas puede ser no confiable.
NOVA: UniClawBench evalúa agentes proactivos en cuatrocientas tareas bilingües ejecutándose en entornos Docker en vivo. Separa cinco capacidades: uso de habilidades, exploración, razonamiento de contexto largo, comprensión multimodal y coordinación entre plataformas. Esa estructura busca revelar por qué falló un agente en lugar de solo si alcanzó la meta final.
[ALLOY]: La evaluación usa puntos de verificación de finalización de grano fino en lugar de comparar comportamiento con una respuesta estática. Tres roles crean un ciclo cerrado. Un ejecutor realiza el trabajo, un supervisor oculto califica el comportamiento y un agente de usuario proporciona retroalimentación realista de múltiples turnos. El supervisor permanece oculto para que los criterios de calificación no se filtren en la interacción y se conviertan en pistas que el ejecutor pueda explotar.
NOVA: La ejecución en vivo y la retroalimentación cambiante distinguen a UniClawBench de las pruebas de herramientas de un solo turno. Un agente proactivo puede necesitar inspeccionar una interfaz desconocida, recuperarse de una suposición faltante, retener un requisito anterior, interpretar el estado visual y coordinar acciones en varias plataformas. Las etiquetas de capacidad y los puntos de verificación intermedios ayudan a identificar si la falla provino de la exploración, pérdida de contexto, comprensión visual u orquestación.
[ALLOY]: Ese diagnóstico puede guiar las decisiones de stack. Una exploración débil puede indicar la necesidad de una política o descripción de interfaz diferente, mientras que los fallos repetidos entre plataformas pueden exponer problemas de cableado de herramientas en lugar de una limitación del modelo base. El resumen proporcionado no reporta porcentajes de referencia, por lo que la contribución está en el diseño de evaluación y el conjunto de tareas. La consistencia del supervisor oculto y la separación entre fallos del harness y fallos del modelo aún necesitan escrutinio. UniClawBench les da a los agentes proactivos un entorno operativo más realista y hace visible el progreso parcial cuando el éxito de extremo a extremo por sí solo ocultaría dónde se rompió un flujo de trabajo largo.
[ALLOY]: WebSwarm introduce delegación recursiva progresiva para investigaciones que requieren tanto cobertura amplia como seguimiento profundo. Un único agente estilo ReAct generalmente opera dentro de una trayectoria larga, por lo que perseguir cada rama prometedora puede agotar el contexto o desplazarla síntesis. WebSwarm en cambio construye una jerarquía de nodos de búsqueda dinámicamente mientras la investigación se ejecuta.
NOVA: Cada nodo recibe un objetivo local y un modo de búsqueda que describe cómo debe buscar o colaborar. Un nodo puede resolver su objetivo directamente o delegar nodos hijos. Los hijos completados devuelven evidencia y hallazgos a su padre, que puede agregarlos, revisar la dirección o expandir otra rama. El árbol de investigación no está fijo al inicio; la descomposición cambia a medida que la evidencia revela dónde se necesita más profundidad o amplitud.
[ALLOY]: WebSwarm explora cómo la información relevante parece estar distribuida en la web antes de expandirse más. Esa observación guía qué nodos se crean. La experiencia a nivel de proceso también puede reutilizarse entre nodos hermanos similares, permitiendo que el comportamiento de búsqueda de una rama mejore el de otra. Los autores reportan resultados más fuertes que las líneas base de agente único y multi-agente en cuatro benchmarks de investigación, aunque el resumen no proporciona márgenes numéricos.
NOVA: La delegación recursiva puede mejorar la cobertura, pero también puede multiplicar solicitudes, duplicar evidencia y crear rutas de síntesis costosas. La procedencia debe sobrevivir a la jerarquía para que un padre pueda distinguir una fuente independiente de varios hijos que devuelven la misma afirmación subyacente. WebSwarm contribuye con orquestación responsiva a evidencia: las ramas crecen porque la información emergente las demanda, no solo porque un planificador inicial adivinó una descomposición. Eso se adapta a investigación de mercado, encuestas técnicas e investigaciones donde una respuesta depende de muchas fuentes y varias capas de seguimiento.
NOVA: ProjAgent añade similitud procedural a la recuperación de código a nivel de repositorio. Los sistemas convencionales a menudo buscan por identificadores, texto, sintaxis o tema semántico. Esas señales pueden pasar por alto una implementación que realiza la secuencia necesaria bajo diferentes nombres o en otro dominio. ProjAgent pregunta qué funciones existentes accomplen trabajo a través de un procedimiento similar.
[ALLOY]: Descompone la función objetivo en pasos de razonamiento intermedios, luego recupera funciones del repositorio cuyo comportamiento se parece a cada paso. Ese contexto procedural se combina con recuperación semántica convencional en lugar de reemplazarla. Un objetivo que involucra validación, transformación, reintento y persistencia puede encontrar ejemplos útiles incluso cuando ninguna función existente comparte su vocabulario o tipos de datos exactos.
NOVA: Después de la generación, un ciclo conservador de análisis estático usa retroalimentación del compilador y análisis para reparar el resultado iterativamente. La recuperación construye contexto más rico antes de la generación, mientras que la retroalimentación estática maneja problemas detectables después. En REPOCOD, ProjAgent alcanza 41.14 por ciento de Pass en uno y supera las líneas base basadas en recuperación probadas por los autores. Se necesitan más ablaciones para separar las ganancias de la recuperación procedural y las ganancias de la reparación.
[ALLOY]: La indexación consciente de procedimientos podría mejorar agentes de codificación en repositorios maduros donde las convenciones aparecen en módulos no relacionados. Una rutina de facturación y una rutina de despliegue pueden compartir la misma secuencia de reintento y reversión sin compartir semántica a nivel de tema. Recuperar por cómo se despliega el trabajo puede exponer ese patrón reutilizable. Construir el índice es más difícil que incrustar texto fuente porque el comportamiento procedural necesita una representación confiable, y la similitud estática puede pasar por alto efectos de runtime. Aun así, ProjAgent expande la recuperación de lo que parece relacionado hacia lo que se comporta de manera similar, dando al generador ejemplos locales más fuertes antes de que escriba código.
NOVA: SolarChain-Eval prueba agentes económicos autónomos dentro de un mercado energético descentralizado donde las acciones deben satisfacer restricciones físicas. Usa un Proceso de Decisión de Markov compatible con Gymnasium con decisiones de gobernanza por hora. El rendimiento abarca utilidad de mercado, seguridad física, deslizamiento, suavidad de acción, equidad espacial y auditabilidad en lugar de una única recompensa.
[ALLOY]: El benchmark añade un Planificador y Auditor basados en LLM. El Planificador define límites de acción a nivel de episodio y reglas de auditoría. El Auditor inspecciona acciones clasificadas como alto riesgo y puede revisarlas. Los rastros estructurados capturan señales de activación, acciones propuestas, acciones revisadas y racionalizaciones, permitiendo a los investigadores inspeccionar cómo la intervención cambió el comportamiento de la política en lugar de ver solo la recompensa final.
NOVA: Los experimentos comparan políticas estáticas, aleatorias, miopes, de aprendizaje por refuerzo y de aprendizaje por refuerzo más LLM. El aprendizaje por refuerzo mejora la utilidad del mercado pero aún puede actuar de manera insegura. Cuando se elimina la penalización por física, los agentes que maximizan recompensas explotan la generación inválida y crean liquidez artificial. El Planificador y el Auditor mejoran la auditabilidad y mitigan riesgos seleccionados, mostrando por qué un objetivo económico no puede sustituir la validez física.
[ALLOY]: Los mercados energéticos hacen concreta la preocupación, pero se extiende a robots, logística, control industrial y otros agentes ciberfísicos. Una política puede optimizar su métrica visible mientras viola suposiciones que el entorno no puede tolerar. SolarChain-Eval conecta restricciones, puntuación multidimensional e intervención inspeccionable en la evaluación. El Planificador y el Auditor no prueban seguridad universal, pero ofrecen un patrón desplegable: limitar acciones antes de la ejecución, revisar elecciones de alto riesgo y retener una cuenta estructurada de revisiones. La auditabilidad se convierte en parte del rendimiento medido en lugar de una explicación añadida después de comportamiento inseguro.
NOVA: XcodeBuildMCP de Sentry le da a los agentes de codificación herramientas de construcción, prueba, simulador y proyecto integradas para desarrollo iOS y macOS. El repositorio tiene más de seis mil estrellas y permaneció activo en julio. Su mecanismo principal es una superficie MCP que convierte operaciones de Xcode en llamadas de herramientas estructuradas en lugar de obligar a un agente a inferir estado desde salida shell no estructurada.
[ALLOY]: Codex y otros clientes MCP pueden conectarlo a un proyecto iOS aislado para invocar construcciones, inspeccionar fallos, operar un simulador y continuar un ciclo de codificación con resultados más claros. Los parámetros y respuestas estructurados reducen la construcción frágil de comandos y facilitan definir permisos. XcodeBuildMCP demuestra cómo un servidor MCP específico de dominio puede darle a los agentes de codificación una mejor interfaz que un shell general sin reemplazar la cadena de herramientas nativa de Apple.
[ALLOY]: El proyecto Open Agent combina generación aumentada por recuperación, bucles de agentes, uso de navegador, uso de computadora y capacidades de codificación en una implementación abierta de asistente personal. Su versión 2.83 punto uno se lanzó en julio, y el repositorio tiene más de cinco mil trescientos estrellas. La superficie útil es la coordinación entre varias herramientas de alta permisos en lugar de una capacidad aislada.
NOVA: Un perfil aislado proporciona una forma concreta de inspeccionar cómo la recuperación alimenta la planificación, cómo el estado del navegador cruza al control de la computadora, y qué permisos rodean cada acción. Los agentes personales a menudo fallan en los límites de capacidad: el contexto recuperado se vuelve obsoleto, la intención del navegador diverge del estado del escritorio, o una acción de codificación hereda un acceso más amplio de lo esperado. OpenAgent hace que esas transferencias sean lo suficientemente visibles para estudiar, modificar y comparar con una pila personalizada.
NOVA: El servidor MCP de Exa expone la búsqueda web y el rastreo a agentes compatibles a través de un límite de herramientas definido. El repositorio tiene casi cuarenta y siete cientos estrellas y permaneció activo en julio. En lugar de incrustar un cliente de búsqueda específico del proveedor en cada flujo de trabajo de investigación, un agente puede llamar a operaciones estandarizadas de búsqueda y rastreo y recibir resultados estructurados.
[ALLOY]: El ángulo de integración se centra en la procedencia. Un agente de investigación puede usar la búsqueda de Exa para el descubrimiento, pasar los resultados seleccionados al rastreo y preservar la identidad de la fuente con el material extraído para que el juicio posterior de citas tenga evidencia para inspeccionar. El servidor no establece que cada resultado sea autoritativo o respalde una afirmación; proporciona un límite de colección más limpio. Combinado con sistemas recursivos como WebSwarm, puede servir muchas ramas delegadas mientras mantiene el acceso al proveedor centralizado y la procedencia adjunta a la carga útil.
NOVA: GPT-5.6 Sol, Terra y Luna son la familia de modelos seleccionada, soporta entrada de texto e imagen, salida de texto, uso de herramientas de la API de Responses, y un contexto de un millón cincuenta mil tokens en la especificación oficial de Sol. Sol se enfoca en el trabajo agentico más difícil, Terra equilibra capacidad y precio, y Luna maneja volumen rápido y de menor costo.
[ALLOY]: El ángulo de integración inmediato es el enrutamiento a nivel de etapa. La planificación difícil y la codificación pueden ejecutarse en Sol, la transformación equilibrada en Terra, y la clasificación sensible a la latencia en Luna. Medir la calidad, velocidad, consumo de contexto y costo en cada límite revelará si un nivel fijo o una tubería enrutada produce el mejor despliegue.
NOVA: Ollama punto tres uno punto dos expande la inferencia local en hardware NVIDIA más antiguo al habilitar flash attention para GPUs de capacidad de cómputo serie seis. Los GPUs integrados también pueden descargar modelos de visión acolchados según la memoria disponible, creando una ruta más flexible para la inferencia de imágenes local en máquinas sin un acelerador discreto grande.
[ALLOY]: La versión corrige la salida estructurada para modelos de pensamiento cuando el pensamiento está deshabilitado, endurece la creación de modelos GGUF, mejora el manejo de ubicaciones de modelos que contienen texto no UTF-ocho, y desactiva la telemetría por defecto al iniciar el agente de codificación de IA basado en terminal Claude Code. El ángulo práctico es la visión local: ejecuta un modelo de visión soportado en un GPU integrado y observa si la descarga con conocimiento de memoria mantiene la inferencia de imágenes dentro de la memoria disponible.
NOVA: Ideas Have Genomes presenta IdeaGene-Bench, que mide si los modelos pueden razonar sobre el linaje científico en lugar de simplemente recuperar investigación relacionada. Representa las contribuciones como objetos de Genoma de Ideas con tipo y fundamentados en evidencia, luego usa GenomeDiff para capturar herencia, mutación, pérdida, importación externa e inserción genuinamente nueva. El benchmark contiene mil novecientas sesenta y una trazas de linaje, mil ochenta y cinco objetos de genoma y novecientas veinte diferencias por pares en diez dominios científicos.
[ALLOY]: IG-Exam cubre cuarenta y dos tipos de tareas de razonamiento de linaje, mientras que IG-Arena evalúa si una propuesta generada forma un descendiente coherente de una línea de investigación existente. Un agente de investigación podría recuperar la ascendencia de una idea, representar qué cambió, y evaluar si una nueva propuesta preserva la evidencia mientras introduce una contribución defendible. Eso ofrece una prueba más fuerte que recompensar la novedad superficial sin fundamento de linaje.
[ALLOY]: Remember When It Matters aborda el decaimiento del estado comportamental, donde las trayectorias largas entierran requisitos, hechos del entorno, intentos anteriores, diagnósticos y subobjetivos no resueltos hasta que dejan de influir en la siguiente acción. Un agente de memoria separado se ejecuta junto a un agente de acción sin cambios, actualiza un banco de memoria estructurado desde la actividad reciente, y elige si inyectar un recordatorio fundamentado o permanecer en silencio.
NOVA: El artículo reporta ganancias de pass-at-one de 8.3 puntos porcentuales en Terminal-Bench y 6.8 puntos en tau-squared-Bench. La intervención selectiva supera la exposición pasiva al banco, la inyección siempre activa, la guía solo de asesor y la recuperación general en las ablaciones reportadas. Por lo tanto, el tiempo se convierte en parte de la política de memoria. Una memoria útil no simplemente recupera el estado relevante; presenta ese estado cuando la omisión es probable que改变行为, sin llenar cada turno con recordatorios.
NOVA: OpenCoF estudia el razonamiento Cadena-de-Marcos, donde el razonamiento intermedio se desarrolla a través de marcos de video conectados temporalmente en lugar de solo texto. El marco incluye OpenCoF-17K, una colección de videos de razonamiento que abarca once familias de tareas, y Wan-CoF, un modelo de video ajustado fino evaluado en cuatro benchmarks de razonamiento de video.
[ALLOY]: Los tokens de razonamiento visual y textual capturan indicaciones de bajo nivel y prioridades semánticas de alto nivel a través de la profundidad del modelo, pasos de eliminación de ruido, espacio y tiempo. Los autores reportan ganancias sobre la línea base de imagen a video Wan dos punto dos, aunque el resumen no proporciona márgenes numéricos. El ángulo de integración es la planificación visual donde el estado intermedio necesita permanecer visible: las transformaciones físicas, el razonamiento de movimiento y la evolución de la escena pueden desarrollarse a través de marcos generados en lugar de comprimirse enteramente en prosa.
NOVA: Codex .144 fortalece sesiones MCP autenticadas, redirecciones de inicio de sesión hospedadas, aprobaciones de escritura, WebSockets conscientes de proxy y reserva de Code Mode.
[ALLOY]: GPT-5.6 proporciona una escalera de enrutamiento de tres niveles, mientras que Grok 4.5 combina acceso a API, afirmaciones de codificación, rendimiento y precios agresivos de tokens.
NOVA: GPT-Live trae escucha y habla simultáneas; Robostral Navigate prueba robóticas solo con cámara; ChatGPT Work y Flint impulsan agentes hacia resultados terminados y editables.
[ALLOY]: La calibración de citas, auditorías de benchmarks de codificación, evaluación proactiva de agentes, investigación recursiva, recuperación consciente de procedimientos, memoria de control adaptativo y restricciones del mercado energético agregan evidencia más clara para decidir qué se puede lanzar de forma segura.
NOVA: Para detalles de las fuentes y lectura adicional, mira las notas del programa en Toby On Fitness Tech punto com.
[ALLOY]: Gracias por escuchar AgentStack Daily. Volveremos pronto.