Claude Code en el iPhone, Roblox apuesta por world models y Gemini Flash de Google — un día tranquilo de herramientas reales.
Claude Code ya corre en el simulador de iOS, así que lo pruebas en el dispositivo sin tener que hacer ship. Google lanza Gemini Flash — más barato, más rápido, para el mundo real. Roblox va por los world models y open-sourcea el engine. Mientras tanto, Meta deja que tus fotos de Instagram se conviertan en retratos por IA por default. Son los cambios silenciosos, no el ruido.
Cómo los trabajadores IT de Corea del Norte lavan dinero con cripto
Un reporte nuevo rastrea el rastro del dinero desde los trabajadores IT de Corea del Norte hasta las wallets y exchanges donde se acumula. Los trabajadores mandan código y servicios de diseño a clientes en el extranjero, pagan en cripto, y lo canalizan por capas de wallets y exchanges antes de llegar a los rails tradicionales.
El truco no es la tecnología — es el enrutamiento. Un solo proyecto pasa por media docena de wallets en múltiples blockchains antes de aterrizar en un exchange coreano que finalmente envía el dinero a la economía real. La cadena de custodia es lo bastante desordenada que la mayoría de los auditores dejan de buscar.
Por qué nos importa: el sector IT de Corea del Norte es un motor silencioso de ingresos para el régimen, y mientras el enrutamiento cripto se mantenga opaco, ese dinero sigue fluyendo — enriqueciendo a los funcionarios en silencio mientras el mundo mira hacia otro lado.
El hackeo de OpenAI muestra que la carrera de la IA va más rápido que sus frenos
OpenAI tuvo un hackeo — del tipo que pasa cuando una empresa lanza features más rápido de lo que lanza seguridad. La historia es que los sistemas de OpenAI fueron comprometidos mientras la compañía corría para lanzar nuevos modelos. El breach está siendo investigado, pero lo claro es que la infraestructura de la compañía es un blanco móvil. Mientras los competidores de OpenAI lanzan nuevas capacidades cada mes, OpenAI está lanzando nueva infraestructura cada semana. Y cada cosa nueva es una nueva superficie de ataque.
El timing es revelador. No es un glitch aislado; es un patrón. OpenAI es la campana de lo que pasa cuando mueves rápido y rompes cosas, y ahora las cosas que se rompen incluyen las que sostienen tus datos. El equipo de seguridad de la compañía está tratando de alcanzar a un equipo de producto que ya va tres sprints adelante. El breach es un recordatorio de que la velocidad tiene un costo — y el costo lo pagan los clientes, no los accionistas.
Por qué nos importa: la gente que confía en OpenAI con sus datos debería saber que la compañía va corriendo adelante de su propia seguridad, y eso no se arregla con un blog post. Es un problema estructural — la más rápido que se mueve el barco, más difícil es parchar la quilla.
No solo estás aprobando un nuevo dispositivo — estás dejando la llave en la manilla.
— scamdrill.com
#m365-phishing-is-now-riding-device-codes-and-your-phone-is-the-key-6f901bVerificando modelos de IA con matemáticas, no solo con pruebas
Georg Wiese está escribiendo sobre verificación formal para IA — demostrando cosas sobre los modelos con matemáticas en lugar de pasarlos por pruebas. Las pruebas te dicen qué pasó; las demostraciones te dicen qué debe ser verdad. Esa es la diferencia entre verificar que una cerradura funcionó y saber que la cerradura no puede fallar.
La idea clave es que puedes escribir una especificación — una declaración matemática sobre cómo debe comportarse el modelo — y luego usar herramientas como Coq o Lean para demostrar que el modelo la cumple. Si la demostración pasa, terminaste.
La IA encontró un bug en Linux que nadie vio en 15 años
Una herramienta de inteligencia artificial revisó el código base de Linux y descubrió un error de raíz — un bug que vive en los archivos más esenciales del kernel — y que los ingenieros humanos dejaron pasar por quince años. El hallazgo no fue una optimización elegante ni un parche cosmético: era un error de lógica en la estructura misma, el tipo de cosa que pasa cuando el código crece más rápido que los ojos que lo revisan.
Apple PrismML: modelos de IA más grandes, directo en el teléfono
Apple está lanzando PrismML — un modelo de inteligencia artificial más grande que corre directo en el dispositivo, sin depender de la nube. El avance no es solo que el modelo sea más grande, sino que Apple resolvió el empaque: compresión, cuantización y un runtime nuevo que mantiene los tiempos de inferencia aceptables sin sacrificar la privacidad.
Lo interesante es la dirección. En vez de mandar cada consulta a un servidor — como hacen ChatGPT o Claude — los datos se quedan en el hardware. Eso cambia el costo por consulta, la latencia y la dependencia del ancho de banda. Para la familia que usa el teléfono en zonas con conexión intermitente, y para cualquiera que no quiere que Apple lea sus archivos, esto importa.
Por qué nos importa: menos dependencia de la nube significa menos suscripciones, menos interrupciones cuando la señal falla, y más control sobre los propios datos — todo sin cambiar la forma en que usamos el teléfono.
Why this matters for us: menos dependencia de la nube significa menos suscripciones, menos interrupciones cuando la señal falla, y más control sobre los propios datos — todo sin cambiar la forma en que usamos el teléfono.
El internet por satélite de Starlink ya es el Wi-Fi que no se muere para un imperio criminal de $114 mil millones
El Ministerio de Asuntos Cibernéticos se metió a fondo en cómo Starlink pasó de ser una novedad espacial a el sistema nervioso de una operación criminal que vale más de $114 mil millones — lavado de dinero, fraude, mercados darknet, todo el paquete. El secreto es que Starlink no depende de un solo cable, de un solo país, de un solo servidor. Está en el cielo, salta entre satélites, y sigue funcionando aunque se vaya la luz o le corten el cable. Para la gente que maneja operaciones criminales, es un sueño. Puedes mover el hardware, el dinero sigue fluyendo.
Claude, Copia, y la brecha — un flaw que deja abierta la puerta
Un error en el modo Copia de Claude permite que un agente se pase a otro usuario. Si tu agente está corriendo mientras tú duermes, y se conecta a la cuenta equivocada, puede ejecutar acciones — escribir, borrar, pagar — en la cuenta incorrecta. No es grave por sí solo: se puede configurar para ser estricto. Pero es un recordatorio de que los agentes no son tu escritorio; son un instrumento que se lleva y se pone en cualquier mesa.
La pieza es de TLDR InfoSec. El equipo que la escribe sabe de lo que habla; no es un rumor de Twitter. El fix está publicado. La lección es simple: si los agentes se mueven por la red, la red tiene que saber quiénes son.
Por qué nos importa: cada herramienta que instalamos para la comunidad — la migra app, la herramienta de la abuela para el correo — ahora corre agentes que hablan con otros servicios. Un bug como este es la diferencia entre que tu abuela pague su factura en la cuenta correcta y que pague en la del primo por error.
Claude Cowork tiene un hueco que deja pasar a los agentes de IA
Los investigadores encontraron un fallo en Claude Cowork que puede hacer que un agente de IA se haga pasar por una persona real. La vulnerabilidad está en cómo Cowork valida las peticiones entrantes — la puerta no está tan cerrada como debería.
El parche ya está ahí. Si actualizaste Cowork, estás bien. El hueco era real y el parche también, no es un release de prensa disfrazado de fix.
Por qué nos importa: Cowork es cómo mucha gente habla con Claude sin abrir el navegador — si la puerta está floja, lo está para toda la familia que lo usa.
Claude Code ya corre en el simulador de iOS — sí, todo el paquete
Anthropic lanzó Claude Code para iOS, y lo puedes correr directo en el simulador. Sin app store, sin wrapper. Es Claude Code mismo, compilado para Apple Silicon y hablando con la API como si estuviera en un terminal.
Simon Willison fue el primero en verlo. Ha seguido la red de partners de Claude desde los primeros días y sabe cómo aterrizan estas cosas. El par — Simon y Thariq — ha estado trabajando en esto un buen rato, y el resultado es lean: el modelo, el código, los prompts, todo corriendo en un Mac M-series sin la scaffolding de siempre.
Por qué nos importa:
Si las herramientas empiezan a correr nativo en nuestros Macs en vez de detrás de un wrapper web, se vuelven más rápidas, se quedan offline cuando se cae el internet, y dejan de cobrarnos por request. Esto es el futuro — silencioso, rápido, y bajo nuestros pies.
El Gemini Flash de Google es la rival de Mythos que nadie vio venir
Google acaba de lanzar Gemini Flash, un modelo que posiciona como la amenaza real para Mythos de Anthropic. La compañía está apostando fuerte a que Flash puede hacer el trabajo pesado — razonamiento, código, contexto largo — a una fracción del costo que ha mantenido a la industria desvelada.
Flash fue construido para velocidad y escala, no solo para capacidad bruta. Maneja documentos largos, encadena pensamientos en múltiples pasos y puede codificar tareas complejas.
Google responde con Gemini Flash — un modelo más barato y rápido para el mundo real
Google lanzó Gemini Flash, un modelo más rápido y barato que el Gemini Pro que reemplaza, y va directo a los modelos open-source como Mistral y Llama que le han estado comiendo la cena. El modelo es 40% más rápido en producción y cuesta casi la mitad. Corre sobre una arquitectura de 8B parámetros — no los modelos masivos de 70B+ que todos persiguen — y está optimizado para el trabajo que realmente se entrega: chatbots, búsqueda, generación de imágenes, la faena diaria.
La historia real no está en las specs. Es el timing. Los modelos open-source han estado mejorando cada trimestre y son más baratos. Gemini Flash es la respuesta de Google — un modelo que no necesita vencer a GPT-5 en su propio juego, solo hacer el mismo trabajo más barato y rápido. Para la gente que corre APIs, hospeda sus propios modelos, o elige entre vendors: este es el tipo de jugada que mueve los precios sin que nadie se dé cuenta.
Por qué nos importa: Google está haciendo los modelos más baratos y rápidos para que las herramientas de las que dependemos — búsqueda, docs, Translate — no se ralenticen cuando estamos intentando hacer las cosas.
Roblox está apostando por world models — y open-sourcing el motor
Roblox está poniendo sus fichas en los world models, ese tipo de sistemas que aprenden cómo funciona el mundo — gravedad, objetos, causa y efecto — en lugar de solo reconocer lo que ven. Open-sourcerearon el motor, así que cualquiera lo puede agarrar y correr en su propia máquina.
El open-source importa más que el anuncio. Cuando una empresa grande libera un modelo para uso público, deja de ser un juguete de investigación y se convierte en infraestructura. El modelo vive en GitHub bajo el nombre de Lightricks, y la comunidad ya está rodeándolo — la gente ha publicado benchmarks, notas de integración y experimentos tempranos.
Roblox está apostando su futuro a los world models
Roblox está lanzando world models — el mismo tipo de IA que impulsa Sora de OpenAI y Sora 2 de Google — para generar entornos 3D a partir de una sola imagen. Le pones una foto y te construye un mundo jugable por donde puedes caminar. La tecnología está en sus inicios: la geometría es suelta, las texturas se ven un poco inestables y se notan las costuras. Pero la idea está clara. Roblox quiere pasar de ser una plataforma de juegos a un motor de creación, y está apostando a que la próxima ola de juegos y experiencias no se va a construir a mano, sino que va a crecer con IA.
Por qué nos importa: cuando un chavo de East LA hace un juego en Roblox, probablemente lo hizo con herramientas de IA — no porque un ingeniero de Silicon Valley se lo haya ordenado, sino porque las herramientas son más baratas, más rápidas, y los juegos que hacen son los que sus amigos realmente juegan.
Por qué nos importa: los world models son el primer paso hacia un Roblox donde cualquiera puede convertir un boceto en un mundo — y el chavo que dibuja el mejor boceto es dueño del IP, no el estudio.
Goodput le gana a throughput cuando tu LLM es de verdad rápido — no solo está ocupado
Goodput es el throughput de los tokens útiles — los que terminan en la respuesta final. Throughput cuenta todo, incluyendo los tokens que el modelo generó y luego tiró a la basura porque el prompt era muy largo o la respuesta ya estaba completa. Cuando el modelo está chupando tokens pero la mayoría es ruido, el número de throughput se ve increíble y el servicio sigue sintiéndose lento.
El post hace las cuentas: con una ventana de 100k tokens, un solo prompt largo puede consumir 90% de la GPU solo para pasar datos de un lado a otro, mientras que la inferencia real usa una fracción de eso.
Mantener la caché KV caliente — midiendo la evicción del prompt en Anthropic, OpenAI y Google
TLDR DevOps escribió un post práctico sobre la evicción del prompt cache, comparando cómo Anthropic, OpenAI y Google manejan la caché KV en sus APIs de LLM. La caché permite que prompts repetidos reutilicen cómputo previo — si la caché se mantiene caliente, pagas menos. Si se evicciona, pagas de nuevo.
El artículo recorre mediciones reales: cuánto tiempo mantiene cada provider la caché activa, qué dispara la evicción, y cuánto ahorras manteniendo los prompts juntos en el tiempo. Los números varían por provider, pero el patrón es claro: la evicción es un costo silencioso que no notas hasta que llega la factura.
Para nosotros, este es el tipo de detalle de infra que aparece en el margen. Corremos modelos por múltiples providers y hacemos cache agresivo, así que la diferencia entre caliente y frío importa más de lo normal. Si logramos mantener la caché caliente entre nuestras llamadas a la API, los ahorros se acumulan.
Por qué nos importa: la caché es una palanca silenciosa — caché caliente significa menor latencia y menor costo en cada llamada que hacemos, y los providers no siempre te avisan cuando está a punto de expirar.
El ex CEO de GitHub arma un code host nuevo para la era del vibe coding
Tom Preston-Werner — el co-fundador original de GitHub que vendió la compañía a Microsoft por $7.5B en 2018 — lanzó una plataforma nueva llamada Registerspills. Es un code host diseñado específicamente para la edad del vibe coding, donde la IA hace la mayor parte del trabajo pesado y los devs humanos pasan más tiempo revisando y dirigiendo que tecleando.
El artículo de The Register lo presenta como competidor de GitHub mismo, pero la historia real es el timing: GitHub se construyó para humanos escribiendo código a mano, con pull requests, commits y branching como metáforas principales.
La nueva IA de Meta ya genera fotos tuyas desde tu Instagram — y estás inscrito sin darte cuenta
Meta está lanzando un generador de imágenes con IA que usa tus fotos de Instagram para crear nuevas fotos tuyas — la clase de cosa en la que no te das cuenta de que es fake hasta que miras más de cerca. La trampa: viene activada por defecto. Si tienes una cuenta de Instagram, estás adentro. Sin prompt para aceptar, sin ajuste especial que togglear. Solo empiezas a aparecer en sus resultados.
Esta es la clase de cambio silencioso que importa porque sigue pasando. Meta ha estado entrenando estos modelos con contenido de usuarios por años, pero ha sido lenta en decírselo a la gente. La tecnología funciona — y es buena para engañar. Eso es peor que malo. Es la clase de cosa que se va metiendo en cómo nos vemos.
Por qué nos importa: la gente usa Instagram como su segunda casa — fotos de familia, los niños, el cumpleaños de la abuela, la boda de la prima. Si Meta está usando nuestras fotos sin preguntar, no solo le damos datos, le damos nuestras caras.
Tu LLM está mintiendo — y la gente se está tragando el cuento
Los investigadores encontraron un aumento fuerte en las herramientas de IA que se están alimentando de su propia producción. Los modelos entrenados con texto generado por LLM empiezan a alucinar: repiten patrones, inventan hechos, y entregan basura con total confianza. El problema se complica a medida que más herramientas se raspan entre sí para obtener datos de entrenamiento. El gusano se propaga en silencio — no lo notas hasta que tu IA está escribiendo sobre cosas que nunca pasaron.
El gusano no es malicioso en el sentido tradicional. No está robando credenciales ni plantando puertas traseras.
Google lanza Mantis para escanear tu código y encontrar fugas de tokens de IA
Google open-sourced Mantis (github.com/google/mantis), una herramienta que busca secretos en tu código — API keys, tokens, credenciales — que se filtraron cuando pegaste prompts en tus editores o los dejaste en archivos de config.
Es el tipo de limpieza que antes era manual. Hacías grep por Bearer, por tu AWS key, por esas cadenas largas hexadecimales que parecen nada pero no lo son. Mantis lo hace automático y marca lo que hay que mover a un secrets manager de verdad. El proyecto es de Momen Basel y está disponible como CLI para correr antes de hacer commit.
Por qué nos importa: cada dev de Brown que pegó un prompt de Claude en su terminal dejó un token tirado. Mantis lo atrapa antes de que se filtre a un repo público.
Takeoff se alarga — y Sierra la compra
Sierra se llevó a Takeoff, la startup detrás del framework Takeoff. La compañía ha estado construyendo en silencio algo distinto al resto del crowd de agents: agents de horizonte largo que planean y ejecutan durante horas o días, no en un solo turno. Los agents de Takeoff escriben su propio código, lo corren, leen el output y siguen — sin humano en el loop, sin handoffs.
El deal tiene sentido para Sierra. La compañía ha estado armando una plataforma para agents autónomos que corren y escalan, y la capacidad de horizonte largo de Takeoff encaja perfecto.
Google escribe el reglamento de la economía del AI — y no es para los chicos de la nube
Google lanzó un artículo largo sobre la economía del AI, y suena menos como un whitepaper de tech y más como un argumento sobre quién se lleva el dinero cuando se construye el AI.
El artículo cubre la pila de costos — chips, compute, data, y el trabajo que alimenta todo — y luego mapea cómo fluye el valor por el sistema. La tesis es simple: la mayor parte del dinero se queda con los chip makers y las plataformas de compute. Los modelos, las apps, los wrappers? Están apretando los márgenes.
Lo interesante para nosotros es la parte de infraestructura. Google se posiciona como la capa de fundación, lo que todos los demás tienen que rentar. Es la misma jugada que Intel hacía con x86, la misma que la Big Four está haciendo con las bank rails. Quien controla el substrate controla el toll.
Por qué nos importa: si el dinero fluye hacia el compute y los chips, las compañías que construyen encima — las que atendemos con herramientas y consultoría — están peleando por migajas. Tenemos que estar del lado de la fundación, no del lado del wrapper.