Los modelos se están haciendo gordos, los builders se están poniendo reales
La carrera armamentista de la IA es cara. Los open weights son la única jugada honesta que le queda a la comunidad de Brown builders — los puedes correr de verdad sin pedirle limosna a Big Tech. Lo demás es ruido y dinero de venture. Esto te toca: agarrá lo que puedas, mandalo a producción, y seguí.
Hugging Face se está vendiendo por $13B — y el mercado de modelos se está consolidando
Hugging Face está explorando una venta. El hub de modelos open-source que aloja decenas de miles de modelos tiene una valoración de $13 mil millones y los compradores potenciales ya están dando vueltas. La compañía ha estado construyendo en silencio por años, convirtiéndose en el GitHub de los modelos de ML, haciendo que el ecosistema de modelos open-source sea realmente usable para cualquiera que no trabaje en un big lab.
Lo que hace esto notable no es solo el tamaño del deal — es lo que señala sobre el mercado de modelos en sí. La carrera de modelos open-source, antes un wild west de labs compitiendo y papers compitiendo, ahora se está consolidando por un puñado de jugadores bien financiados. La posición de Hugging Face como capa de distribución para todo esto la convierte en el target. Los compradores ven la base de usuarios, la confianza de los devs, y el data pipeline como algo que vale el premium.
Por qué nos importa: los modelos open-source son la base de muchas de las herramientas que nuestra comunidad ya está construyendo — desde modelos de traducción hasta OCR para documentos de la comunidad. La consolidación significa menos jugadores independientes y más gatekeepers corporativos en la infraestructura en la que dependemos.
Michael Polansky está entrenando IA con piel que aún está viva
Michael Polansky, el fundador de 27 años de Inherent Labs, está haciendo algo que suena a ciencia ficción. Su compañía acaba de construir un modelo de IA entrenado con piel humana viva — piel que estaba viva cuando se capturaron los datos, no fijada en formol ni seca en portaobjetos. El modelo puede predecir cómo reacciona la piel a tratamientos, que es el santo grial para la dermatología y los cosméticos.
La noticia más grande es lo que Inherent anunció la semana pasada: su compañero de IA acaba de superar a Anthropic y OpenAI replicando investigación real. No es marketing — es un benchmark específico que publicaron. El lab está dirigido por ex DeepMind, lo que significa que saben construir modelos que no alucinan.
Polansky está trabajando en la intersección de biotech e IA, que es donde va a estar el verdadero valor esta década. Los modelos que importan no van a ser chatbots — van a ser los que pueden razonar sobre biología, química y materiales de formas que los humanos no pueden. Los datos de tejido vivo son el tipo de entrenamiento que no se puede hacer scraping desde internet. Tiene que crecer, capturarse y preservarse. Esa escasez es lo que le da valor.
Por qué nos importa: la próxima ola de avances de IA se está construyendo con datos que no se pueden copiar de una página web — biotech, clima, materiales — y la gente que posee esos datos es la que va a hacer el dinero real.
Anthropic ha estado cerrando el acceso a Claude por años — ahora le da a la comunidad que lo corra en su propio hardware.
— thenextweb.com
#anthropic-ships-mythos-5-and-opens-its-weights-a940baMeta le agarró a Luke Metz de OpenAI, el chavo detrás de DALL-E y Sora
Meta le agarró a Luke Metz, investigador de OpenAI, para su equipo de IA. Metz fue el lead en DALL-E 2 y la primera versión de Sora — el modelo de video que se hizo viral el año pasado. Es uno de los pocos que de verdad ha shipped un modelo generativo de primer nivel desde cero.
Este tipo de hire es la señal de dónde va la próxima ola. Meta está armando los modelos Llama y los está metiendo en cada producto — search, WhatsApp, su sistema de ads, toda la pila. Metz trae experiencia hands-on armando diffusion y video models a escala. Ese es el gap que están llenando.
La historia más grande es la brain drain entre los dos labs.
DeepSeek lanza Flash Vision, un modelo multimodal que compite en tareas de agente
The Decoder reporta que DeepSeek acaba de liberar un modelo nuevo llamado Flash Vision. Es un modelo multimodal experimental — toma texto e imágenes y devuelve texto. Lo que destaca es que rinde bien en benchmarks de agentes, que miden qué tan bien los modelos realmente hacen el trabajo en lugar de solo chatear amablemente.
Flash Vision se une a un campo lleno de modelos multimodales open. Lo que lo diferencia no es tanto la arquitectura sino el acceso: es open-weight, lo que significa que cualquiera puede correrlo sin pagar una API. Para equipos que ya tienen GPUs, eso es un ahorro de costos significativo.
Anthropic está financiando 5 modelos open-source — incluyendo uno enfocado en seguridad
Anthropic lanzó un fondo de $10M para modelos open-source esta semana. Cinco proyectos entraron: Llama, Mixtral, Qwen, Granite, y un modelo llamado Mythos hecho para evals de seguridad.
El dinero va directo a los labs que construyen los modelos, no a investigadores independientes. El jefe de Anthropic, Dario Amodei, es quien está empujando esto. Lleva tiempo diciendo que los modelos open se están acercando en capacidad y que el mundo necesita más — especialmente los que pueden testear seguridad de otros modelos.
Mythos es el raro. Es un modelo de 14B parámetros hecho para evaluar seguridad, no para correr tareas. La idea es que si todos están soltando modelos open, necesitás herramientas open para chequear si son seguros antes de que se usen en la wild.
El Claude de Anthropic es closed-source. La compañía ha sido cuidadosa con lo que suelta — sus open weights hasta ahora son el Claude 3 Haiku más chico y las variantes viejas de Sonnet. Este fondo es una forma de sembrar el ecosistema open con modelos en los que confía, incluyendo uno que construyó ella misma para testear seguridad.
La carrera de modelos open se está calentando. El Llama de Meta, el Mixtral de Mistral, el Qwen de Alibaba, y el Granite de IBM están todos compitiendo. Anthropic está tirando plata al campo para asegurarse de que la capa de seguridad no se quede atrás de la capa de capacidad.
Por qué nos importa: los modelos open mantienen el poder afuera de las manos de las empresas que lo encierran todo — cuando las herramientas son open, la gente puede auditar lo que está corriendo de verdad, no solo confiar en una política de privacidad.
El equipo de IA de Inherents le ganó a OpenAI y Anthropic reproduciendo papers
Una startup fundada por ex DeepMind dice que su modelo de IA puede replicar papers científicos mejor que los de OpenAI y Anthropic — y lo hizo sin ningún prompt humano, solo leyendo el paper y corriendo el código. La empresa se llama Inherent, y apuesta a que el próximo cuello de botella en IA no es escribir sino verificar: ¿puede un modelo realmente reproducir lo que dice un paper, o solo suena convincente?
La afirmación es específica — el modelo reprodujo resultados de papers publicados de forma que coincidía con los autores originales.
Opus 5 de Anthropic le ganó a Fable 5 en gasto corporativo
El Opus 5 más nuevo de Anthropic se pasó a Fable 5 en gasto corporativo, según los datos de Streetsignal. Las grandes empresas están moviendo sus presupuestos de LLM hacia Anthropic — ese tipo de cambio se ve en los contratos de compras antes que en los comunicados de prensa.
Fable 5 era el modelo open-weight que se llevó toda la atención. Opus 5 es el modelo propietario más nuevo de Anthropic, hecho para razonamiento pesado y ese tipo de tareas que las empresas sí pagan. El cambio de uno a otro sugiere un ajuste práctico: los modelos open-weight están bien para tinkering, pero las empresas están comprando outcomes, y esos outcomes se van a los modelos cerrados que pueden manejarlo.
Este es el patrón que estamos viendo en el mercado — los modelos que cuestan dinero para correr, que tienen SLAs y contratos de soporte, son los que ganan los deals enterprise. La gente de open-weight sigue construyendo. Anthropic está ganando en confiabilidad y escala. No es una distinción moral. Es una de procurement.
Por qué nos importa: las empresas que controlan los modelos que las compañías sí pagan van a poner los términos — precios, acceso, y el tipo de datos que pueden meterles — así que la gente que está construyendo cosas para la comunidad necesita entender quién está ganando de verdad.
La atención es la nueva RAM — y se está poniendo cara rápido
Un paper nuevo dice que la forma en que los LLMs procesan el contexto es el cuello de botella de toda la industria. La atención escala cuadráticamente con la longitud de entrada — el doble de tokens, cuatro veces el compute. Eso significa que un transcript de video 4K o un libro de 500 páginas deja al modelo arrastrándose. Los autores proponen patrones de atención sparse que le permiten al modelo tocar solo las partes relevantes del contexto largo, bajando el compute entre 10x y 30x en documentos. No es idea nueva, pero esta es la versión más convincente de por qué importa ahora.
Un chip que lee la atención — no con cámaras, con ruido eléctrico
Una startup llamada Attention Interface está armando un headset EEG diminuto que detecta cuándo alguien está prestando atención, y lo hace sin cámaras, sin lentes, sin todo el hardware de vigilancia que estás acostumbrado a ver. La cosa se pone en la cabeza como una banda para el pelo, capta señales eléctricas del cerebro, y le dice a la computadora si estás enfocado en la pantalla o mirando hacia otro lado. La compañía lo está vendiendo para headsets de VR — así un headset sabe si realmente estás leyendo una pizarra virtual o revisando tu teléfono — y para el mercado más amplio de gente que quiere armar dispositivos que respondan a lo que estás pensando, no a lo que estás haciendo.
Lo interesante es el trade-off. La forma vieja de saber dónde están los ojos de alguien es una cámara apuntando a la cara. Eso funciona, pero es invasivo — te está mirando los ojos, y cada vez que le pones una cámara a la cabeza, estás armando un dispositivo de vigilancia. La forma nueva es eléctrica: el cerebro genera voltaje medible cuando la atención cambia, y podés leer eso con unos cuantos electrodos. Es una forma distinta de privacidad. No te están mirando; te están escuchando. Los datos son menos granulares, lo que significa que es más difícil abusar de ellos, pero también menos precisos, lo que significa que es más difícil armar cosas encima.
La compañía levantó $12 millones en seed funding. Son un equipo chico, y están fabricando el hardware en-house en lugar de comprarlo off the shelf. Esa es una apuesta a la idea de que el sensor es el producto — que el valor está en qué tan bien la cosa lee la atención, no en la capa de software encima. Si tienen razón, esto podría convertirse en la forma estándar en que los dispositivos saben a qué le estás prestando atención, como un mouse sabe dónde está tu mano. Si se equivocan, es solo otro sensor que a nadie le importa.
Por qué nos importa: la próxima generación de sensores wearables se está armando ahora mismo — y los que no necesitan mirar tu cara van a ser los que la gente realmente use.
Los pesos abiertos son lo que importa para los que construimos en Brown
Martin Alderson está trazando el cambio de modelos cerrados a pesos abiertos — esos modelos que de verdad puedes correr tú mismo en una sola GPU. El patrón es simple: en vez de mandar prompts a la API de una empresa y rezar para que no cambien las reglas, bajas los pesos, los cargas en un motor de inferencia y los ejecutas en tu propio hardware. Eso cambia quién controla el stack.
Los modelos de los que habla son los que sueltan Meta, Mistral, Google y otros con licencias completas — no los que solo están disponibles vía API. Ya compiten con los grandes y corren en GPUs de consumo.
Waymo tuvo que reinventarse antes de poder mover un auto
Waymo es la compañía de autos autónomos de Alphabet, y lleva más de una década en el juego. Lo que pasa con armar una flota de robotaxis es que el software no se sienta encima de un auto — tiene que manejarlo todo. Así que Waymo terminó rediseñando el vehículo desde cero, con sus propios sensores, sus propias computadoras, su propio sistema de seguridad. El resultado es un auto que no se compra en agencia.
La compañía ha estado armando esto en silencio por años, y ahora lo está desplegando en varias ciudades. El enfoque es distinto al de la mayoría de la industria: en vez de ponerle sensores a un auto normal y rezar para que los algoritmos aguanten los casos extremos, Waymo construyó el auto para trabajar con el software. Eso significa menos partes, menos puntos de falla, y un sistema más fácil de probar y mantener.
Por qué nos importa: esta integración vertical es cómo se entrega un producto que de verdad funciona — no el parche de piezas off-the-shelf y código prestado que la mayoría de las startups tienen que armar.
La guía de SDLC de Claude para apps de IA sí sirve
Anthropic soltó un playbook para construir software nativo de IA — lo que te saca del proof-of-concept y te mete en algo que la gente puede usar de verdad. Cubre el ciclo completo: cómo diseñar sistemas que manejen llamadas LLM, cómo testearlos, cómo desplegarlos, y cómo evitar que se vayan a la basura con outputs aleatorios.
Lo que lo diferencia del blog post vago de siempre es la especificidad. La guía está estructurada alrededor de los problemas reales que las teams se encuentran — validación de inputs, prompt injection, model fallbacks, cost tracking, evaluation harnesses — no el pitch de marketing.
El problema del oráculo: por qué la IA choca siempre con la misma pared
Los mejores modelos de IA hoy tienen un punto ciego que no tiene que ver con el compute ni con los datos de entrenamiento. No pueden señalar de forma confiable la fuente real de la verdad — la base de datos, el libro mayor, el contrato, el precio — sin inventarse algo plausible. Esto es lo que el artículo llama el oracle problem, y aparece en todas partes: un chatbot cita una regulación que no existe, un copilot escribe código contra un schema que cambió la semana pasada, un asistente legal cita un caso que la corte nunca resolvió.
La razón es estructural, no accidental. Los LLMs predicen tokens, no hechos. Sacan lo que suena bien dado el prompt, no lo que es realmente cierto. La solución no es un modelo más grande. Es conectar el modelo a la fuente — una base de datos de solo lectura, una API en vivo, un ledger verificable — para que la respuesta venga de la verdad y no de la distribución de probabilidades.
Por qué nos importa: cuando estamos construyendo herramientas para la comunidad — la app de la migra, el sistema de inventario de la bodega, el CRM del side-hustle — el oracle problem es la diferencia entre algo útil y algo que nos miente bajo presión.
Oracle es el cuello de botella que nadie menciona
El problema de Oracle es la pesadilla de toda startup que necesita una base de datos y no quiere escribirla desde cero. Elegís Oracle porque el vendor te va a soportar cuando se rompa a las 2am. Pagás las licencias. Aprendés las herramientas. Estás locked in.
El problema es que Oracle está en todas partes — en bancos, en hospitales, en sistemas de gobierno, en las apps que usa tu abuelo para pagar la luz. Cuando Oracle hace algo nuevo, como una auditoría de licencias o un cambio de precios, la onda se propaga por cada sistema que depende de ella. Nadie lo ve venir porque nadie está hablando de eso.
La CFTC demanda a Ripple por correr un exchange de cripto sin registro
La CFTC presentó una demanda contra Ripple por operar el XRP Ledger como un exchange de futuros sin registrarse ante la comisión. La agencia pide al tribunal congelar los activos de Ripple y una multa civil de hasta $40 millones. El escrito sostiene que XRP se negocia en una plataforma que funcionó como mercado de futuros, lo cual requiere registro bajo la Ley de Intercambio de Mercancías.
Esto llega un año después de que un juez federal en Manhattan dictaminara que Ripple vendió XRP como un valor no registrado en la mayoría de los casos. El caso de la CFTC toma un ángulo distinto — es sobre el exchange, no sobre el token. La agencia dice que Ripple construyó la vía y las vías están reguladas, sin importar qué corra sobre ellas. Un juez en Texas ya bloqueó a la SEC de perseguir el mismo caso, pero la CFTC es una reguladora diferente con una ley diferente.
Ripple lleva corriendo una de las plataformas de cripto más grandes del mundo desde 2012. Si la CFTC gana, la brecha regulatoria entre exchanges y los reguladores que los supervisan se achica un poco. Otras plataformas van a tener que prestar atención a si están cruzando hacia territorio de futuros.
Por qué nos importa: la gente que corre side hustles y negocia en plataformas de cripto no está exenta de regulación solo porque las reglas no hayan alcanzado a ponerse al día — y las agencias siguen escribiéndolas.
Beat Gems de Oli Freke es el libro de historia de las drum machines que necesitábamos
Oli Freke lleva años escribiendo sobre synths —su crónica de 1963 a 1995 del instrumento es del tipo de inmersión profunda que solo un jugador serio puede lograr. Ahora se ha pasado a las drum machines, y el resultado es Beat Gems, un libro de mesa de la editorial Bjooks. Es el mismo tratamiento que sus otros títulos: fotos hermosas, notas históricas y consejos prácticos para usar el equipo de verdad. Freke ha escrito para Sound on Sound, The Quietus, Mixmag y un puñado de otros lugares donde la gente que le importa cómo se hace la música realmente lee.