Edición Nº 071 · 2026-11-11 · 18 items · 12 fuentes
Modelos y avances

Tras dos semanas de acceso restringido a especialistas en ciberseguridad, Google lanzó Gemini 4 Carbon para todos los desarrolladores. El modelo apunta a flujos complejos de razonamiento y código mediante coordinación en enjambre, con una tarifa inicial de dos dólares por millón de tokens de entrada antes de su ajuste en diciembre.

Por qué importa — Plantea competencia directa en costo y rendimiento contra las arquitecturas agénticas de Anthropic y OpenAI.

DeepMind Blog · 2026-11-10 · fuente
Modelos y avances

El nuevo modelo de Nvidia busca eliminar la teleoperación manual en el adiestramiento robótico. Entrenado sobre 400.000 horas de video de manipulación humana, el sistema proyecta cinemática humana directamente en actuadores y brazos robóticos para ejecutar destrezas físicas sin demostración física previa.

Por qué importa — Reduce el cuello de botella de recolección de datos físicos para automatización en laboratorios y entornos industriales.

The Decoder · 2026-11-10 · fuente
Agentes de IA

Google DeepMind introdujo AlphaProof Code, un sistema agéntico capaz de escribir demostraciones matemáticas formales a gran escala. El sistema generó tres millones de líneas de prueba en el lenguaje Lean para verificar formalmente el núcleo criptográfico de la aplicación Signal, asegurando ausencia matemática de errores lógicos.

Por qué importa — Lleva la verificación formal automatizada a software crítico donde las pruebas unitarias tradicionales resultan insuficientes.

DeepMind Blog · 2026-11-10 · fuente

Un análisis de seguridad reveló que más de 35.000 aplicaciones construidas con el agente de desarrollo Grok Build quedaron públicas sin autenticación. Entre la información filtrada se hallaron claves de acceso, variables de entorno y datos corporativos confidenciales, varios de ellos pertenecientes a SpaceX.

Por qué importa — Muestra el peligro operativo de conceder facultades de despliegue a agentes sin verificación estricta de permisos por defecto.

Ars Technica AI · 2026-11-10 · fuente

Hugging Face publicó los detalles de BotPsy, una arquitectura de asistente personal orientada a correr íntegramente en hardware de consumo con modelos por debajo de los mil millones de parámetros. El proyecto evita la dependencia de APIs propietarias y mitiga riesgos de privacidad aislando el procesamiento en el dispositivo.

Por qué importa — Abre la puerta a flujos de trabajo autónomos sin costos variables de inferencia ni filtración de datos sensibles a terceros.

Hugging Face Blog · 2026-11-11 · fuente
Herramientas para probar

Claude suma pizarras interactivas, hojas de cálculo colaborativas y conectores directos con herramientas de terceros como Atlassian y Adobe. La compañía busca transformar el chat convencional en una plataforma de productividad donde los modelos actúan sobre datos de trabajo en tiempo real.

Por qué importa — Compite de frente con Google Workspace y Microsoft 365 integrando ejecución de tareas dentro del lienzo.

The Verge AI · 2026-11-10 · fuente

OpenAI lanzó Business Hub, un directorio donde las empresas pueden certificar su presencia y desplegar agentes autónomos ante los usuarios del chat. Estos asistentes de marca responderán consultas comerciales, gestionarán comparativas de productos y tramitarán compras directamente en la conversación.

Por qué importa — Posiciona a ChatGPT como intermediario comercial directo entre marcas y consumidores finales.

The Verge AI · 2026-11-10 · fuente
IA en ensayos clínicos y salud

La división en la nube de Google anunció una solución diseñada para integrar registros médicos fragmentados, datos operativos y tareas administrativas en hospitales. La herramienta trasciende la simple búsqueda semántica para coordinar flujos clínicos y aliviar las casi 28 horas semanales que los médicos pierden en burocracia.

Por qué importa — Estandariza el acceso a historias clínicas dispersas bajo infraestructura cloud segura.

Google AI Blog · 2026-11-10 · fuente

La plataforma de referencia médica MDCalc lanzó CrossCover, un sistema diseñado como banda sonora de advertencia para validar las recomendaciones de IA generativa en el punto de atención. La solución contrasta los resultados frente a calculadoras clínicas validadas y protege la privacidad de los historiales de los pacientes.

Por qué importa — Aporta una capa de salvaguarda profesional frente a alucinaciones de modelos comerciales en decisiones terapéuticas.

STAT News Health Tech · 2026-11-11 · fuente

Color Health estableció convenios de colaboración clínica con centros integrales de cáncer designados por el NCI. El objetivo es estructurar registros externos, anticipar estudios preparatorios y recortar semanas en los circuitos de admisión médica mediante flujos de trabajo inteligentes.

Por qué importa — Aborda uno de los mayores cuellos de botella operativos en oncología: la demora burocrática entre diagnóstico y tratamiento.

Fierce Healthcare · 2026-11-10 · fuente

El fabricante de anillos inteligentes cerró la compra de la startup médica Counsel Health en una operación valorada en 625 millones de dólares. La adquisición busca vincular las métricas biométricas continuas de los dispositivos con servicios médicos apoyados por modelos clínicos para respuesta inmediata.

Por qué importa — Consolida la transición de los wearables de consumo hacia intervenciones clínicas continuas.

STAT News Health Tech · 2026-11-10 · fuente
Futuro de la IA

El estado de Nueva York comenzó la aplicación efectiva de su ley de seguridad para modelos de gran escala. La normativa obliga a desarrolladores como OpenAI y Anthropic a registrar sus modelos, publicar informes de evaluación de riesgos y declarar incidentes de seguridad críticos bajo apercibimiento de multas financieras.

Por qué importa — Marca un precedente regulatorio estatal estricto dentro de EE.UU. ante la falta de un marco federal consolidado.

TechCrunch AI · 2026-11-10 · fuente
Prompt del día
Extracción y verificación estructurada de criterios de inclusión clínica
Analizá el siguiente texto libre de historia clínica y comparalo contra los criterios de elegibilidad dados. Generá una tabla JSON con las columnas: 'criterio', 'cumple' (true/false/desconocido), 'fragmento_exacto_de_evidencia' (cita textual no parafraseada de menos de 15 palabras) y 'justificación_clínica'. Si algún dato falta o es ambiguo, marcalo explícitamente como 'desconocido' en vez de asumir normalidad. No inventes valores de laboratorio.