Destacada del día
OpenAI publica “Our approach to localization” y propone una soberanía de IA por país (idioma, currículum, normas locales) con límites globales inmutables; cita un piloto de ChatGPT Edu en Estonia.
Leer en openai.com (se abre en otra pestaña)Bloomberg y otros medios sintetizan que Alphabet, Amazon, Meta y Microsoft proyectan ~650.000 MUSD de capex 2026, centrado en data centers, GPUs/accelerators, redes, energía y cooling; el mercado reacciona con caídas en hyperscalers y subidas en chipmakers.
Leer en bloomberg.com (se abre en otra pestaña)Un análisis de Reuters, republicado hoy por U.S. News, sostiene que el “AI trade” global se vuelve más selectivo: la infraestructura (chips, data centers) aguanta mejor que el software “expuesto a IA”; el ETF Magnificent Seven cae ~5% en la semana frente a ~2% del S&P 500.
Leer en reuters.com (se abre en otra pestaña)Bloomberg informa que Anthropic está finalizando una ronda de más de 20.000 MUSD que podría cerrarse la próxima semana, a una valoración de ~350.000 MUSD; el objetivo habría subido de 10.000 a 20.000 MUSD por demanda inversora.
Leer en reuters.com (se abre en otra pestaña)OpenAI actualiza su artículo de ayuda sobre importación de contactos, explicando que puede procesar contactos de personas que no usan ChatGPT cuando otro usuario importa su agenda, con retención limitada y bases legales para ese tratamiento.
Leer en help.openai.com (se abre en otra pestaña)Business Insider destaca la rivalidad: OpenAI y Anthropic presentaron modelos nuevos en el mismo ciclo y reforzaron su posicionamiento con apariciones consecutivas en el podcast TBPN, enfatizando coding y workflows agentic.
Leer en businessinsider.com (se abre en otra pestaña)Fortune reporta que el “newest model” de Anthropic destaca en tareas como encontrar vulnerabilidades, pero esa misma mejora incrementa el riesgo de uso dual; sugiere acompañar el despliegue con controles operativos.
Leer en fortune.com (se abre en otra pestaña)Un trabajo publicado hoy en arXiv muestra que defensas basadas en monitores que revisan CoT + llamadas a herramientas pueden saltarse con ataques Agent-as-a-Proxy (ASR >90%). El informe también menciona que el mercado de pentesting con IA se consolida.
Leer en arxiv.org (se abre en otra pestaña)RWML propone un método self-supervised para que un agente LLM aprenda un world model condicionado a acciones: predice el siguiente estado textual y se entrena en un espacio de embeddings, usando GRPO sobre una recompensa derivada de la distancia de embeddings.
Leer en arxiv.org (se abre en otra pestaña)DFlash presenta un enfoque de “block diffusion” para speculative decoding y reporta mejoras de velocidad (4–6×) en inferencia, apuntando a reducir latencia p95 y coste frente a decoding clásico.
Leer en arxiv.org (se abre en otra pestaña)ALIVE se presenta como un framework de RL con feedback verbal: usa al modelo como generador de tareas y crítico verbal para auto-supervisar aprendizaje en razonamiento y código, con datos matemático/código auto-generados (p. ej., sobre Qwen2.5-7B/Qwen3-xB).
Leer en arxiv.org (se abre en otra pestaña)El repositorio inclusionAI/AReaL publica una entrada “News” fechada 2026/02/06 anunciando EigenData como “self-evolving data synthesis engine” y afirma que, con entrenamiento RL sobre AReaL, un modelo 235B MoE supera a Gemini 3.0 Pro y GPT 5.2 en τ²-bench.
Leer en github.com (se abre en otra pestaña)La página de releases de GitHub muestra una release 2.6.4 (2026-02-06) y una 1.123.20 como pre-release (backport 1.x), relevantes para estabilidad operativa en stacks de automatización que orquestan LLMs/agents.
Leer en github.com (se abre en otra pestaña)La página de releases de GitHub para opendatalab/MinerU indica la release 2.7.6 (2026/02/06) con una entrada explícita de soporte para plataformas Kunlunxin y Tecorigin, ampliando compatibilidad de despliegue.
Leer en github.com (se abre en otra pestaña)Un paper formaliza políticas de RL como máquinas de Turing con tiempo acotado, separando número de parámetros y cómputo por decisión; el informe también destaca redes booleanas compactas que prometen hasta 37× menos operaciones en escenarios edge/IoT vision.
Leer en arxiv.org (se abre en otra pestaña)Un grupo de matemáticos propone 10 problemas de investigación reales y encripta sus soluciones hasta el 13 de febrero para medir si modelos frontier pueden producir pruebas a nivel de investigación sin ayuda humana.
Leer en arxiv.org (se abre en otra pestaña)No hay noticias de este tema hoy.