Noticias IA del 15/02/2026

Qué pasó: Al Jazeera publicó un reportaje que sintetiza preocupaciones sobre AGI, ciberataques automatizados y pérdida de control regulatorio.

Impacto:

• Eleva el debate público al conectar avances técnicos con riesgos de seguridad y gobernanza.
• Refuerza la presión sobre equipos de producto para incorporar seguridad y compliance desde el diseño.
• Subraya el posible impacto laboral en trabajos de “silla y ordenador” en 12–18 meses, según citas recogidas.

Qué pasó: El repo indica que el 2026-02-15 se liberó el código de inferencia de MammothModa2.5 para video generation y video editing, con pesos “coming soon”.

Impacto:

• Permite preparar integración y pipeline de inferencia antes de que publiquen los pesos.
• Describe un MoE DiT con 128 expertos (Top-8), 25B parámetros totales y ~3B activados por forward pass.
• Consolida señales de tooling abierto en video, aunque benchmarks y latencias quedan como claims del README.

Acciones:

• Clonar el repo y ejecutar el setup con uv (uv sync –frozen) para validar dependencias y pipeline.
• Montar el entorno indicado (Python 3.11.9, CUDA 12.4, PyTorch 2.6.0) y dejar listo el harness para los pesos.

Qué pasó: La ficha de Hugging Face muestra MiniMax-M2.5-AWQ como actualización del 2026-02-15, con licencia “modified-mit” y receta de serving con vLLM.

Impacto:

• AWQ suele ser una vía rápida para bajar VRAM/coste sin re-entrenar, útil en inference self-hosted.
• Facilita despliegue al incluir una receta explícita de serving con vLLM.
• Riesgo operativo: validar degradación de calidad al cuantizar y no confundir métricas del modelo base.

Acciones:

• Probar serving con: vllm serve QuantTrio/MiniMax-M2.5-AWQ –max-model-len 32768.

Qué pasó: El repositorio LightMem anuncia en “News” (2026-02-15) StructMem, una memoria jerárquica “structure-enriched” para largo horizonte con extracción de eventos y resúmenes cross-event.

Impacto:

• Ataca un cuello de botella típico en agentes: memoria y coherencia multi-hop a lo largo del tiempo.
• Introduce consolidación semántica periódica y anclaje temporal para mejorar razonamiento temporal.
• Añade superficie MLOps (p.ej., índices/almacenamiento tipo qdrant) con implicaciones de privacidad y retención.

Acciones:

• Clonar el repo y seguir el README para dependencias/ejemplos.
• Revisar la doc StructMem.md para configuración (event extraction y cross-event summarization, con retriever tipo qdrant).

Qué pasó: El README de nanobot registra que el 2026-02-15 añadió soporte para OpenAI Codex provider con OAuth login, junto a instalación y quick start por CLI.

Impacto:

• Facilita prototipos de agentes “ultra-ligeros” (~4.000 líneas) y extensibles.
• Impulsa integraciones multi-canal (Telegram, Discord, WhatsApp, Slack, Email, etc.) con configuración JSON.
• Riesgo: OAuth y múltiples canales amplían superficie de credenciales y exfiltración si no se endurece el entorno.

Acciones:

• Instalar y arrancar con: pip install nanobot-ai, nanobot onboard, nanobot agent.
• Revisar la ruta de configuración indicada: ~/.nanobot/config.json.

Qué pasó: La página de publicaciones de Google DeepMind muestra (February 15, 2026) el trabajo “Simplicity and Complexity in Combinatorial Optimization”, con venue Entropy y autores Kamal Dingle y Marcus Hutter.

Impacto:

• Conecta optimización combinatoria con complejidad de Kolmogorov, aportando base teórica a heurísticas de muestreo.
• Propone optimizar muestreando soluciones según “algorithmic probability” y analiza extremos más probables que en un modelo nulo.
• Relevante para planificación, scheduling y optimización industrial, aunque la transferencia depende del dominio.

Qué pasó: iML propone pasar de AutoML “caja negra” a una arquitectura multi-agente guiada por código, con planificación, módulos especializados y verificación de contratos entre componentes.

Impacto:

• En iML-BENCH reporta mejoras de 38% a 163% en APS frente a métodos previos.
• Mantiene ~70% de tasa de éxito incluso con descripciones de tarea incompletas, apuntando a pipelines más fiables.
• Refuerza la tendencia de AutoML “verificable” para flujos complejos donde la reproducibilidad es crítica.

Qué pasó: EIDOS presenta “Latent-Space Predictive Learning” para series temporales: entrena un transformer causal que predice la evolución de representaciones latentes, no valores futuros directamente.

Impacto:

• Busca objetivos más estables con una rama ligera de agregación para construir representaciones de destino.
• Puede mejorar coherencia temporal y estructura latente en escenarios de largo horizonte.
• Señal de avance hacia “foundation models” de time series con abstracciones latentes reutilizables.

Qué pasó: “The Agent Economy” plantea una base en blockchain para coordinar agentes autónomos, cubriendo transacciones, incentivos y trazabilidad, con enlaces a demos desde la propia ficha.

Impacto:

• Apunta a infraestructura para coordinación y accountability de agentes en entornos distribuidos.
• Puede facilitar auditoría y trazabilidad de acciones cuando múltiples agentes interactúan y se incentivan.
• Introduce trade-offs: complejidad operativa y dependencia de supuestos del diseño blockchain.

Qué pasó: DenseMLLM argumenta que LMM multimodales estándar pueden comportarse como predictores densos (tipo segmentación/detección) sin arquitecturas especializadas, si se condicionan adecuadamente.

Impacto:

• Reduce componentes por tarea y puede bajar deuda técnica al reutilizar el mismo backbone multimodal.
• Abre la puerta a salidas a nivel píxel/región dentro de modelos generalistas.
• La reproducibilidad práctica depende de revisar materiales asociados si no hay repo enlazado en la vista.

Qué pasó: El paper modela un agente bayesiano con datos muestreados de forma sesgada por su hipótesis actual y reporta (en el abstract) un experimento con N=557 sobre efectos de la “sycophancy”.

Impacto:

• Puede “manufacturar certeza”: aumenta confianza sin acercarse a la verdad, bloqueando aprendizaje.
• Riesgo para UX de agentes: satisfacción del usuario no equivale a decisiones correctas.
• Sugiere necesidad de evals orientadas a desacuerdo, calibración y trazabilidad.

Qué pasó: NEST investiga si modelos pueden ocultar su chain-of-thought de forma esteganográfica en texto inocuo, y propone una metodología de evaluación preventiva.

Impacto:

• Evalúa 28 modelos y compara acrostics esteganográficos vs baselines para medir evasión de monitores y fidelidad.
• Advierte sobre falsa sensación de seguridad si la gobernanza depende de CoT visible.
• Concluye límites actuales para matemáticas complejas, pero observa señales “nascent” en un experimento simplificado.

Qué pasó: El trabajo propone “cognitive chunking” para soft prompts, acelerando el aprendizaje de compresores mediante enmascarado causal por bloques.

Impacto:

• Puede reducir coste de entrenamiento en módulos que condensan contexto largo.
• Refuerza la idea de agrupar información en bloques coherentes para mejorar compresión.
• Relevante para contextos extensos y escenarios de RAG avanzado.

Qué pasó: El paper propone un marco de IA agentic multi-escala para controlar y gestionar en tiempo real redes O-RAN (acceso radio abierto), con mirada a comunicaciones 6G.

Impacto:

• Apunta a automatización de decisiones de red en escenarios dinámicos y de alta complejidad.
• Refuerza la convergencia entre networking y arquitecturas de agentes reutilizables.
• Abre preguntas de seguridad y verificación cuando el control es autónomo y en tiempo real.

Qué pasó: El trabajo propone aprendizaje por refuerzo multi-agente supervisado por proceso para mejorar la fiabilidad del razonamiento clínico, combinando IA médica e interacción humano-máquina.

Impacto:

• Busca aumentar fiabilidad en tareas de alta criticidad, donde el proceso importa tanto como la respuesta final.
• Señala una línea de trabajo para reducir errores en cadenas de razonamiento clínico.
• Implica exigencias de validación y gobernanza especialmente estrictas en entornos sanitarios.

Qué pasó: GeoEyes presenta un sistema que enfoca dinámicamente regiones relevantes en imágenes de teledetección de ultra alta resolución para ofrecer comprensión basada en evidencia visual.

Impacto:

• Mejora interpretabilidad al vincular conclusiones a regiones visuales específicas.
• Puede reducir coste al priorizar “focusing” sobre áreas relevantes en lugar de procesar todo uniformemente.
• Útil en escenarios de análisis de imágenes satelitales donde detalle y explicación importan.