Destacada del día
Reuters reportó acuerdos del Departamento de Energía de EE. UU. con NVIDIA, Anthropic y OpenAI para una misión científica de IA, acompañados por anuncios de partners el mismo día.
Leer en energy.gov (se abre en otra pestaña)Reportes de prensa señalan que Yann LeCun impulsa AMI Labs con una valoración objetivo de $3.5B, enfocada en World Models y JEPA en lugar de LLMs autoregresivos.
Leer en reuters.com (se abre en otra pestaña)OpenAI comunicó medidas para proteger a adolescentes y mejorar transparencia, incluyendo age prediction para identificar usuarios underage y aplicar experiencias/controles acordes.
Leer en openai.com (se abre en otra pestaña)OpenAI publicó un addendum del System Card específico para GPT-5.2-Codex, orientado a transparencia sobre comportamiento, evaluaciones y mitigaciones en escenarios de coding y agentic workflows.
Leer en openai.com (se abre en otra pestaña)NVIDIA anunció disponibilidad general de la RTX PRO 5000 72GB Blackwell, destacando 72GB de memoria y un posicionamiento para workloads de agentic y generative AI en escritorio.
Leer en blogs.nvidia.com (se abre en otra pestaña)Se reporta el lanzamiento de Agent Skills como open standard, con spec y reference SDK, además de tooling de gestión y un directorio de skills de partners.
Leer en the-decoder.com (se abre en otra pestaña)Hugging Face publicó LiteCoder-Terminal-Preview, una familia orientada a tareas de terminal que afirma resultados competitivos con <1k trayectorias gracias a un pipeline fully synthetic.
Leer en huggingface.co (se abre en otra pestaña)Hugging Face detalló el rediseño de tokenización en Transformers v5: un único formato y backend para tokenizers, con arquitectura más modular y PyTorch como backend primario en varias funciones.
Leer en huggingface.co (se abre en otra pestaña)Se destaca Qwen3-Nemotron-235B GenRM como una variante open-weights orientada a reward modeling para alineación, optimizada por NVIDIA y Alibaba para escenarios multi-agente.
Leer en huggingface.co (se abre en otra pestaña)El trabajo “Randomized multi-class classification under system constraints” propone un enfoque para clasificación eficiente pensado para escenarios con restricciones de sistema.
Leer en arxiv.org (se abre en otra pestaña)“Generative Adversarial Reasoner” propone usar aprendizaje por refuerzo adversarial para mejorar razonamiento y reducir alucinaciones en tareas lógicas complejas.
Leer en arxiv.org (se abre en otra pestaña)No hay noticias de este tema hoy.