Noticias IA del 26/02/2026

Qué pasó: Google presentó Nano Banana 2, descrito como Gemini 3.1 Flash Image, con foco en generación y edición de imágenes con mejor fidelidad y “price-performance”. También incorpora “visual grounding” con búsqueda web y nuevos controles de iteración.

Impacto:

• Introduce un tier de 512px para reducir latencia en iteraciones rápidas.
• Añade “thinking levels” configurables para adherencia a prompts complejos.
• Amplía disponibilidad en el stack (Gemini API/AI Studio y despliegue enterprise en Vertex AI).

Acciones:

• En Google AI Studio, seleccionar Nano Banana 2 y ejecutar prompts de generación/edición (se indica que requiere paid API key).
• Comparar resultados usando el tier 512px y distintos “thinking levels” según complejidad del prompt.

Qué pasó: OpenAI y Figma anunciaron un flujo bidireccional “Codex to Figma” para ir de implementación en código a canvas de diseño y volver. El puente se apoya en Figma MCP Server, basado en MCP (Model Context Protocol), para conectar Codex con Figma.

Impacto:

• Reduce fricción del handoff diseño→código y acelera ciclos “code↔canvas”.
• Mejora la incorporación de contexto de UI desde Figma en tareas de implementación.
• Eleva la necesidad de gobernar qué contexto de diseño/código se expone a tooling de agentes.

Acciones:

• En Figma: abrir archivo → elegir frame → Copy as → Copy link to selection.
• En Codex: pegar la URL y pedir “implement this Figma design…”.
• De código a Figma: renderizar la UI y pedir generar un archivo Figma usando generate_figma_design.

Qué pasó: Figma publicó una guía práctica para usar Codex con Figma a través de MCP, documentando prompts y acciones como get_design_context y generate_figma_design. El flujo descrito incluye copiar enlaces a selecciones (frames) para aportar contexto directo al agente.

Impacto:

• Estandariza cómo extraer “design context” para que un agente implemente UI con menos ambigüedad.
• Facilita iteraciones rápidas entre diseño editable en Figma y versiones en código.
• Convierte el workflow en una capa “operable” por agentes mediante herramientas explícitas.

Acciones:

• En Figma: elegir un frame y usar “Copy link to selection” para pasarlo al agente.
• Probar prompts guiados con get_design_context y generate_figma_design para alternar entre contexto y generación.

Qué pasó: OpenAI anunció una colaboración con Pacific Northwest National Laboratory (PNNL) y PermitAI™ para evaluar si “coding agents” pueden acelerar tareas de borradores asociadas a NEPA. Presentan DraftNEPABench como benchmark basado en trabajo y validación de expertos.

Impacto:

• Define un patrón de uso: agentes de coding aplicados a workflows documentales con métricas evaluadas por especialistas.
• El benchmark se diseñó con 19 expertos y cubre secciones de documentos NEPA de 18 agencias federales.
• La evaluación citada estima ahorros potenciales de 1–5 horas por subsección, ~15% menos tiempo de drafting en ciertos casos.

Qué pasó: NVIDIA publicó que Eli Lilly ya tiene en producción LillyPod, descrita como una “AI factory” plenamente propiedad y operada por una farmacéutica. El post cuantifica la infraestructura y posiciona el despliegue como un hito en DGX SuperPOD.

Impacto:

• Se anuncia como el primer NVIDIA DGX SuperPOD con sistemas DGX B300.
• Escala declarada: 1.016 NVIDIA Blackwell Ultra GPUs y más de 9.000 PFLOPS de rendimiento de IA.
• El artículo afirma que el sistema se ensambló en cuatro meses y se inauguró en Indianapolis.

Qué pasó: Accenture anunció una colaboración estratégica multi-año con Mistral AI para acelerar despliegues enterprise de IA “secure, large-scale” alineados con requisitos regionales. El comunicado enfatiza “strategic autonomy” y modelos “sovereign”, sin publicar detalles comerciales finos.

Impacto:

• Refuerza la narrativa de “sovereign AI” y autonomía estratégica para clientes enterprise.
• Apunta a co-desarrollo de soluciones enterprise-grade con gobernanza y escalado como parte central.
• No se publican términos financieros, SLAs ni detalles técnicos específicos (modelos, latencia, pricing).

Qué pasó: Scientific Data (Nature) publicó SciCUEval como benchmark para evaluar “scientific context understanding” en LLMs. El paper describe 10 sub-datasets con distintas modalidades y enlaza dataset y scripts.

Impacto:

• Incluye 10 sub-datasets y mezcla tablas, knowledge graphs y texto no estructurado.
• Evalúa identificación de información relevante, detección de ausencia, integración multi-fuente e inferencia contextual.
• Proporciona recursos públicos para evaluación (dataset en figshare y scripts en GitHub).

Acciones:

• Clonar el repo de scripts: git clone https://github.com/HICAI-ZJU/SciCUEval.git
• Acceder al dataset vía DOI: https://doi.org/10.6084/m9.figshare.29924687

Qué pasó: El proyecto SciCUEval publicó scripts en GitHub para ejecutar el benchmark y enlaza el dataset en figshare (DOI). El objetivo es facilitar una evaluación reproducible de “scientific context understanding”.

Impacto:

• Aporta scripts listos para ejecutar y estructura de benchmark para pruebas comparables.
• Facilita evaluar stacks de LLMs/RAG científicos con foco en “absence detection” e integración multi-fuente.
• Reduce fricción para incorporar la evaluación en pipelines internos de investigación y producto.

Acciones:

• Clonar y revisar scripts: https://github.com/HICAI-ZJU/SciCUEval