16 noticias
Un artículo académico reciente sostiene que la ingeniería de software tal como se concibe desde 1968 atraviesa una transformación equivalente al salto de los circuitos analógicos a las computadoras con programa almacenado. La tesis central es que los agentes de inteligencia artificial —sistemas dond
Esta entrada forma parte de una serie dedicada al análisis crítico de benchmarks, evals y diseño experimental, y plantea tres ejercicios con respuesta antes de que el lector los vea: uno sobre el repositorio Napkin Math, otro sobre los benchmarks DeepSWE y Senior SWE-Bench, y un tercero sobre la afi
Un equipo independiente ha comparado el modelo abierto Kimi K3 y el modelo cerrado Fable 5 sobre aproximadamente 1.030 tareas agentic reales, repartidas en cinco familias: corrección de repositorios (460), operaciones largas en terminal (89), problemas algorítmicos (100), implementación en seis leng
Poolside ha presentado Laguna S 2.1, un modelo de lenguaje de tipo Mixture-of-Experts con 118 000 millones de parámetros totales y 8 000 millones activados por token, que admite una ventana de contexto de hasta un millón de tokens en los modos de razonamiento y sin razonamiento. El entrenamiento, de
Un equipo de ingeniería que automatiza buena parte de su desarrollo con agentes de programación ha concluido, tras meses de pruebas, que dar a esos agentes acceso de búsqueda a transcripciones de sesiones anteriores no aporta rendimiento en tareas de ingeniería de software. En algunos casos, incluso
pxpipe es un proxy local de código abierto que se interpone entre Claude Code y la API de Anthropic para reducir el consumo de tokens de entrada. Su técnica consiste en transformar las partes voluminosas del prompt —el system prompt, la documentación de herramientas y el historial antiguo— en imágen
Senior SWE-Bench es un benchmark diseñado para evaluar agentes de ingeniería de software con tareas que reflejan el trabajo real de un ingeniero senior, frente a las instrucciones sobreespecificadas típicas de SWE-Bench y SWE-Bench Pro. Sus tareas proceden de pull requests de repositorios que van de
Ornith-1.0 es una familia de modelos de código abierto presentados por DeepReinforce AI y diseñados específicamente para tareas de programación agentic, es decir, aquellas en las que el modelo no solo genera código, sino que planifica, ejecuta comandos y resuelve problemas de ingeniería de software
Jack Clark, cofundador de Anthropic, estima con una probabilidad superior al 60 % que antes de que finalice 2028 existirá un sistema de inteligencia artificial capaz de entrenar de forma autónoma a su propio sucesor, sin intervención humana significativa. En su último boletín Import AI, Clark recono
RTK, una herramienta para desarrolladores con cerca de 60.000 estrellas en GitHub, promete reducir el uso de tokens en agentes basados en modelos de lenguaje entre un 60% y un 90% manteniendo la misma capacidad y abaratando el coste hasta una décima parte. El artículo cuestiona de forma sistemática
FrontierCode es un nuevo benchmark diseñado por Cognition para evaluar si los modelos de inteligencia artificial son capaces de producir código que un mantenedor humano aceptaría en un repositorio de producción. Frente a pruebas anteriores como SWE-Bench Verified o Pro, que se centran casi exclusiva
Anthropic ha revelado que la inteligencia artificial (IA) está asumiendo cada vez más tareas en su propio ciclo de desarrollo, un proceso que podría conducir a la mejora recursiva autónoma. Según datos internos de la compañía, más del 80% del código fusionado en sus repositorios en mayo de 2026 fue
Microsoft AI ha presentado MAI-Code-1-Flash, un nuevo modelo de programación entrenado íntegramente por la compañía con datos limpios y con licencias apropiadas. El modelo está pensado para ofrecer asistencia rápida y eficiente en los flujos de trabajo cotidianos de los desarrolladores, y se está de
La familia de modelos de IA Laguna, desarrollada por poolsideai, ha sido lanzada con dos miembros iniciales: Laguna M.1 y Laguna XS.2. Laguna M.1 es un modelo Mixture of Experts (MoE) con 225 mil millones de parámetros totales y 23 mil millones de parámetros activos, entrenado internamente con 30 bi
Poolside, empresa de inteligencia artificial, descubrió que su modelo Laguna M.1 obtuvo un salto del 20% en el benchmark SWEBench-Pro, alcanzando aproximadamente el 64% de rendimiento y posicionándose como el mejor entre modelos más grandes y establecidos. El lunes por la mañana, el equipo detectó e
Investigadores de la Universidad de California, Berkeley, han descubierto que los principales benchmarks utilizados para evaluar el rendimiento de los agentes de inteligencia artificial (IA) son fácilmente manipulables, lo que genera resultados inflados y engañosos. Un agente automatizado desarrolla
