¿Qué pasó ayer? En un minuto:
Google abre al público Gemini 4 Argon, su nuevo modelo frontera, con buenos resultados en tareas sectoriales y aunque figura en el quinto puesto en Arena.
El FBI ha detenido a un ingeniero de OpenAI por ocultar un grabador de audio en una sala de reuniones ejecutiva, en un caso de contraespionaje en la carrera por la superinteligencia.
Anthropic ha sustituido git por Scion, porque la infraestructura pensada para humanos se había convertido en el cuello de botella de sus agentes.
Jack Clark, cofundador de Anthropic, adelanta a 2027 su previsión de automejora recursiva completa, apoyándose en avances en creatividad y matemáticas de los modelos.
Xbow ha logrado una recompensa de $250.000 de Google por encontrar una vulnerabilidad crítica en Chrome con agentes basados en GPT-5.6 Sol.
Gemini 4 Argon enseñó al humanoide Apollo de Apptronik a jugar al tiro al hoyo a partir de un único vídeo de una persona.
Physical Intelligence abre en beta la Pi API, que permite a empresas de robótica ajustar sus modelos π0 y π0.5 y ejecutar inferencia sin equipos propios.
Gracias por leer 1 Minuto de IA. Si te ha gustado esta edición, no te olvides de dar al ♡ para apoyar este proyecto.
Y si tienes más de un minuto…
1. Google abre Gemini 4 Argon al público
Google ha puesto a disposición general Gemini 4 Argon, su nuevo modelo frontera, presentado el 30 de septiembre y hasta ahora reservado a equipos internos, al Gobierno de EE.UU., a defensores de ciberseguridad verificados y a usuarios de acceso anticipado. El precio introductorio es de 2 dólares por millón de tokens de entrada y 10 por millón de salida, con un 95% de descuento en tokens de entrada en caché. La mitad de lo que cuesta Claude Opus 5.5 y cinco veces menos que el coste de Claude Fable 5.1, el modelo frontera contra el que Google pretende competir.
Google lo orienta a programación, finanzas, derecho, ciberseguridad y ciencia, y los resultados acompañan solo en parte: encabeza el Vals Index, que mide rendimiento en tareas de sectores económicos, y registra un 15% de alucinaciones en AA-Omniscience frente al 51% de GPT-6 Astra. En Arena, que mide puntuaciones basadas en comparaciones de usuarios, queda quinto en la clasificación global, por detrás de Opus 5.5, GPT 6.1 Sol, Fable 5.1 y GPT 6 Astra. Los científicos pueden solicitar el nivel de uso más alto mediante un formulario específico, y Google prepara versiones más baratas de Gemini 4 porque Argon resulta costoso de servir.
El anuncio de 𝕏 @sundarpichai (Sundar Pichai) pone el acento en la disponibilidad global desde el primer día, una señal de que Google quiere competir por distribución y no solo por benchmarks.
El mensaje de 𝕏 @GoogleDeepMind (Google Deepmind) enmarca Argon como un modelo para resolver problemas de principio a fin, con la defensa en ciberseguridad al mismo nivel que la programación y los flujos empresariales.
En tono distendido, 𝕏 @demishassabis (Demis Hassabis) bromea con volver al laboratorio a construir un láser con ayuda de Argon, un guiño a la orientación científica que Google atribuye al modelo.
𝕏 @AndrewCurran_ (Andrew Curran) adelantó el despliegue minutos antes del anuncio oficial, reflejo de la expectación que había generado el periodo de acceso restringido.
Más información:
📎 Gemini 4 Argon: Built to solve your hardest problems
📎 Developing Gemini 4 Argon responsibly and safely
📎 deeplearning.ai: Argon a low hallucination model build for knowledge work
2. Detenido un ingeniero de OpenAI por espiar reuniones
El FBI ha detenido a Abdulrahman Alfozan, ingeniero de OpenAI de 35 años y ciudadano saudí, acusado de ocultar un grabador de audio en una sala de reuniones ejecutiva de la sede de San Francisco. El dispositivo, del tamaño de un pulgar, estaba envuelto en papel higiénico y conectado al puerto USB trasero de un televisor. Según la denuncia, se instaló hacia el 28 de septiembre y el personal de OpenAI lo encontró el 30, con el contenido cifrado. En las oficinas apareció además una bolsa desatendida con su cartera, su identificación y otro grabador.
Las cámaras le sitúan cerca de la sala en varias fechas, pese a no tener autorización para entrar ni asistir a esas reuniones, donde se trataban investigación propia, planes de producto y relaciones con el Gobierno. Fue arrestado el 9 de octubre, ha sido despedido y sigue bajo custodia, acusado de interceptar o intentar interceptar comunicaciones orales. Trabajaba en OpenAI desde julio de 2025 y figura como socio de Raed Ventures, fondo con sede en Riad; antes pasó por Meta, Microsoft y SAP. OpenAI asegura que no hay indicios de acceso ni extracción de datos. El director del FBI, Kash Patel, y el director de Inteligencia Nacional, Jay Clayton, presentan el caso como contraespionaje en la carrera por la superinteligencia.
Que OpenAI recurriera a sus propios modelos para analizar el dispositivo le parece a 𝕏 @DotCSV (Carlos Santana) casi una ironía, y apunta que el volumen de espionaje en los grandes laboratorios debe de ser considerable.
El caso recuerda a 𝕏 @kimmonismus (Chubby) el escenario de AI 2027, que ya anticipaba el robo de secretos en los laboratorios punteros, y le sorprende lo mucho que la realidad se le está pareciendo.
El peso del caso, para 𝕏 @WesRoth (Wes Roth), está en el tipo de sala elegida: un espacio donde se decidían investigación y estrategia, no una zona cualquiera de la oficina.
Lejos de quedarse en el comunicado de la empresa, 𝕏 @AndrewCurran_ (Andrew Curran) prioriza los detalles del escrito de acusación como la fuente más fiable para seguir el caso.
Más información:
📎 Saudi National Arrested for Installing Surreptitious Audio Recording Device at OpenAI
📎 wsj.com: Saudi national charged with bugging openais office
3. Anthropic sustituye git por su propio control de versiones
Anthropic ha explicado en su blog de ingeniería cómo construyó Scion, un sistema de control de versiones propio, y migró por completo su monorepo desde git en cinco meses. La causa es el volumen de cambios de código, en mayo de 2026 tenían unos 2.500 cambios de código al día y en septiembre superaron los 30.000. La empresa sostiene que escribir código ha dejado de ser el freno, porque Claude ya itera de forma autónoma en bucles de investigación, optimiza programas complejos y levanta servicios desde cero. El atasco se ha desplazado a la infraestructura diseñada para equipos humanos: control de código, compilaciones e integración continua.
Anthropic no espera que el ritmo se modere, ya que cada cuello de botella eliminado se traduce de inmediato en más código. Scion ejecuta más operaciones en el servidor y descarga archivos bajo demanda para los agentes, en lugar de replicar el repositorio completo. En el mismo plazo, un equipo de siete personas creó Antique, una herramienta de revisión de código, junto con búsqueda de código, un sistema de gestión de identidades y accesos para el repositorio y nuevos métodos para integrar grandes volúmenes de código revisado.
Lo relevante de esta noticia es el cambio de paradigma que supone en las empresas: el coste de desarrollar software es tan bajo, que resulta más ventajoso construir tus propias herramientas antes que adaptar soluciones genéricas de terceros.
El anuncio de 𝕏 @AnthropicAI (Anthropic) plantea el problema en términos de escala: sus herramientas de desarrollo estaban pensadas para personas, no para agentes, y esa diferencia es la que justifica construir un sistema propio.
Para 𝕏 @AndrewCurran_ (Andrew Curran), el dato que resume la noticia es la multiplicación por diez de los cambios diarios desde mayo, más que el propio diseño de Scion.
La capacidad de Claude para iterar sola en bucles de investigación lleva a 𝕏 @kimmonismus (Chubby) a hablar de automejora recursiva, aunque matiza que probablemente aún no se ha alcanzado y que, a su juicio, está cerca.
Desde un ángulo práctico, 𝕏 @WesRoth (Wes Roth) traslada la lección a los equipos que evalúan agentes de programación: el tiempo que se pierde recuperando código y archivos pesa tanto como la calidad del modelo.
Más información:
📎 Redesigning source control at Anthropic
4. Jack Clark adelanta a 2027 la automejora recursiva
Jack Clark, cofundador de Anthropic, ha adelantado un año su previsión sobre la automejora recursiva (RSI, por sus siglas en inglés), el punto en el que la IA puede desarrollar a su sucesora sin investigadores humanos. En la última edición de Import AI, su boletín semanal, fechada el 12 de octubre, escribe que ahora considera más probable que la RSI completa sea posible en 2027 que en 2028, como sostenía antes. En mayo había cuantificado su estimación: un 30% de probabilidad de I+D de IA automatizada a finales de 2027 y en torno a un 60% a finales de 2028.
El giro se apoya sobre todo en la creatividad, la capacidad que entonces veía insuficiente y que ahora identifica como la última pieza. Cita además avances en matemáticas y los resultados de Claude Opus en TasteVal, un benchmark que mide criterio y gusto. El peso de la previsión viene de quien la firma: Clark dirige la política de un laboratorio puntero y tiene fama de prudente en sus pronósticos. Anthropic no ha publicado una métrica externa que permita contrastarla, aunque la compañía afirma que en septiembre el 26% de su trabajo ya se situaba en el “nivel 4” de su propia escala de automatización, frente al 1% que tenía en mayo.
La actualización refuerza la tesis que ya defendía 𝕏 @AndrewCurran_ (Andrew Curran), quien va más allá que el propio Clark y calcula que faltan menos de seis meses para cerrar el ciclo.
La crítica más afilada llega de 𝕏 @peterwildeford (Peter Wildeford), a quien irrita que en Anthropic se hable de estos avances como si fueran el tiempo, cuando son ellos mismos quienes los provocan.
El pronóstico gana sentido si, como sostiene 𝕏 @TimJayas (Tim Jayas), los modelos públicos van de tres a seis meses por detrás de los internos de Anthropic, OpenAI y Google.
Sin matices, 𝕏 @kimmonismus (Chubby) convierte la previsión en profecía y presenta 2027 como el año en que todo cambiará de forma drástica.
Más interesado en el razonamiento que en la fecha, 𝕏 @WesRoth (Wes Roth) subraya que el cambio descansa en pruebas más sólidas de que los modelos pueden aportar ideas propias a la investigación.
Más información:
📎 Import AI 476: Creativity and RSI; worse-than-China open weight models; AI goes to space
5. Xbow encuentra fallos en Chrome con GPT-5.6 Sol
Xbow, empresa especializada en pruebas de seguridad automatizadas, ha obtenido una recompensa de 250.000 dólares de Google por una vulnerabilidad crítica en Chrome descubierta con agentes basados en gpt-5.6-sol, el modelo de OpenAI. El ingeniero Brendan Dolan-Gavitt puso a los agentes a trabajar sobre el código fuente del navegador durante seis días. Buscaron en el código, probaron hipótesis y redactaron las fases del exploit, con un gasto aproximado de 40.000 dólares en llamadas a la API y sin recurrir a ningún otro modelo. Basta con que la víctima abra una URL para que el atacante tome el control de su ordenador.
Es la primera recompensa de este tipo que Google concede en 2026. El caso importa por la proporción entre coste y resultado: un software tan auditado como Chrome ha cedido ante un proceso automatizado que costó menos de una sexta parte de lo que pagó el programa de recompensas. Eso favorece a los equipos defensivos con presupuesto, pero rebaja también la barrera para atacantes con recursos similares. No se ha publicado cuánta supervisión humana requirió el trabajo ni cuántos intentos fallidos lo precedieron. El exploit encadena tres fallos de severidad baja que, combinados, alcanzan la categoría crítica.
El hito nació como un reto interno: 𝕏 @oegerikus (Oege De Moor) cuenta que en una reunión de toda la plantilla en Malta, a principios de 2026, pidió al equipo un exploit completo de Chrome antes de Black Hat, y recuerda que es solo la segunda vez que Google paga esta cifra.
Desde OpenAI, 𝕏 @gdb (Greg Brockman) lee el caso en clave defensiva: estas herramientas son una oportunidad para quienes protegen sistemas, en un fallo que estima que afectaría a unos 1.000 millones de usuarios.
La lección práctica que extrae 𝕏 @pashov (Krum Pashov) es metodológica: errores menores que por separado no preocuparían a nadie pueden sumarse hasta comprometer un sistema entero.
Para 𝕏 @rohanpaul_ai (Rohan Paul) lo relevante es que el modelo no se limitó a señalar código sospechoso, sino que participó en todo el ciclo, hasta preparar las etapas del ataque.
Más información:
📎 forbes.com: How an off the shelf OpenAI model found three google chrome zero days
6. Gemini 4 Argon enseña al humanoide Apollo
Google DeepMind ha mostrado cómo Gemini 4 Argon, su nuevo modelo frontera, enseñó a Apollo, el humanoide de Apptronik, a jugar al cornhole o tiro al hoyo, a partir de un único vídeo de una persona lanzando discos. El modelo cartografió el entorno, calculó los movimientos articulares de cuerpo completo, escribió por su cuenta el código de la simulación para practicar y trasladó lo aprendido al robot real, que encestó siete lanzamientos seguidos. DeepMind sostiene que este flujo, del vídeo a la simulación y de ahí al mundo físico, reduce a unas horas un modelado manual que antes exigía semanas.
El interés de esta noticia está en la fuente de datos que han utilizado. Si basta con grabaciones corrientes, entrenar habilidades físicas deja de depender de demostraciones costosas con el propio robot. Es una avenida muy prometedora para avanzar en la robótica, aunque todavía es una demostración seleccionada por la propia Google, con una tarea acotada en un entorno de pruebas y sin datos publicados sobre intentos fallidos ni sobre cuánto se generaliza a otras habilidades.
El planteamiento de 𝕏 @GoogleDeepMind (Google Deepmind) convierte el vídeo en campo de entrenamiento para la IA física, una forma de presentar Argon como herramienta para todo el ciclo de desarrollo robótico y no solo como modelo de lenguaje.
La lectura bursátil de 𝕏 @StockSavvyShay (Shay Boloor) apunta a YouTube: si los robots aprenden de vídeos corrientes, la biblioteca de Google podría convertirse en un activo de entrenamiento de enorme valor.
Más que el resultado, a 𝕏 @RussellQuantum (Russell Sean) le interesa la tubería de vídeo a simulación y a robot real, con el modelo escribiendo una simulación calibrada sin intervención manual.
Con ironía, 𝕏 @AndrewCurran_ (Andrew Curran) comparte imágenes de Apollo «pillado», un contrapunto ligero que recuerda que estas demostraciones también tienen tomas menos lucidas.
El entusiasmo de 𝕏 @parada_car88104 (Carolina Parada), que llega a calificar el avance de transformador para la IA física, se apoya en la explicación que el propio Argon da de su proceso, un relato del modelo sobre sí mismo que no sustituye a una evaluación independiente.
Más información:
📎 Gemini 4 Argon for Robotics- Google Developers Blog
7. Physical Intelligence abre en beta su API para robótica
Physical Intelligence (π), laboratorio de San Francisco dedicado a modelos fundacionales para robótica, ha lanzado en beta la Pi API. El servicio permite subir datos propios, lanzar el ajuste fino sobre infraestructura y cómputo gestionados por la empresa y ejecutar inferencia mediante una pasarela alojada. El acceso se abre por tandas a través de una lista de espera. La base son sus modelos π0 y π0.5, diseñados para reducir los datos necesarios al adaptarse a nuevas tareas, entornos o robots, y la compañía se compromete a ofrecer siempre sus versiones más recientes.
El interés comercial está en la barrera que retira: muchas empresas de robótica no tienen equipos de aprendizaje automático ni canalizaciones de datos propias, y Physical Intelligence se ofrece a asumir esa capa con el objetivo declarado de que montar una empresa de robótica sea mucho más fácil. El vídeo del anuncio muestra socios de sectores diversos, entre ellos Actor Labs, Almond Robotics y Argon Robotics, con máquinas muy distintas que comparten la misma capa de inteligencia, algo que el cofundador Sergey Levine admite que no habría creído hace un año.
𝕏 @giffmana (Lucas Beyer (Bl16)) advierte de que la latencia de la inferencia remota puede penalizar a quien opere robots lejos de los servidores de la empresa, un problema que en su opinión se resuelve con más centros de datos.
Más información:
📎 Frontier Models for Every Robot