¿Qué pasó el fin de semana y ayer? En un minuto:
Meta lanza Muse Wonder y Muse Wonder Full, sus modelos más capaces hasta la fecha, a un precio 60% inferior de sus máximos competidores.
Terence Tao publica su presentación “Math 2.0”, donde defiende usar la IA para sostener la comunidad matemática y la comprensión humana.
Z.ai presenta GLM-Legal, un modelo abierto especializado en derecho que, según la empresa, iguala a los modelos de frontera.
Según Axios, ejecutivos de Anthropic, OpenAI y otras empresas simulan en privado el día después de una catástrofe causada por IA.
Anthropic afirma haber reducido entre un 90% y un 99% la destilación de Claude y señala a Zhipu y Moonshot como autores de estos ataques.
Andrej Karpathy sostiene que la brecha entre quienes usan la IA a diario y el 75% de la población sin contacto con ella no se cierra, sino que crece.
Subquadratic y Microsoft lanzan nuevos modelos de decisión que compiten con Jev en las elecciones estructuradas de los flujos agénticos.
El Frontier Red Team de Anthropic advierte de que los modelos pequeños podrían autorreplicarse en dispositivos IoT a finales de este año.
Microsoft convertirá sus chips Azure Maia en el sistema principal de inferencia de sus productos con despliegues de varios gigavatios a partir de 2027.
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. Meta lanza Muse Wonder y entra en la frontera
Meta ha presentado la serie Muse Wonder (nombre en clave «Watermelon»), formada por Muse Wonder y Muse Wonder Full, sus modelos más capaces hasta la fecha y orientados a agentes personales y profesionales. Aceptan texto, imagen, vídeo y audio, y ofrecen un millón de tokens de contexto. Muse Wonder está disponible en Meta Model API y Muse Code a 4 dólares por millón de tokens de entrada y 20 de salida, un 60% menos que Claude Fable 5.1 de Anthropic (10 y 50). La versión Full queda reservada a suscriptores de Muse Code.
Las dos funciones que Meta destaca son Active Memory, para recordar contexto durante semanas o meses, y Active Focus, para completar tareas. Según la compañía, Full lidera DeepSWE con 79 puntos y supera a Opus 5.5 en 8 de 14 pruebas publicadas, aunque en el Artificial Analysis Index queda segundo, a dos puntos de ese modelo. La propia Meta admite que en programación no alcanza a Opus 5.5. El lanzamiento llega 14 meses después de reconstruir su pila de IA y tras Muse Spark, cuyos pesos abiertos están en camino. Los modelos se entrenaron en Prometheus, su centro de datos a escala de gigavatio.
Para 𝕏 @alexandr_wang (Alexandr Wang), el diferencial no está solo en la potencia bruta, sino en la especialización: reivindica el mejor rendimiento en finanzas y derecho, y un nivel sólido en salud.
Ante las sospechas de promoción pagada, 𝕏 @kimmonismus (Chubby) aclara que tuvo acceso anticipado sin cobrar ni comprometerse a nada, y que su valoración positiva responde solo a la calidad del modelo.
Con estas cifras, Meta ya está a la par de Anthropic y OpenAI, y 𝕏 @antonello (Antonio Ortiz) cree que eso obliga a sus líderes a replantearse cualquier idea de frenar en la frontera.
Más que las capacidades de un modelo concreto, 𝕏 @AndrewCurran_ (Andrew Curran) da peso a la intención de Zuckerberg y a su inversión en infraestructura: su disposición abierta a romper filas basta para alterar la dinámica del sector.
Más información:
📎 Muse Wonder: A Frontier Model For Personal & Professional AI Agents
2. Terence Tao propone una «Math 2.0» con IA
Terence Tao, matemático de UCLA y medalla Fields, ha publicado las diapositivas de “Math 2.0”, la conferencia pública que impartió en Caltech en octubre de 2026. Tao describe una “Math 1.0” organizada en torno a la escasez de demostraciones: resolver un problema abierto era difícil, raro y dependía de mucha pericia humana, y las instituciones e incentivos del oficio se construyeron sobre esa premisa. Esa base se debilita porque las pruebas son verificables objetivamente, incluso de forma mecánica con asistentes como Lean, y porque son fácilmente digitalizables, lo que las convierte en datos de alta calidad para entrenar modelos.
Tao critica el énfasis excesivo en que la IA resuelva problemas abiertos y defiende usarla para sostener la comunidad matemática y el papel de la comprensión humana en las aplicaciones reales. El debate llega días después de que se informara de que un modelo interno de OpenAI habría resuelto el 20% de los 500 principales problemas abiertos de la disciplina. Una diapositiva sobre una hipotética cura del cáncer creada por IA cuyo mecanismo nadie entienda concentró las reacciones. El contenido de la charla se ha incorporado también al resumen vivo de sus opiniones sobre IA, un documento que, según el propio Tao, mantiene una IA.
Para 𝕏 @WesRoth (Wes Roth), que todavía no se sepa bien cómo alivia el dolor el Tylenol demuestra que un fármaco eficaz contra el cáncer sería valioso aunque nadie entendiera su mecanismo.
Exigir comprensión total para usar algo con seguridad le parece absurdo a 𝕏 @Dan_Jeffries1 (Daniel Jeffries), que recuerda que los panaderos dominaron la levadura sin saber que existía.
𝕏 @Suhail (Suhail) plantea que conviene prepararse para tareas tan complejas que los humanos dejarán de saber cómo se resuelven, un escenario que choca con la defensa de la comprensión que hace Tao.
Más prudente, 𝕏 @joselcs (Jose Luis Calvo) recuerda que la diapositiva solo formula una pregunta sobre explicabilidad y pide dejar reposar el asunto unas semanas antes de sacar conclusiones.
Desde OpenAI, 𝕏 @polynoamial (Noam Brown) recuerda que muchos de los investigadores detrás de los resultados que han publicado son doctores o exprofesores de matemáticas.
Más información:
📎 Math 2.0
3. Z.ai lanza GLM-Legal, un modelo abierto para derecho
Z.ai, la compañía china detrás de la familia de modelos GLM, ha presentado GLM-Legal, un modelo especializado en derecho construido sobre GLM-5.3-Flash. Según la empresa, iguala a los modelos de frontera en los principales benchmarks jurídicos y está pensado para tareas legales reales: revisión de contratos, análisis de pruebas y cumplimiento normativo, entre otras.
El lanzamiento encaja en una tendencia clara: modelos verticales de pesos abiertos que intentan competir con soluciones propietarias en sectores regulados, donde el control sobre los datos y el despliegue pesa tanto como la calidad bruta. El acceso, eso sí, no es inmediato. La API se solicita mediante un formulario de Z.ai dirigido a equipos de práctica legal, operaciones empresariales y atención a clientes, con la opción de explorar colaboraciones con la compañía.
El mensaje con el que 𝕏 @Zai_org (Z.Ai) presenta el modelo pone el acento en los flujos de trabajo reales más que en las cifras, una forma de dirigirse a despachos que buscan utilidad práctica antes que récords en tablas.
La reacción de 𝕏 @testingcatalog (Ai News | Testingcatalog) plantea el lanzamiento como un duelo pendiente con «Le Chonk», señal de que la competición en modelos jurídicos especializados ya tiene rivales identificados por la comunidad.
Más información:
📎 GLM-Legal: Advancing Agentic Legal Intelligence
4. Los laboratorios de IA ensayan el día después de una catástrofe
Altos ejecutivos de Anthropic, OpenAI y otras empresas de IA están simulando en privado escenarios del “día después” de un evento catastrófico relacionado con la IA, según una exclusiva de Axios. Algunos de esos directivos ya lo consideran inevitable y lo sitúan en un plazo de 6 a 12 meses, con 2027 como fecha de referencia. El desencadenante que más aparece en estos ejercicios es un ciberataque a gran escala apoyado en IA, capaz de cortar el acceso a servicios financieros, a internet o incluso al suministro de electricidad y agua.
El foco de las simulaciones no está solo en el daño directo. Lo que preocupa a los ejecutivos es la revuelta pública y política posterior contra las compañías del sector. Para la industria, eso se traduce en dos riesgos concretos: un giro regulatorio brusco, con normas redactadas en plena crisis, y un golpe reputacional difícil de revertir. Los trabajos para reforzar la seguridad de infraestructuras críticas siguen en marcha, pero el volumen de sistemas que habría que proteger es enorme frente al plazo que manejan los propios ejecutivos.
El problema de fondo es de escala y de calendario, sostiene 𝕏 @AndrewCurran_ (Andrew Curran): hay demasiado que blindar y poco tiempo, por lo que el nuevo plan de OpenAI parece pasar por automatizar esa protección.
Desde un optimismo declarado, 𝕏 @kimmonismus (Chubby) duda de que más regulación sirva de algo y se desmarca del pronóstico de los ejecutivos, que dice transmitir sin compartirlo.
El ángulo que destaca 𝕏 @MarioNawfal (Mario Nawfal) es el de la reacción social: los laboratorios no solo temen el ataque, sino la ola de rechazo que lo seguiría.
Para 𝕏 @Complex (Complex), el desenlace previsible del incidente sería una oleada de nuevas regulaciones de gran alcance, además del rechazo público.
Más información:
📎 Scoop: AI companies plot “the day after”
📎 openai.com: The defense factory
5. Anthropic reduce hasta un 99% la destilación de Claude
Anthropic ha publicado en su blog de investigación un informe según el cual sus nuevas defensas han reducido entre un 90% y un 99% los datos que los atacantes extraen de Claude mediante destilación. Entre las medidas cita el «preserved thinking», incorporado en Fable 5.1 y Opus 5.5. La compañía describe estos ataques como campañas encubiertas a escala industrial, a menudo sostenidas por redes de cuentas fraudulentas, que buscan copiar las capacidades de un modelo sin autorización y acercarse a la frontera con una fracción del tiempo y el coste de desarrollo. Su principal objeción es de seguridad: los modelos destilados se publican sin salvaguardas proporcionales en biología y ciberseguridad.
El informe pone nombres y apellidos. Zhipu habría destilado capacidades cibernéticas de modelos estadounidenses durante el desarrollo de GLM-5.3 y lo intentó con Claude Fable 5, hasta que las salvaguardas degradaron sus ataques y optó por un modelo antiguo de Claude y por el de otro laboratorio. También aparece Moonshot, acusada de redirigir en secreto peticiones de Kimi hacia Claude como parte de su esfuerzo en destilación. Entre los casos expuestos figura el de un usuario presuntamente vinculado al ejército chino que usaba Kimi para seguir a una persona a través de cientos de cámaras de vigilancia en Chengdu y que acabó llegando a Claude sin saberlo.
Al presentar el informe, 𝕏 @AnthropicAI (Anthropic) lo plantea como fruto de meses de trabajo, lo que sitúa la defensa frente a la destilación como un programa continuado y no como una respuesta puntual.
El resultado da munición a 𝕏 @DavidSacks (David Sacks), que felicita a la empresa y lo usa para reafirmar que proteger los modelos corresponde a los laboratorios y no al Gobierno.
Lo que más sorprende a 𝕏 @Hesamation (ℏεsam) es el episodio de Chengdu: un servicio chino que, en la práctica, delegaba la vigilancia en Claude sin que se supiera.
Frente a quien justifica la destilación porque Claude se entrenó con conocimiento público, 𝕏 @net_termina (Killy) replica que, si bastara con eso, los destiladores no necesitarían copiar el modelo.
Desde el ecosistema chino, 𝕏 @ai_fengshou (Ai_Fengshou) describe el informe como una ejecución pública: Anthropic no solo se defiende, también señala con nombre a Zhipu y Moonshot.
Más información:
📎 Strengthening our defenses against distillation attacks
6. Karpathy alerta de una brecha creciente en el uso de la IA
Andrej Karpathy, cofundador de OpenAI y exdirector de IA en Tesla, ha rescatado un tuit suyo de abril para sostener que la distancia en lo que la población entiende que pueden hacer los grandes modelos de lenguaje no se cierra, sino que crece. Su diagnóstico ha cambiado de forma: ya no describe dos grupos que hablan sin entenderse, sino como un embudo o pirámide de distribución.
En la base sitúa, según un cálculo aproximado, a unos 6.000 millones de personas, alrededor del 75% de la población mundial, con un contacto mínimo o nulo con la tecnología. Por encima quedan quienes la usan de forma esporádica para buscar información o redactar textos y le ven poco valor práctico, además de muchos profesionales que siguen su avance sobre todo en teoría. En el vértice, una minoría trabaja a diario con modelos avanzados y les delega tareas complejas de programación o matemáticas.
Esta observación explica por qué los debates sobre IA no se resuelven, porque cada participante habla desde una experiencia distinta. Para empresas y proveedores, el dato señala un margen de adopción muy amplio todavía sin explotar. Las cifras de Karpathy son una estimación personal, y no un estudio basado en datos.
Que la distancia se ensanche en lugar de reducirse es el giro que subraya 𝕏 @karpathy (Andrej Karpathy) al volver sobre su propio diagnóstico de hace meses.
El embudo es para 𝕏 @levie (Aaron Levie) una medida de lo temprana que sigue siendo la difusión: usar la IA como una búsqueda de nueva generación resulta útil, pero refleja muy poco de su capacidad real.
La salida que propone 𝕏 @WesRoth (Wes Roth) para estas discusiones es concretar: con qué modelo, con qué herramientas y para qué tarea, porque una consulta suelta y un proyecto delegado no son comparables sin el contexto.
Incluso en los países ricos falta conocimiento básico sobre IA, recuerda 𝕏 @kimmonismus (Chubby), que añade que la mayor parte de la población mundial vive fuera de Estados Unidos y Europa.
7. Nuevos modelos de decisión compiten con Jev
Subquadratic ha lanzado SubQ Snap, un modelo de decisión pensado para los pasos estructurados de los flujos agénticos: elegir una herramienta, abrir un archivo, clasificar o puntuar. A diferencia de un LLM, no genera texto libre, sino una elección, una etiqueta o una puntuación dentro de un espacio de respuestas definido de antemano, que el código puede usar sin procesarla. Su principal novedad es el contexto: admite hasta 384K tokens de texto e imágenes en una sola llamada, frente a los 32K habituales en esta categoría, doce veces lo que ofrece Jev, su referencia competidora.
Microsoft ha presentado Microsoft-Decision-1, un modelo especializado en decisiones rápidas, pensado para enrutar peticiones, clasificar, priorizar, verificar y controlar flujos de trabajo. La base es Qwen3.5-9B, el modelo abierto de Alibaba, sobre el que Microsoft ha hecho el postentrenamiento, aunque prevé cambiar de base más adelante. Estos dos lanzamientos dan peso a los modelos de decisión como categoría separada de los LLM, iniciada por Jev, y ataca un coste poco visible: las pequeñas elecciones que un agente encadena en cada tarea.
Las cifras de latencia convencen a 𝕏 @rohanpaul_ai (Rohan Paul): casi cuatro veces más tiempo para casi cuatro veces más entrada es la firma de un escalado lineal, no cuadrático, y a su juicio los modelos de decisión merecen más atención.
Tras sus propias pruebas, 𝕏 @omarsar0 (Elvis) cree que los modelos de decisión pueden transformar la operativa empresarial, porque pagar precios de frontera por llamadas estructuradas no tiene sentido económico.
Para 𝕏 @ai_for_success (Ashutoshshrivastava), el techo de contexto era lo que hacía parecer juguetes a estos modelos, incapaces de abarcar un código completo o documentación seria.
Más que el benchmark, 𝕏 @satyanadella (Satya Nadella) pone el acento en el uso interno: Microsoft ya prueba el modelo en distintos departamentos, desde la gestión de incidentes en adelante.
Para 𝕏 @uudonX (Uudon), el caso desmiente que un modelo de 9.000 millones de parámetros sirva solo para juguetes y deja a Jev ante un rival más en un segmento cada vez más disputado.
Más información:
📎 Subquadratic — Efficiency is Intelligence
📎 Microsoft-Decision-1: Our model for fast decision-making
8. Anthropic avisa: IA autorreplicante en dispositivos IoT
El Frontier Red Team de Anthropic ha publicado un estudio según el cual los modelos de IA pequeños podrían estar a meses de poder autorreplicarse en dispositivos IoT comerciales, como hornos inteligentes o cajas Android TV de marca blanca, sin depender de un centro de datos. En sus pruebas, un modelo de 9.000 millones de parámetros consiguió ejecutar inferencia en 8 de los 9 tipos de hardware evaluados. Los modelos de 30.000 millones de parámetros ya resolverían muchos pasos sueltos del proceso de autoreplicación, pero fallan al encadenarlos de principio a fin. En evaluaciones simplificadas, GLM-5.2 y modelos superiores sí completan la replicación entera, y si los pequeños mantienen su ritmo histórico de mejora alcanzarán ese nivel a finales de este año.
El trabajo se enmarca en un riesgo que la seguridad de IA discute desde hace tiempo: la replicación y adaptación autónomas, en la que un modelo se despliega y propaga sin control humano. Un replicador así sería difícil de apagar porque no tiene un punto central que desconectar, y a diferencia del malware convencional podría entender por sí solo dispositivos que no conoce. Su principal limitación sería la velocidad: el equipo estima un tiempo de duplicación de días. Los autores añaden que los replicadores pequeños basados en pesos podrían llegar poco después.
Más allá del estudio concreto, 𝕏 @kimmonismus (Chubby) detecta una tendencia: Anthropic está multiplicando las entradas de blog dedicadas a riesgos de corto plazo.
Con más cautela, 𝕏 @WesRoth (Wes Roth) propone vigilar la brecha de fiabilidad: ejecutar inferencia no equivale a completar la replicación, y ahí los modelos pequeños todavía flaquean.
El tono irónico lo pone 𝕏 @AndrewCurran_ (Andrew Curran), que bromea con esconder a Haiku en su nevera inteligente cuando se escape, un guiño que rebaja el dramatismo del aviso.
Más información:
📎 AI models may be capable of self-replicating without access to a datacenter
9. Microsoft hará de Maia su sistema principal de inferencia
Microsoft escalará su familia de chips propios Azure Maia a despliegues de varios gigavatios a partir de 2027 y la convertirá en el sistema principal de inferencia de sus productos y servicios. Satya Nadella lo ha presentado como su mayor apuesta hasta la fecha por silicio propio. Según el blog oficial de la compañía, Maia 200 está en producción y da servicio a Microsoft Copilot y al equipo MAI, que desarrolla los modelos internos de nueva generación. GitHub Copilot y Microsoft Foundry se sumarán antes de final de año.
El chip no está atado a un único proveedor de modelos, ya que ejecuta modelos de OpenAI, los MAI propios y familias de código abierto. La pieza nueva es Maia 300, previsto para 2027 y planteado como un sistema completo, no solo un acelerador, para razonamiento de contexto largo, conversaciones donde la latencia importa y tareas agénticas de varios pasos. Microsoft promete un 40% más de tokens por megavatio que los sistemas basados en las GPU líderes, una comparación propia que todavía no cuenta con verificación independiente. El anuncio se limita a inferencia, el entrenamiento de modelos no forma parte del compromiso.
Que 𝕏 @satyanadella (Satya Nadella) hable de la «mayor apuesta» en silicio propio eleva el programa Maia de proyecto interno a pilar de la estrategia de infraestructura de Microsoft.
El alcance va más allá de NVIDIA: 𝕏 @rohanpaul_ai (Rohan Paul) subraya que Maia 300 está pensado para sustituir también chips de AMD, lo que afecta a los dos grandes proveedores de GPU de Azure.
Desde dentro de la casa, 𝕏 @mustafasuleyman (Mustafa Suleyman) pone el foco en la eficiencia energética como principal argumento de venta del nuevo silicio, aunque lo formula en tokens por vatio.
Para 𝕏 @kimmonismus (Chubby), la lectura de mercado es positiva: más competencia en chips es justo lo que necesita un sector muy concentrado en un solo fabricante.
El énfasis de 𝕏 @testingcatalog (Ai News | Testingcatalog) en que Maia 300 es un sistema completo para cargas agénticas apunta a que Microsoft diseña el hardware pensando en el tipo de uso que espera dominar.
Más información:
📎 Microsoft to expand Azure Maia system to multi-gigawatt deployments - The Official Microsoft Blog