inteligencia artificial · las 10 historias del día · 23 de septiembre
storyflo · A.I.
Sep 23, 2026 · 11 min listen · Last updated September 23, 2026
De storyflo. Este es tu resumen diario de audio para el 23 de septiembre. Estas son las 10 historias principales de inteligencia artificial de hoy. Vamos a ello. Primero, de The Decoder. Ingeniero de Anthropic explica por qué la escritura de Claude empeoró aunque el modelo se hizo más inteligente.
Listen · storyflo · A.I.
inteligencia artificial · las 10 historias del día · 23 de septiembre
0:00-11:04
Pick your daily storyteller
Subscribe to match with Theo, Jessica, Chloe, Mason, Brock — your voice, every brief.
Audio pre-rendered by Storyflo · cached + delivered from the edge
Ingeniero de Anthropic explica por qué la escritura de Claude empeoró aunque el modelo se hizo más inteligente
Jackson Kernion, de Anthropic, arroja luz sobre una peculiaridad interesante con sus modelos Claude. A medida que se han enfocado en mejorar las habilidades del modelo en matemáticas, codificación y explicaciones técnicas, el estilo de escritura ha cambiado. Se ha vuelto más parecido a esas densas 'descargas de información' que pueden resultar abrumadoras para nosotros los humanos. Así, si bien el modelo es técnicamente más inteligente, no siempre se traduce en una mejor escritura. Han hecho algunos ajustes con Opus 5.5 para abordar este problema, pero parece que Opus 4.6 aún mantiene la corona en cuanto a escritura clara y atractiva. Es un ejemplo fascinante de cómo optimizar un área a veces puede llevar a compensaciones inesperadas en otra.
OpenAI contrata al cofundador de Patreon, Sam Yam, para liderar una nueva división de Productos para Creadores
OpenAI ha contratado a Sam Yam, uno de los cofundadores de Patreon, para dirigir una nueva división enfocada en Productos para Creadores. Es interesante ver cómo su experiencia de más de una década en Patreon dará forma a las herramientas que planean desarrollar para los creadores. Y no va solo; también trae consigo a un par de otros ejecutivos de Patreon para formar este nuevo equipo. Su objetivo es presentar parte de su trabajo en el próximo DevDay de OpenAI, lo que nos dará un adelanto de cómo planean apoyar a los creadores de una manera innovadora. Es un movimiento fascinante que realmente podría cambiar la forma en que los creadores interactúan con las herramientas de IA.
Alibaba lanza Qwen Audio 3.1 con nuevos modelos y recorta los precios del audio con IA hasta en un 95 por ciento
El equipo Qwen de Alibaba acaba de lanzar Qwen-Audio-3.1, presentando cinco nuevos modelos enfocados en reconocimiento de voz y texto a voz. Lo interesante es la capacidad del modelo ASR para reconocer múltiples idiomas y dialectos mientras filtra esas molestas muletillas. También está el ASR-Next, que puede identificar diferentes hablantes e incluso captar emociones y ruido de fondo, ¿bastante impresionante, verdad? En cuanto al TTS, está diseñado para síntesis multilingüe, lo que lo hace versátil para diversas aplicaciones. ¿Lo mejor? Han recortado los precios de estas herramientas de audio con IA hasta en un 95%. Es un gran cambio que podría abrir muchas posibilidades para desarrolladores y empresas.
Dentro de Basecamp Research, la startup de IA que convierte la evolución en datos de entrenamiento
Basecamp Research está logrando avances intrigantes en IA al aprovechar el vasto mundo de la biología. Han obtenido $140 millones en financiación de grandes nombres como Nvidia y Anthropic, lo que es un sólido voto de confianza. Lo fascinante es su enfoque: están utilizando material genético de diversos ecosistemas —piense en selvas tropicales, océanos y aguas termales— para entrenar modelos de IA. Esto no se trata solo de procesar números; se trata de diseñar antibióticos y desarrollar herramientas para terapias celulares, lo que podría tener un impacto real en la atención médica.
El CTO Philip Lorenz compartió algunas ideas, enfatizando que la biología presenta un desafío más complejo para la IA que el lenguaje. No se trata solo de obtener puntuaciones altas en las pruebas; el verdadero desafío reside en traducir eso en moléculas efectivas. Aquí hay mucho potencial, y es emocionante pensar en cómo esto podría remodelar nuestra comprensión de la medicina y la biología. La forma en que están fusionando la evolución con la tecnología se siente como una perspectiva fresca en el panorama de la IA.
El agente de IA de Meta, Muse, atrae a 500,000 usuarios en una semana junto con afirmaciones de que copió a OpenClaw
Meta lanzó su nuevo agente de IA, Muse, y ya ha causado bastante revuelo, acumulando más de 500,000 usuarios en solo una semana y encabezando las listas de la App Store. Lo interesante es que Meta ha reconocido abiertamente que Muse toma muchas referencias de un proyecto de código abierto llamado OpenClaw. Incluso señalaron que algunos nombres de archivos y contenido son casi idénticos, lo que plantea preguntas sobre la originalidad y la inspiración en el desarrollo tecnológico. Mientras tanto, OpenAI, según los informes, está sopesando sus opciones en respuesta a esta situación. Es un momento fascinante en el panorama de la IA, destacando la rapidez con la que las cosas pueden evolucionar y la delgada línea entre la inspiración y la imitación.
Nscale, respaldada por Nvidia, mantiene a su cliente más grande, Bytedance, fuera de su solicitud de IPO
Nscale, el proveedor de la nube de IA que cuenta con el respaldo de Nvidia, se está preparando para una IPO, pero ha decidido omitir a su cliente más grande, Bytedance, del prospecto principal. Esto es interesante porque Bytedance, la empresa matriz de TikTok, juega un papel importante en las operaciones de Nscale. Al no incluirla, Nscale podría estar intentando presentar una imagen más independiente a los posibles inversores, o quizás quieren evitar cualquier escrutinio que pudiera surgir de los desafíos regulatorios actuales de Bytedance. Es un movimiento estratégico que plantea preguntas sobre cómo Nscale planea posicionarse en el mercado y qué significa para su relación con Bytedance en el futuro. Esta decisión podría afectar la percepción de los inversores, especialmente en un panorama donde las asociaciones y la estabilidad de los clientes son indicadores clave de éxito.
Así que, hay una guía que te enseña a crear un modelo de mundo en Python, lo cual es bastante genial si te interesa la IA y el aprendizaje automático. Comienza desde lo básico, haciéndola accesible para principiantes. Aprenderás a configurar un modelo que pueda simular entornos como CartPole, que es ese juego de equilibrio donde intentas mantener un poste en posición vertical sobre un carrito.
Lo interesante es cómo el modelo aprende a predecir el siguiente estado del entorno, casi como si estuviera soñando despierto sobre lo que sucederá. La guía también se adentra en cómo medir cuándo las predicciones del modelo comienzan a fallar, lo cual es crucial para comprender sus límites. Es como enseñarle a un niño a andar en bicicleta y luego verlo tambalearse antes de encontrar el equilibrio. En general, es un excelente punto de partida si tienes curiosidad por construir y probar tus propios modelos.
Cómo GRPO entrena pequeños modelos de lenguaje con recompensas verificables
Así que, existe este enfoque interesante llamado GRPO que se enfoca en entrenar pequeños modelos de lenguaje, y realmente resalta la importancia de la función de recompensa en el proceso de aprendizaje. No se trata solo de tener un modelo sofisticado; la forma en que se configuran las recompensas puede influir significativamente en lo bien que el modelo aprende y se desempeña.
Se sumergen en experimentos de razonamiento local utilizando algo llamado Unsloth, que es una herramienta para probar estos modelos. Lo fascinante es cómo han estructurado los experimentos para mostrar que incluso pequeños cambios en el sistema de recompensas pueden llevar a diferentes resultados en cómo el modelo comprende y genera el lenguaje. Es como afinar un instrumento musical: los ajustes correctos pueden hacer una gran diferencia.
Los investigadores enfatizan que las recompensas verificables son clave, lo que significa que las recompensas deben ser claras y medibles. Esta claridad ayuda a asegurar que el modelo esté aprendiendo las cosas correctas, en lugar de simplemente perseguir incentivos vagos o engañosos. Es un recordatorio de que en el aprendizaje automático, los detalles realmente importan, y cómo se enmarca el problema puede llevar a ideas y mejoras sorprendentes.
En general, este trabajo arroja luz sobre la intrincada danza entre el diseño del modelo y los sistemas de recompensa, sugiriendo que un enfoque reflexivo de ambos puede conducir a modelos de lenguaje más efectivos y confiables. Es una buena combinación de teoría y aplicación práctica, mostrando que todavía hay mucho por explorar en este campo.
De las palabras a los vectores: ¿Qué sucede en el medio?
Así que, vamos a adentrarnos en cómo las máquinas transforman nuestras palabras en números, lo cual es bastante fascinante. Todo comienza con algo llamado TF-IDF, que significa 'Frecuencia de Término-Frecuencia Inversa de Documento'. Esencialmente, combina la frecuencia con la que aparece una palabra en un documento con lo común que es esa palabra en un conjunto de documentos. La idea es dar más peso a las palabras que son únicas y menos comunes, ayudando a la máquina a entender qué es importante.
Primero, tokenizamos el texto, dividiéndolo en palabras individuales. Luego, creamos un vocabulario, que es simplemente una lista de todas las palabras únicas en nuestros documentos. A partir de ahí, calculamos la frecuencia de término para cada palabra en un documento, lo que nos dice con qué frecuencia aparece una palabra. Pero eso por sí solo no cuenta toda la historia, especialmente para palabras comunes como 'el'.
Ahí es donde entra la frecuencia inversa de documento. Nos ayuda a entender cuán rara o común es una palabra en todos los documentos, dándonos una imagen más clara de su significado. Finalmente, combinamos estas dos métricas para obtener la puntuación TF-IDF para cada palabra, lo que permite a las máquinas clasificar y recuperar información de manera más efectiva. ¡Es un proceso ingenioso que realmente resalta la mecánica del procesamiento del lenguaje!
Entrené una pequeña red para comprimir datos. Dibujó un pentágono.
Así que, hay un proyecto fascinante donde alguien asumió el desafío de recrear un modelo desde cero usando NumPy, lo cual es bastante impresionante por sí solo. Se enfocaron en un concepto llamado 'Modelos de juguete de superposición' de Anthropic. Lo realmente genial es que hicieron todo manualmente, derivando sus propios gradientes sin apoyarse en números preexistentes. Es como construir un coche desde la materia prima en lugar de simplemente ensamblar piezas de fábrica.
¿El resultado final? Una pequeña red neuronal que aprendió a comprimir datos, y la salida fue un pentágono. Es una forma simple, pero el hecho de que una red pueda aprender a representar datos complejos con una forma geométrica tan básica es una demostración ingeniosa de cómo pueden funcionar estos sistemas. Es un recordatorio de cómo incluso los modelos pequeños pueden generar ideas sorprendentes cuando se profundiza en la mecánica.
Este tipo de enfoque práctico no solo profundiza la comprensión, sino que también destaca la belleza del aprendizaje automático: cómo la creatividad y la habilidad técnica pueden unirse de maneras inesperadas. Es un pequeño vistazo al lado lúdico del desarrollo de la IA que a menudo queda eclipsado por los grandes nombres y los resultados llamativos.