Cómo el equipo de Claude Code escala los bucles de verificación de IA
El equipo de Claude Code comparte cómo utilizan pruebas end-to-end, de propiedad y diferenciales para verificar código generado por agentes a gran escala.
Cobertura diaria de IA, herramientas para desarrolladores e infraestructura. Cada artículo explica qué ocurrió y por qué es importante, con un enlace a la fuente original.
El equipo de Claude Code comparte cómo utilizan pruebas end-to-end, de propiedad y diferenciales para verificar código generado por agentes a gran escala.
NVIDIA publicó una receta para personalizar Nemotron 3.5 Super VL mediante aprendizaje por refuerzo y destilación, mejorando la precisión en la predicción del metabolismo de fármacos un 29%.
Microsoft Research y UC Berkeley presentan un plugin de código abierto que reduce el uso de tokens para los agentes de codificación con IA aprovechando el historial del repositorio sin modificar el modelo subyacente.
El SIG Network de Kubernetes ha marcado como obsoleto (deprecated) el backend IPVS para kube-proxy, citando incompatibilidades arquitectónicas y cargas de mantenimiento, con una eliminación programada para la versión 1.40.
El nuevo modelo multimodal de Google puede distinguir el habla sintética más antigua, pero su rendimiento es aleatorio con las voces de 2025 y 2026.
Un nuevo análisis revela que las demostraciones formales en Lean generadas por IA requieren pasos de verificación rigurosos más allá de la compilación para garantizar que coincidan realmente con los enunciados matemáticos previstos.
Un nuevo estudio revela que los centros de datos a gran escala en EE. UU. consumieron 82 teravatios-hora de electricidad en un año, emitiendo CO2 comparable al de Dinamarca.
Google y Mandiant identificaron atacantes que utilizan marcos multiagente para ingeniería inversa de parches de seguridad y generar exploits en minutos, reduciendo significativamente la ventana de defensa.
Google revela que actores de amenazas utilizan marcos de IA autónomos para realizar ingeniería inversa de parches e lanzar ataques a velocidad de máquina, reduciendo la ventana de defensa.
Nuevos modelos de decisión como Jev ofrecen respuestas en milisegundos a una fracción del coste de los LLM al elegir entre opciones predefinidas, lo que reduce las alucinaciones pero limita el razonamiento complejo.
La ingeniería inversa revela que Windows 11 recopila mapas de bits de los agentes de IA para codificación y herramientas de desarrollo utilizados a través de MissionControlAggregator, subiéndolos como datos diagnósticos opcionales.
AWS integra la memoria de AgentCore con las Bases de Conocimiento Gestionadas para habilitar RAG personalizado y consciente del contexto, aplicando estrictos controles de acceso a documentos.
Amazon y Cloudflare reportan campañas automatizadas que utilizan ARTEX para robar claves de proveedores de IA de aplicaciones expuestas a Internet como LiteLLM y Dify.
Los ingenieros de inferencia pueden gestionar los compromisos entre latencia y coste o ampliar los límites del rendimiento mediante técnicas como la desagregación y la decodificación especulativa.
Un ingeniero de Google combinó Gemini 4 Argon y el solucionador de restricciones Z3 para detectar pánicos de tiempo de ejecución en código Go que el fuzzing estándar había pasado por alto, revelando puntos ciegos en el manejo de la capacidad de los slices.