Qué pasó ayer · 20 de octubre de 2026

El 20 de octubre dejó cambios para reutilizar contexto en las APIs, ejecutar modelos en distintos dispositivos y examinar mejor las decisiones de los agentes. Reunimos las novedades verificadas del día; este resumen se publica el 21 de octubre de 2026.

OpenAI añade caché de 12 horas

OpenAI anunció una opción de caché de instrucciones y contexto de 12 horas en la API Responses; la documentación la sitúa en GPT-5.6 y posteriores. Puede servir para reutilizar un mismo prefijo entre peticiones separadas por horas, pero escribirlo en esa caché cuesta 2,5 veces la tarifa de entrada ordinaria: es la tarifa total de escritura, no un recargo añadido. Las lecturas tienen una tarifa reducida; que compense depende de cuánto se reutilice el contenido.

OpenAI: cambio anunciado el 20 de octubre · Documentación: alcance y facturación de la caché.

Claude separa controles de inferencia y gestión de clientes

Las notas de Claude del día 20 sacan de beta los inference hooks, mecanismos de control de la inferencia, para organizaciones Claude Enterprise. También presentan perfiles de usuario para identificar al cliente final de una petición y poder dirigir medidas de cumplimiento a ese cliente. Los nuevos webhooks de organización, que notifican restricciones de esos perfiles y su levantamiento, siguen en beta y requieren solicitar acceso al equipo de cuenta de Anthropic.

Anthropic: notas de Claude Platform del 20 de octubre.

TorchTPU acerca Transformers y Diffusers a las TPU

Hugging Face publicó la integración de sus bibliotecas con TorchTPU, un backend que conecta PyTorch de forma nativa con las TPU, los aceleradores de Google. El anuncio muestra el uso del dispositivo tpu con Transformers y Diffusers, lo que facilita mantener un flujo de trabajo conocido. Sigue haciendo falta infraestructura TPU y comprobar que las operaciones de la carga concreta están soportadas.

Hugging Face: integración nativa con TorchTPU.

PyTorch 2.15 prepara mejoras para Mac

El equipo de PyTorch en Hugging Face detalló mejoras de MPS, la vía de aceleración gráfica de PyTorch en Mac, con formatos FP8 de ocho bits y cambios en operaciones y consumo de memoria. La instalación propuesta remite a una versión candidata, con requisitos de Apple silicon, macOS 15 o posterior y Python 3.11 o posterior. Es una actualización que conviene evaluar en el entorno propio; las medidas del anuncio pertenecen a sus autores y no son pruebas de Puntoes.

Equipo de Hugging Face: novedades de MPS en PyTorch 2.15.

AnyLanguageModel llega a la versión 1.0

Hugging Face anunció AnyLanguageModel 1.0, junto con swift-huggingface 1.0 y swift-xet 1.0. Su interfaz Swift, inspirada en Foundation Models de Apple, permite compartir código entre modelos locales y proveedores alojados, con llamadas a herramientas y generación estructurada. Las notas de migración importan al actualizar una aplicación existente; compartir interfaz no iguala las condiciones de acceso de cada proveedor.

Hugging Face: AnyLanguageModel 1.0 y recursos de migración.

FairStress mira qué ocurre cuando se presiona una decisión

Ai2 presentó FairStress, un conjunto de pruebas descargable que examina si un modelo abandona una decisión correcta ante argumentos persuasivos de manera desigual al intercambiar las identidades demográficas de los candidatos. Añade una pregunta útil a la evaluación: dos respuestas iniciales iguales pueden ocultar distinta resistencia a esa presión. Su criterio de simetría es una definición concreta de equidad, no un certificado de ausencia de sesgos.

Ai2: presentación y alcance de FairStress.

IBM prueba memoria aprendida para atención al cliente

IBM Research publicó un experimento de ALTK-Evolve en τ²-bench, una evaluación de agentes de atención al cliente: extrae reglas de intentos de entrenamiento y las añade al contexto sin modificar los pesos del modelo. Los autores evalúan esas reglas en tareas de prueba separadas, una propuesta para estudiar mejoras del agente sin reentrenarlo. Los resultados pertenecen a IBM, la cantidad útil de reglas depende del dominio y añadirlas consume más tokens; no se ha replicado aquí ni acredita resultados en producción.

IBM Research: método y límites del experimento con ALTK-Evolve.

NVIDIA presenta Cosmos3-H-Dreams para investigación quirúrgica

NVIDIA presentó Cosmos3-H-Dreams, un simulador generativo interactivo que aprende de vídeo de procedimientos quirúrgicos y movimientos instrumentales, con recursos de código, modelos y adaptación. Permite investigar cómo responde una escena generada a las acciones de los instrumentos. El propio anuncio lo delimita como simulador de investigación, sin validación para la atención a pacientes; realismo visual no demuestra exactitud clínica.

NVIDIA: Cosmos3-H-Dreams y sus límites de investigación.

TorchNeuron pasa del anuncio a la beta pública

Anunciado el 19 de octubre, TorchNeuron tenía prevista su beta pública para el día 20; la documentación de AWS ya la identifica como parte de Neuron 2.33 para Trainium2 y Trainium3. Su backend nativo acerca las interfaces habituales de PyTorch a ese hardware, aunque la migración requiere revisar operaciones y ajustes compatibles. Ayer publicamos un desarrollo propio con esas condiciones.

PyTorch: anuncio y fecha prevista de la beta · AWS: estado y alcance de la beta de TorchNeuron · Puntoes: qué revisar al migrar de CUDA a Trainium.

Battle Drones muestra un experimento iterativo con Claude

Simon Willison publicó su experiencia construyendo Battle Drones, un juego de estrategia con Claude que incluye multijugador entre dispositivos cercanos sincronizado mediante audio. El relato ofrece un ejemplo concreto de desarrollo iterativo con IA y de los ajustes que fue necesitando. Es una demostración del autor, sin prueba propia de Puntoes ni una medida general de productividad.

Simon Willison: construcción y evolución de Battle Drones.

Fuentes

← Volver al blog