MiniMax M2.7, Muse Spark y la Super App Codex — Esta semana en IA\n\nEstaba revisando mi feed a medianoche el sábado cuando el anuncio de MiniMax me detuvo en seco. Habían liberado como open-source un modelo —M2.7— que había ejecutado más de 100 ciclos autónomos de mejora sobre sí mismo, ajustando sus propios hiperparámetros, detectando sus propios modos de fallo y aumentando su rendimiento en un 30 %. Sin intervención humana en la mayor parte del proceso.\n\nMe quedé mirando esa cifra durante un minuto completo. Treinta por ciento. De un modelo que se mejora a sí mismo.\n\nLuego revisé qué más se había lanzado esa misma semana. Meta presentó Muse Spark —su primer modelo construido desde cero bajo el nuevo Superintelligence Labs de Alexandr Wang. OpenAI fusionó ChatGPT, Codex y Atlas en una única super app. Google comenzó a incorporar control por voz en su herramienta de lienzo con IA. Y una startup llamada Runnable cruzó silenciosamente los 2 millones de dólares en ARR permitiendo a las personas delegar proyectos completos a un agente de IA que vive en su Slack.\n\nCinco anuncios. Cualquiera de ellos habría sido la noticia de IA más importante en una semana normal. Esta semana, todos llegaron al mismo tiempo. Esto es lo que realmente importa —y lo que es solo ruido.\n\n## MiniMax M2.7: El modelo open-source que se mejora a sí mismo\n\nPermítanme empezar con el que me mantuvo despierto hasta las 2 de la madrugada.\n\nMiniMax —una empresa china de IA que la mayoría de los desarrolladores occidentales siguen subestimando— acaba de liberar como open-source M2.7, su modelo más potente hasta la fecha. Weights completos en Hugging Face. Arquitectura mixture-of-experts. Y cifras de rendimiento que lo ponen en competencia directa con Opus 4.6 y GPT-5.4 en tareas reales de ingeniería.\n\nHe estado siguiendo los modelos de IA chinos desde GLM4, y M2.7 es el primer lanzamiento open-source que genuinamente me hizo reconsiderar mi stack de producción. No por un benchmark individual —sino por lo que los benchmarks representan colectivamente.\n\nAquí está la tarjeta de puntuación que importa:\n\n| Benchmark | Puntuación | Qué evalúa realmente |\n|-----------|-----------|---------------------|\n| SWE-Pro | 56,22 % | Ingeniería real: debugging, seguridad, logs |\n| Terminal Bench 2 | 57,0 % | Fluidez en línea de comandos y operaciones de sistema |\n| SWE-Multilingual | 76,5 % | Ingeniería a través de lenguajes y frameworks |\n| MultiSWE-Bench | 52,7 % | Desafíos más amplios de ingeniería de software |\n| Vibe Pro | 55,6 % | Generación de código a nivel de repo (web, móvil, simulación) |\n| NL2 Repo | 39,8 % | Comprensión y navegación de codebases completas |\n\nEstos no son benchmarks de juguete. SWE-Pro lanza escenarios reales de producción a los modelos —del tipo en que estás a las 3 de la madrugada mirando logs del servidor intentando descubrir por qué falló tu deployment. Terminal Bench 2 evalúa si un modelo puede realmente operar un sistema, no solo escribir código sobre cómo operarlo. Y Vibe Pro evalúa generación a nivel de repo a través de plataformas incluyendo web, Android, iOS y entornos de simulación.\n\nPero lo que realmente distingue a M2.7 no es ninguna puntuación individual. Es la historia detrás de ellas.\n\n### Autoevolución: Cuando el modelo se convierte en su propio ingeniero\n\nAquí es donde las cosas se ponen filosóficamente incómodas.\n\nMiniMax diseñó M2.7 para que se mejore a sí mismo. No en el sentido vago de "reinforcement learning from feedback" —de una manera concreta y medible. El modelo ejecutó autónomamente más de 100 ciclos de optimización sobre su propio code scaffold. Ajustó configuraciones de temperatura. Modificó penalizaciones de repetición. Construyó mecanismos de detección de bucles para detectar cuándo estaba dando vueltas en círculos. Añadió nuevas capacidades a su propia toolchain.\n\nEl resultado: una mejora de rendimiento del 30 % en benchmarks internos. De un modelo que ya era competitivo con sistemas frontier.\n\nHe escrito antes sobre sistemas de IA que se automejoran, y lo que me llama la atención de M2.7 es lo operativo que se ha vuelto esto. No es un paper de investigación. MiniMax dice que el modelo actualmente automatiza del 30 al 50 % del flujo de trabajo de su propio equipo de reinforcement learning, con humanos interviniendo principalmente para decisiones críticas y validación final.\n\nPiensen en eso un segundo. El modelo está haciendo la mitad del trabajo de entrenarse a sí mismo. Los humanos se están convirtiendo en los revisores, no en los constructores. Eso es un cambio estructural en cómo funciona el desarrollo de IA —y está sucediendo en una empresa open-source que acaba de regalar los weights gratuitamente.\n\n### Dónde M2.7 realmente compite con modelos frontier\n\nQuiero ser específico aquí porque "compite con GPT-5.4 y Opus 4.6" se dice bastante a la ligera. MiniMax sometió a M2.7 a competiciones de machine learning (MLE-Bench Light) ejecutándose en una sola GPU A30 —no un rack de H100— y obtuvo:\n\n- 9 medallas de oro\n- 5 medallas de plata\n- 1 medalla de bronce\n- Tasa promedio de medallas: 66,6 %\n\nEso es competitivo con modelos que funcionan con órdenes de magnitud más de cómputo. Una sola GPU A30. Tengo proyectos que consumen más GPU solo en inferencia.\n\nEn trabajo profesional de oficina —análisis financiero, generación de informes, procesamiento de earnings calls— M2.7 obtuvo un ELO de 1.495 en GDPval-AA, posicionándose como el modelo open-source mejor clasificado para tareas empresariales. Eso significa que puede leer un informe anual, construir un pronóstico de ingresos y producir una presentación a un nivel comparable con lo que entregaría un analista junior.\n\nY en uso de herramientas de múltiples pasos (Toolathon benchmark: 46,3 %) y cumplimiento de habilidades complejas (MM-Claw: 97 % de adherencia en tareas de más de 2.000 tokens), M2.7 demuestra algo que solo he visto en los mejores modelos propietarios: fiabilidad sostenida en flujos de trabajo largos y complejos.\n\nLa capacidad de debugging en producción fue lo que más me convenció. MiniMax demostró cómo M2.7 analizaba logs de producción en vivo, correlacionaba picos de monitoreo con líneas temporales de deployment y sugería correcciones específicas —reduciendo el tiempo de recuperación a menos de tres minutos. Eso es trabajo de Site Reliability Engineer. De un modelo open-source.\n\n### Qué significa esto para tu stack\n\nSi estás ejecutando sistemas multi-agent y necesitas un modelo capaz que puedas alojar tú mismo, M2.7 acaba de convertirse en el candidato obvio. La arquitectura mixture-of-experts significa que solo activas los parámetros que necesitas por tarea, manteniendo los costes de inferencia manejables. Los weights abiertos significan cero dependencia de API. Y el perfil de benchmarks cubre exactamente el tipo de trabajo que los sistemas de agentes necesitan hacer —generación de código, debugging, uso de herramientas y completación de tareas de contexto largo.\n\nNo digo que reemplace a Opus 4.6 para cada caso de uso. En profundidad de razonamiento puro y seguimiento de instrucciones, el modelo de Anthropic todavía tiene una ventaja que siento en el uso diario. Pero para el tipo de tareas que delegarías a sub-agentes especializados —scaffolding de código, análisis de logs, generación de documentación, escritura de tests— M2.7 ejecutándose localmente en tu propio hardware es ahora una opción seria. Y eso cambia la economía de la IA agéntica de una manera que importa.\n\n## Meta Muse Spark: Construido diferente — literalmente\n\nEl timing de Meta fue impecable. La misma semana en que MiniMax lanzó una bomba open-source, Meta presentó Muse Spark —el primer modelo de sus nuevos Superintelligence Labs, la división liderada por Alexandr Wang (sí, ese Alexandr Wang, de Scale AI).\n\nLo que hace interesante a Muse Spark no son los benchmarks —aunque son sólidos. Es la decisión arquitectónica que sustenta todo lo demás.\n\nLa mayoría de los modelos de IA multimodales comienzan como sistemas solo de texto a los que luego se les atornillan capacidades de visión. GPT-5 hizo esto. Claude hizo esto. Entrenas un modelo de lenguaje, luego lo ajustas para que entienda imágenes. Funciona, pero siempre hay una costura. Las tareas de visión se sienten como ciudadanos de segunda clase comparadas con el texto.\n\nMeta dijo que no a ese enfoque por completo. Muse Spark fue construido desde cero —desde la base— para procesar texto e imágenes nativamente en la misma arquitectura. Sin atornillar. Sin fine-tuning de un modelo de texto para que vea. La comprensión visual está integrada en los cimientos.\n\nY se nota la diferencia en los números:\n\n| Benchmark | Muse Spark | Opus 4.6 Max | GPT 5.4 Pro | Gemini 3.1 |\n|-----------|-----------|-------------|-------------|------------|\n| Screen Spot Pro | 72,2 % (84,1 % con tools) | 57,7 % | 39,0 % | — |\n| Health Bench Hard | 42,8 % | 14,8 % | 40,1 % | 20,6 % |\n| Frontier Science | 38,3 % | — | 36,7 % | 23,3 % |\n| Humanity's Last Exam | 58,4 % (con tools) | — | 58,7 % | 53,4 % |\n| SWE Bench Verified | 77,4 % | 80,8 % | — | 80,6 % |\n\nScreen Spot Pro es lo que salta a la vista. Una puntuación de 84,1 % en comprensión visual de UI —comparada con 57,7 % para Opus 4.6 Max y 39,0 % para GPT 5.4— significa que Muse Spark puede mirar una pantalla y entender lo que hay en ella con precisión casi humana. Para cualquiera que esté construyendo agentes de computer-use o herramientas de testing visual, esto es enorme.\n\nHealth Bench Hard es el otro punto destacado. Meta colaboró con más de 1.000 médicos para curar datos de entrenamiento específicamente para razonamiento médico. El resultado: 42,8 %, el número uno a nivel mundial. Si estás construyendo aplicaciones de IA relacionadas con salud, Muse Spark es ahora el modelo a evaluar primero.\n\n### La historia de eficiencia de la que nadie habla\n\nAquí está la estadística que más debería importar a los constructores técnicos: Muse Spark logra capacidades comparables a Llama 4 Maverick con más de 10 veces menos cómputo. Eso no es una mejora incremental —es un stack de pre-training reconstruido que entrega ganancias de eficiencia de un orden de magnitud.\n\nMeta logró esto a través de tres innovaciones trabajando juntas:\n\nOptimización de pre-training — un pipeline de entrenamiento fundamentalmente rediseñado que extrae más aprendizaje por dólar de cómputo.\n\nReinforcement learning con ganancias estables — RL que realmente mejora el modelo de forma consistente en lugar de las curvas de entrenamiento ruidosas y propensas a mesetas con las que lidian la mayoría de los equipos.\n\nMejoras de razonamiento en test-time — incluyendo thought compression (resolver problemas con menos tokens, lo que significa inferencia más rápida y económica) y lo que Meta llama "contemplating mode", donde agentes paralelos producen y refinan respuestas simultáneamente.\n\nEse contemplating mode captó mi atención. Es esencialmente razonamiento multi-agent en tiempo de inferencia —el modelo genera rutas de razonamiento paralelas y luego selecciona o combina la mejor salida. He estado construyendo exactamente este tipo de arquitectura manualmente con equipos de agentes Claude. Meta lo está integrando directamente en el modelo.\n\n### Dónde Muse Spark se queda corto\n\nNo estaría haciendo bien mi trabajo si solo destacara las victorias. Muse Spark tiene una debilidad clara, y es significativa para ciertos casos de uso.\n\nARC AGI 2 —el benchmark de razonamiento abstracto— muestra a Muse Spark en 42,5 %, mientras que tanto Gemini como GPT-5.4 superan el 76 %. Esa no es una brecha pequeña. Sugiere que la arquitectura nativamente multimodal, aunque increíble para razonamiento visual y aplicado, podría sacrificar algo en reconocimiento de patrones puramente abstracto.\n\nSWE Bench Verified cuenta una historia similar. Con 77,4 %, Muse Spark es fuerte pero queda por detrás de Opus (80,8 %) y Gemini 3.1 (80,6 %) en tareas verificadas de ingeniería de software. Si tu caso de uso principal es programación agéntica, Muse Spark aún no es el líder.\n\nTampoco será open-source —al menos no inicialmente. Meta dijo que hay "esperanza de hacer open-source las versiones futuras", que es el lenguaje más ambiguo que podrían haber elegido. Dado que lo construyeron para alimentar la app Meta AI, WhatsApp, Instagram e integraciones de Messenger, no contengo la respiración esperando weights abiertos.\n\n## La Super App de OpenAI: Todo en una ventana\n\nMientras MiniMax y Meta jugaban el juego de los modelos, OpenAI hizo una jugada de infraestructura que podría importar más a largo plazo.\n\nEl 6 de abril, OpenAI lanzó lo que llaman la super app unificada —una única aplicación de escritorio que fusiona ChatGPT, Codex (el agente de programación) y Atlas (su navegador de IA) en una sola interfaz. Junto a ella, lanzaron ChatGPT 5.5, un modelo puente entre GPT-5.4 y lo que viene después (internamente apodado "Spud", que al parecer es GPT-6).\n\nHe estado usando el Codex de OpenAI desde los primeros días de la CLI, y la fragmentación siempre ha sido un punto de dolor. ¿Quieres chatear? Abre ChatGPT. ¿Quieres programar? Abre Codex. ¿Quieres navegar e investigar? Abre Atlas. Tres interfaces diferentes, tres ventanas de contexto diferentes, tres conjuntos diferentes de capacidades que no se comunican entre sí.\n\nLa super app elimina esa fricción. Todo vive en una ventana. Y lo que es más importante, los agentes pueden transferir tareas entre sí sin fisuras.\n\n### El scratchpad cambia mi forma de pensar sobre el multitasking\n\nLa función estrella es lo que OpenAI llama el "scratchpad" —una interfaz que te permite lanzar múltiples tareas paralelas de Codex desde una sola vista. Piénsalo como un gestor de tareas para agentes de IA. Escribes tres tareas de programación, las lanzas todas simultáneamente, y cada una se ejecuta en su propio entorno aislado. Mientras un agente refactoriza tu módulo de autenticación, otro escribe tests para tu flujo de pagos, y un tercero genera documentación de la API.\n\nEsto es asombrosamente similar a lo que he estado construyendo manualmente con equipos de agentes Claude Code —pero OpenAI lo está convirtiendo en un producto con interfaz amigable para el consumidor. Los agentes gestionados manejan flujos de trabajo de múltiples pasos de forma autónoma, consultan periódicamente para aprobación en decisiones críticas y mantienen conexiones persistentes tipo "heartbeat" que soportan procesos de fondo de larga duración.\n\nHubo especulaciones sobre un nuevo lanzamiento de modelo con nombre en clave "Glacier" —posiblemente GPT-5.5— coincidiendo con el lanzamiento de la app. OpenAI terminó llamándolo ChatGPT 5.5, posicionándolo como un modelo mejorado de gestión de memoria y continuidad de tareas en lugar de una actualización bruta de inteligencia. Disponible inmediatamente para suscriptores Plus y Pro, con un despliegue limitado de nivel gratuito a continuación.\n\n### Por qué esto importa más que otro salto de modelo\n\nMi opinión: OpenAI está apostando a que la próxima ventaja competitiva no es la inteligencia del modelo —es la cohesión de plataforma. Cuando todo vive en una app, el contexto no se pierde entre herramientas. Tu conversación de chat informa a tu agente de programación que informa a tu investigación en el navegador que retroalimenta tu chat. Ese efecto volante es poderoso, y es algo que no puedes replicar pegando herramientas separadas con cinta adhesiva.\n\nLos paralelismos con lo que Anthropic está construyendo con Conway y lo que Runnable está haciendo con su plataforma de agentes son llamativos. Toda la industria converge en la misma idea: el futuro de la IA no es un chatbot con el que hablas. Es un sistema de agentes que trabaja a tu lado.\n\n## Google Mixboard: Cuando tu lienzo te escucha\n\nLa contribución de Google esta semana es más pequeña en alcance pero fascinante en dirección.\n\nMixboard comenzó como un lienzo de imágenes potenciado por IA —arrastrar, soltar, remezclar y generar visuales en un tablero colaborativo. Piensa en Miro meets Midjourney. Pero Google lo está evolucionando hacia algo más ambicioso: un espacio de trabajo colaborativo híbrido completo con control por voz.\n\nLas nuevas funciones experimentales incluyen stickers, notas de voz, formas geométricas y marcadores que se superponen sobre imágenes generadas por IA. Pero la jugada real es el modo de voz —la capacidad de manipular todo el tablero mediante el habla. Genera una imagen. Muévela a la izquierda. Cambia el fondo. Añade una capa de texto. Todo hablando.\n\nGoogle construyó esto sobre la misma infraestructura que su herramienta de interacción por voz Stitch, y si funciona como se demostró, cierra una brecha que me ha estado molestando en cada herramienta creativa de IA que he probado: el cuello de botella de entrada. Incluso el mejor lienzo de IA está limitado por la velocidad a la que puedes escribir prompts y hacer clic en botones. La voz elimina esa fricción por completo.\n\nLa función de exportación a PDF es la ganadora silenciosa. Imagina ejecutar una sesión de brainstorming en Mixboard —colaboradores lanzando ideas, generando imágenes, ordenando conceptos— y luego exportar todo el tablero como un documento estructurado con un clic. Eso cierra la brecha entre "sesión de ideación" y "entregable" de una manera que ninguna otra herramienta que he usado logra limpiamente.\n\nGoogle no ha confirmado detalles de integración ni una fecha firme de lanzamiento. Dado el periodo de Google I/O (19 y 20 de mayo), espero un anuncio oficial allí, probablemente vinculado a Gemini o Google Workspace. Por ahora, está disponible como experimento en Google Labs.\n\n## Runnable Run Claw: El compañero de equipo de IA en tu chat\n\nEl último anuncio es el que te sorprende por la espalda.\n\nRunnable lanzó Run Claw —un agente de IA basado en la nube que vive dentro de Slack, Telegram y Discord. Le envías mensajes como a un compañero de trabajo. Hace preguntas de aclaración. Planifica el trabajo. Lo ejecuta de forma autónoma. Reporta cuando ha terminado.\n\nHe estado cubriendo agentes de IA en plataformas de chat durante meses, y lo que diferencia a Run Claw no es el concepto —es la madurez de ejecución. Esto no es un chatbot con integraciones de API atornilladas. Es un agente completamente autónomo con:\n\n- Subida de archivos para proporcionar contexto (sube un mockup de diseño, obtén un sitio web)\n- Modo chat para investigación y brainstorming\n- Modo plan para builds complejos de múltiples pasos\n- Selección de modelo para elegir la IA adecuada para cada tarea\n- Memoria para aprender tus preferencias con el tiempo\n- Connectors para Google, Slack, Notion, GitHub, Shopify y más\n\nLa salida multimodal es lo que lo diferencia de herramientas similares. Run Claw no solo escribe texto. Construye sitios web en vivo con bases de datos, procesamiento de pagos (integración con Stripe), optimización SEO, analytics, control de versiones e incluso agentes de voz potenciados por IA. Desde un mensaje de Slack.\n\nRunnable recientemente cruzó los 2 millones de dólares en ingresos anuales recurrentes y envía actualizaciones de producto diariamente. Esas son las métricas que me dicen que esto no es un proyecto de fin de semana —es una empresa construyendo infraestructura real con tracción real.\n\n### El patrón más amplio: agentes de IA como compañeros de trabajo\n\nRun Claw, la super app de OpenAI, el sistema Conway de Anthropic —todos convergen en la misma visión. La IA no es una herramienta que abres cuando necesitas ayuda. Es una presencia persistente en tu flujo de trabajo que maneja tareas como lo haría un colega capaz. Tú delegas. Ella ejecuta. Tú revisas. Ella itera.\n\nEstamos viendo la transición de "IA como motor de búsqueda" a "IA como compañero de equipo" suceder en tiempo real. Y las empresas que resuelvan la UX de delegación —no prompting, sino delegación genuina de tareas— dominarán la próxima fase.\n\n## Lo que esta semana realmente nos dice\n\nCinco anuncios. Cinco estrategias diferentes. Aquí está el patrón que veo debajo de todos ellos:\n\nEl open source acelera más rápido que lo propietario. MiniMax M2.7 igualando modelos frontier en tareas reales de ingeniería —y liberando los weights como open-source— presiona a cada empresa que cobra tarifas premium de API. Cuando un modelo autoalojado puede hacer el 80 % de lo que hace GPT-5.4 por una fracción del coste, la economía del desarrollo de IA cambia permanentemente.\n\nNativamente multimodal es la nueva línea base. Meta construyendo Muse Spark desde cero para visión y texto —en lugar de atornillar visión a un modelo de texto— señala hacia dónde se dirige la arquitectura. Esperen que cada gran lanzamiento de modelo en adelante sea nativamente multimodal. El enfoque de "añadir visión después" está muerto.\n\nLas plataformas ganan a los modelos. OpenAI fusionando todo en una app, Runnable integrando agentes en Slack, Google añadiendo voz a su lienzo —estas son jugadas de plataforma, no de modelo. La inteligencia bruta del modelo subyacente importa menos cuando la capa de integración es fluida.\n\nLa automejora ya no es teórica. El modelo de MiniMax ejecutando 100 ciclos autónomos de optimización no es una demo de investigación. Es infraestructura de producción. Cuando los modelos pueden mejorarse a sí mismos de manera significativa, el ritmo del desarrollo de IA deja de estar limitado por el ancho de banda de ingeniería humana.\n\nSalud y ciencia son las nuevas aplicaciones de frontera. Tanto Muse Spark como M2.7 mostraron un rendimiento sólido en benchmarks médicos y científicos. La fase de "IA para programar" no ha terminado, pero la próxima ola de aplicaciones de miles de millones de dólares probablemente vendrá de IA que pueda razonar sobre biología, química y medicina clínica.\n\nLlevo cubriendo herramientas de IA lo suficiente como para saber que la mayoría de las actualizaciones semanales no importan. La mayoría de los lanzamientos de modelos son incrementales. La mayoría de los lanzamientos de productos son prematuros.\n\nEsta semana no fue así. Cinco empresas diferentes —desde open source hasta big tech— cada una envió algo que cambia el panorama de manera medible. La pregunta no es si el desarrollo de IA se está acelerando. Es si el resto de nosotros podemos seguir el ritmo de las herramientas que se están construyendo a sí mismas.\n\n---\n\nLo que estoy observando a continuación: MiniMax M2.7 ejecutándose en mi pipeline local de agentes (esperen una review práctica), Google I/O para las actualizaciones de Mixboard y Gemini, y si la super app de OpenAI realmente aguanta cuando los flujos de trabajo reales la golpeen a escala. Les informaré.\n\n---\n\nSi estás construyendo con agentes de IA y quieres la opinión sin filtros sobre lo que realmente funciona, comparto mis experimentos, flujos de trabajo y reviews honestas de herramientas aquí en mejba.me. Sin contenido patrocinado. Sin hype. Solo lo que aprendo construyendo.\n\n---\n\n### Social Distribution Package\n\nTwitter/X:\nMiniMax acaba de liberar como open-source un modelo que se mejoró a sí mismo un 30 %.\n\nMeta construyó una IA multimodal desde cero que es la n.º 1 en razonamiento médico.\n\nOpenAI fusionó ChatGPT + Codex + Atlas en una app.\n\nGoogle añadió control por voz a su lienzo de IA.\n\nY una startup de agentes en Slack alcanzó $2M en ARR.\n\nMi análisis de los 5 mayores lanzamientos de IA esta semana 🧵\n\nLinkedIn:\nCinco grandes lanzamientos de IA aterrizaron en una sola semana —y cuentan una historia clara sobre hacia dónde se dirige la industria.\n\nMiniMax M2.7 demuestra que los modelos open-source pueden igualar sistemas frontier mientras se automejoran. Muse Spark de Meta muestra que la arquitectura nativamente multimodal es el futuro. La app unificada de OpenAI demuestra que las plataformas ganan a los modelos individuales. Google Mixboard apunta hacia la colaboración voice-first. Y los $2M en ARR de Runnable prueban que los agentes de IA como compañeros de equipo permanentes ya no es una teoría.\n\nEl patrón: estamos pasando de "IA como herramienta" a "IA como compañero de trabajo". Las empresas que resuelvan la UX de delegación —no solo prompting— ganarán la próxima fase.\n\nAnálisis completo en mejba.me.\n\nNewsletter:\nAsunto: La semana en que la IA empezó a construirse a sí misma\n\nEsta semana, cinco empresas enviaron cinco visiones diferentes del futuro de la IA —todas al mismo tiempo.\n\nEl punto destacado: MiniMax liberó como open-source un modelo que ejecutó 100 ciclos autónomos de mejora sobre sí mismo, aumentando su propio rendimiento un 30 %. Eso no es un paper de investigación. Es un sistema de producción donde la IA está haciendo la mitad del trabajo de entrenarse a sí misma.\n\nAnalizo los cinco anuncios —MiniMax M2.7, Muse Spark de Meta, la super app de OpenAI, Google Mixboard y el agente de chat de Runnable— con la opinión honesta sobre qué importa para los constructores y qué es solo marketing.\n\nLee el análisis completo → [link]\n
Publicidad
