Artículos Relacionados con Ingeniería

El Centro de Noticias de HTX ofrece los artículos más recientes y un análisis profundo sobre "Ingeniería", cubriendo tendencias del mercado, actualizaciones de proyectos, desarrollos tecnológicos y políticas regulatorias en la industria de cripto.

Claude Code elimina un 80% de indicaciones, y Opus 5... ¡se las vuelve a añadir!

Claude Code anunció haber reducido más del 80% de su indicación (prompt) del sistema para modelos como Opus 5 y Fable 5, eliminando reglas detalladas y redundantes para dar más autonomía al modelo. Sin embargo, un usuario llamado Chen Cheng descubrió al analizar los prompts reales recibidos por los modelos que, mientras Opus 4.8 tenía 4467 caracteres, Opus 5 tenía 7694, un aumento del 72% respecto a la versión anterior. La explicación es que la reducción masiva del 80% ocurrió principalmente entre Opus 4.7 (15225 caracteres) y Opus 4.8. Luego, para Opus 5, Anthropic añadió alrededor de 3755 caracteres de nuevas directrices específicas. Estas adiciones, agrupadas en "Entregar trabajo" y "Correcciones", buscan controlar los comportamientos más proactivos de Opus 5, como su tendencia a informar progresos con frecuencia, generar respuestas largas o utilizar sub-agentes de manera expansiva. En resumen, Claude Code eliminó las reglas rígidas de los modelos antiguos, pero Opus 5 necesitó nuevas pautas para canalizar adecuadamente sus capacidades mejoradas y más autónomas. El cambio refleja una evolución: menos instrucciones paso a paso, pero más directrices sobre el alcance y los límites de las tareas que el modelo puede emprender por sí mismo.

marsbitAyer 11:41

Claude Code elimina un 80% de indicaciones, y Opus 5... ¡se las vuelve a añadir!

marsbitAyer 11:41

Solo 11 días: Claude reescribe millones de líneas de código, un proyecto épico de IA que provoca indignación

El mundo tecnológico se debate tras la controvertida decisión del equipo de Bun, un popular runtime de JavaScript/TypeScript, de reescribir en solo 11 días todo su código base (un millón de líneas) de Zig a Rust utilizando la herramienta Claude Fable 5 de Anthropic, con un coste estimado de 165.000 dólares en APIs. El motivo esgrimido son problemas de estabilidad y bugs de seguridad de memoria en la versión original de Zig, así como el veto de la comunidad Zig al código generado por IA, con la que Bun depende en gran medida. Esta decisión "épica" ha desatado una agria polémica, especialmente por la reacción del creador de Zig, Andrew Kelley, quien en un blog acusó al fundador de Bun, Jarred Sumner, de tener malos hábitos de ingeniería y generar "código basura". Kelley afirmó sentirse aliviado de que Bun abandonara Zig, por miedo a que dañara la reputación del lenguaje. La comunidad se divide entre quienes lo ven como una defensa necesaria de la calidad del código y quienes lo consideran una falta de profesionalidad. Las principales dudas giran ahora en torno al resultado: si bien el proceso fue rápido y relativamente barato, la nueva base de código en Rust, generada mayormente por IA mediante traducción directa, contiene 27.000 líneas de código "unsafe". Muchos expertos temen que esto pueda crear una enorme deuda técnica, haciendo el código difícil de mantener y entender para los desarrolladores humanos en el futuro, anulando así los ahorros iniciales. El proyecto se presenta como un hito ambivalente en la era de la IA, cuyo verdadero impacto solo el tiempo dirá.

marsbit07/11 08:16

Solo 11 días: Claude reescribe millones de líneas de código, un proyecto épico de IA que provoca indignación

marsbit07/11 08:16

Lao Huang: El Prompt ha muerto, todo el círculo de IA corre frenéticamente tras el Loop

"Prompt ha muerto, todo el mundo de la IA está obsesionado con Loop", afirman figuras como Jensen Huang. La ingeniería de bucles (Loop Engineering), un concepto popularizado en junio de 2026, representa un cambio fundamental: en lugar de escribir instrucciones manuales (prompts), los ingenieros ahora diseñan sistemas autónomos donde los agentes de IA descubren, ejecutan, validan y persisten tareas en ciclos continuos. Este enfoque, descrito en un "libro blanco" ampliamente compartido, consta de cinco acciones clave: descubrimiento, delegación, verificación (crítica, con un agente evaluador independiente), persistencia y programación. Aunque promete mayor eficiencia y escalabilidad, conlleva riesgos como deuda de verificación, corrupción de la comprensión del código y costos descontrolados de tokens. Líderes de Anthropic, OpenAI y otros revelan que más del 80% de sus ingenieros ya utilizan bucles de auto-mejora. El debate subraya que, si bien la generación de código se vuelve casi gratuita, el criterio humano para diseñar y supervisar estos bucles se convierte en el recurso más valioso y escaso. La era del prompt manual cede el paso a la del arquitecto de sistemas autónomos.

marsbit06/29 08:42

Lao Huang: El Prompt ha muerto, todo el círculo de IA corre frenéticamente tras el Loop

marsbit06/29 08:42

Huang Renxun: El Prompt está quedando obsoleto, Loop es el nuevo paradigma

En el mundo de la IA, se está produciendo un cambio de paradigma: el "prompt" (instrucción directa) pierde relevancia frente al "loop" (bucle o ciclo). Según expertos como Jensen Huang (fundador de NVIDIA), Peter, Boris Cherny (creador de Claude Code) y Andrew Ng, la nueva tarea clave no es escribir prompts detallados, sino diseñar y gestionar loops. ¿Qué es un loop? Es un sistema automatizado donde la IA recibe un objetivo general, ejecuta tareas, las verifica automáticamente y, si no cumple los criterios, reintenta de forma independiente hasta completarlo o alcanzar un límite. Esto libera al humano de supervisar cada paso, transformándolo de "instructor" a "diseñador de reglas". Un loop no es lo mismo que un agente de IA: el agente ejecuta, mientras que el loop es el mecanismo que orquesta y automatiza su trabajo continuo sin intervención constante. Productos como Claude Code y OpenAI Codex ya implementan esta idea. Claude Code ofrece funciones como `/goal` (ejecución orientada a objetivos) y `/schedule` (tareas programadas), utilizando modelos separados para generar código (modelo principal) y para validarlo (modelo más pequeño como Haiku), asegurando una verificación objetiva. Codex emplea una "línea de ensamblaje automatizada" con múltiples subagentes que trabajan en paralelo. Boris Cherny describe cómo dirige cientos de pequeños agentes en loops automatizados que manejan desde issues de GitHub hasta fallos en CI, interviniendo solo en casos excepcionales. Para implementar loops efectivos, se recomienda: 1) Evaluar si la tarea es repetitiva, verificable automáticamente, con presupuesto de tokens viable y con herramientas adecuadas. 2) Comenzar con un loop mínimo viable (disparador, habilidad/Skill, archivo de estado STATE.md y compuerta/Gate de verificación). 3) Separar siempre la generación de código de su validación, usando agentes o modelos independientes para evitar sesgos. 4) Evitar errores comunes: establecer condiciones de parada claras (límites de tokens, iteraciones), persistir el estado en archivos, asignar solo tareas con criterios objetivos verificables por máquina (como corrección de Lint) y revisar los cambios (diffs) para mantener la comprensión del código. 5) Medir el éxito por el "costo promedio por modificación aceptada"; una tasa de aceptación inferior al 50% indica ineficiencia. Este enfoque representa la evolución natural en la ingeniería de IA: desde el "Prompt Engineering" (2023-2024, enfocado en redactar instrucciones), pasando por el "Context Engineering" (2024-2025, organizar la información de fondo), luego el "Harness Engineering" (2025-2026, crear entornos de ejecución con herramientas), hasta el actual "Loop Engineering". El nivel de control humano asciende desde frases específicas hacia el diseño de sistemas autónomos. Conceptos académicos como el marco ReAct (Reason+Act, 2022) de Shunyu Yao, que integra razonamiento y acción en un ciclo, sentaron las bases teóricas. A pesar del entusiasmo, expertos como Addy Osmani (Google) advierten sobre la etapa temprana de esta tecnología y los costos de tokens. Andrej Karpathy subraya una reflexión crucial: aunque la IA puede externalizar la ejecución, la comprensión profunda del problema sigue siendo responsabilidad humana. El loop marca un paso hacia una automatización más autónoma, pero su adopción requiere cuidado y criterio.

marsbit06/25 14:32

Huang Renxun: El Prompt está quedando obsoleto, Loop es el nuevo paradigma

marsbit06/25 14:32

El nuevo campeón de la IA en Japón: ¿Cómo se compara un pequeño modelo de 7B con Fable y Mythos?

En junio de 2026, Sakana AI de Japón sacudió la comunidad con Fugu, un pequeño modelo de solo 7B de parámetros que actúa como "capataz" orquestando modelos globales líderes como GPT-5 y Claude Opus. En los exigentes benchmarks SWE-Bench Pro (73.7) y TerminalBench 2.1 (82.1), Fugu Ultra superó a modelos como GPT-5.5 y Claude Opus 4.8. Sakana afirma que rivaliza incluso con los restringidos Fable 5 y Mythos Preview, aunque esta comparación se basa en informes públicos y no en pruebas directas. Su arquitectura se centra en un núcleo de 7B, el RL Conductor, que no genera respuestas directas, sino que descompone tareas, las asigna a modelos especialistas y sintetiza los resultados. Esto mejora la estabilidad en sesiones largas, la revisión profunda de código y reduce el consumo de tokens. Las pruebas beta destacaron su eficacia en flujos de trabajo complejos. Sin embargo, esta estrategia presenta vulnerabilidades: depende de APIs de modelos estadounidenses (riesgo de costes e inestabilidad), puede tener mayor latencia y las comparaciones con modelos no accesibles son polémicas. Para Japón, con limitaciones en cómputo y datos, Fugu representa una vía de "salida asimétrica", priorizando la orquestación inteligente sobre el tamaño bruto del modelo. Demuestra que la competencia en IA se desplaza hacia la integración de sistemas, aunque la dependencia de tecnologías subyacentes sigue siendo un límite.

marsbit06/22 11:22

El nuevo campeón de la IA en Japón: ¿Cómo se compara un pequeño modelo de 7B con Fable y Mythos?

marsbit06/22 11:22

Más allá del modelo, todo es "Harness": Deepseek entra en escena, ¿por qué cambia el campo de batalla principal de la competencia de IA en China?

A mediados de mayo de 2026, Deepseek formó internamente un nuevo equipo "Harness" para desarrollar un agente de código inteligente, similar a Claude Code de Anthropic. Esto marca un cambio en el enfoque competitivo de la IA en China, que pasa de crear modelos de lenguaje masivos a construir herramientas prácticas para productividad y automatización en el entorno laboral. Deepseek busca controlar el diseño de interfaces y el ciclo de datos de entrenamiento de estos agentes, ya que estos sistemas no solo ejecutan tareas, sino que también generan datos valiosos para mejorar los propios modelos. El "Harness" actúa como el sistema de ejecución y gestión que permite al modelo de IA interactuar de manera segura y efectiva con el mundo exterior, manejando tareas, herramientas y recuperándose de errores. Optimizar este entorno es crucial para la fiabilidad de los agentes en tareas complejas. Otras empresas tecnológicas chinas también están definiendo sus estrategias en herramientas de IA. Tencent, por ejemplo, apuesta por un asistente de trabajo que se integra en su ecosistema empresarial para automatizar flujos de trabajo organizativos. Alibaba, en cambio, ofrece una solución más ligera que permite automatizar tareas directamente en el navegador web. El éxito de empresas como Viktor, que ofrece "empleados de IA" autónomos para Slack, demuestra la creciente disposición de las empresas a pagar por soluciones que ejecuten tareas complejas de principio a fin, sin necesidad de supervisión constante. Este nuevo enfoque hacia las herramientas plantea retos de ingeniería, como gestionar el consumo de "tokens" en tareas largas o garantizar la seguridad y estabilidad. Además, las restricciones de acceso a herramientas occidentales como Claude Code crean una oportunidad de mercado para soluciones locales como la que desarrolla Deepseek.

marsbit06/22 06:10

Más allá del modelo, todo es "Harness": Deepseek entra en escena, ¿por qué cambia el campo de batalla principal de la competencia de IA en China?

marsbit06/22 06:10

¿Qué tipo de personas busca realmente Anthropic? 1.680 CVs nos dan la respuesta

Anthropic no busca principalmente investigadores, sino ingenieros senior con experiencia en construir sistemas a gran escala. Un análisis de 1,680 currículums revela que su equipo de ingeniería se ha formado rápidamente en los últimos 18 meses, con más de la mitad de los empleados con menos de un año en la empresa. El ingeniero típico tiene una mediana de 12.2 años de experiencia previa, procedente de empresas como Google, Meta, Amazon o Stripe, y su perfil se centra en infraestructura, sistemas distribuidos y backend. Solo el 13.7% tiene un doctorado. Para perfiles junior, la vía de entrada son prácticas en empresas de élite, competiciones o proyectos de alineación y seguridad de IA. La conclusión clave: para unirse a Anthropic, hay que destacar experiencia práctica en la construcción de sistemas escalables, no solo investigación teórica.

marsbit06/15 03:31

¿Qué tipo de personas busca realmente Anthropic? 1.680 CVs nos dan la respuesta

marsbit06/15 03:31

¿Escribir Prompts está desactualizado? La programación con IA está virando hacia la Ingeniería de Bucles

El "Loop Engineering" (ingeniería de bucles) está emergiendo como un nuevo paradigma en la programación con IA, desplazando el enfoque tradicional de escribir prompts manuales. Consiste en diseñar sistemas automatizados que gestionen agentes de IA para que descubran tareas, las asignen, verifiquen resultados y decidan los siguientes pasos de forma autónoma y recurrente. Un bucle efectivo se compone de cinco módulos clave: Automatizaciones (para desencadenar tareas), Árboles de trabajo (para aislar entornos), Habilidades (que encapsulan el conocimiento del proyecto), Conectores/Plugins (para integrar herramientas externas como GitHub o Slack) y Subagentes (que separan las funciones de creación y verificación). Una capa de memoria externa (como archivos Markdown) es crucial para mantener el estado entre ejecuciones. La importancia no radica solo en la automatización, sino en incorporar el criterio del ingeniero en el diseño del sistema. Esto amplifica la productividad, pero no elimina la necesidad de verificación, comprensión y juicio humano. El riesgo principal es usar estos bucles como excusa para no entender el código, lo que genera "deuda de comprensión". La habilidad clave del futuro podría ser diseñar flujos de trabajo de agentes confiables y verificables, más que redactar prompts perfectos. En esencia, el Loop Engineering traslada el punto de apalancamiento del ingeniero desde la interacción directa con la IA hacia el diseño de sistemas que la orquestan de manera sostenible.

marsbit06/10 18:01

¿Escribir Prompts está desactualizado? La programación con IA está virando hacia la Ingeniería de Bucles

marsbit06/10 18:01

La reducción del 99% en el precio del Xiaomi MiMo no es una estrategia de marketing. Luo Fuli publica en X respondiendo a los pesimistas.

**Resumen: El descenso del 99% de Xiaomi MiMo: Una victoria de la ingeniería, no del marketing** El anuncio de Xiaomi de reducir hasta un 99% el precio de las API de su modelo MiMo-V2.5 generó escepticismo, interpretado como una guerra de precios o una maniobra desesperada. Luo Fuli, responsable de MiMo, respondió con un blog técnico detallado, demostrando que la rebaja es el resultado de seis optimizaciones de ingeniería sistemáticas, no una táctica de marketing. La clave es el descuento del 99% aplicado específicamente a la entrada de tipo "Cache Hit" (contexto histórico re-leído). Para lograrlo, el equipo implementó: 1. **Arquitectura Híbrida SWA:** 60 de las 70 capas del modelo solo atienden a los 128 tokens más recientes, reduciendo el volumen de la "memoria" del modelo (KVCache) a 1/7. 2. **Gestión de Memoria en Dos Piscinas:** Asigna memoria por separado para las capas con atención completa y las de ventana deslizante (SWA), liberando realmente la capacidad ahorrada y quintuplicando los usuarios concurrentes por GPU. 3. **Cache de Prefijos Mejorado:** Un nuevo sistema garantiza que solo se reutilicen fragmentos de contexto completos y válidos, logrando una tasa de acierto en caché del 93-95% para peticiones de usuarios frecuentes. 4. **Almacenamiento en SSD Integrado (GCache):** La caché distribuida se aloja en los discos SSD de las propias máquinas con GPU, eliminando costes adicionales de almacenamiento. 5. **Sistema de Enrutamiento Inteligente (LLM-Router):** Dirige peticiones similares a la misma máquina y prioriza las que aciertan en caché, mejorando el rendimiento y la latencia. 6. **Predicción Multi-Token (MTP):** Acelera la generación de respuestas del modelo prediciendo varios tokens a la vez, reduciendo también el coste de la parte de "salida". En conjunto, estas innovaciones redujeron el tiempo de GPU por petición en más de un orden de magnitud, haciendo posible el descuento del 99% manteniendo márgenes positivos. Luo Fuli subraya que este es un logro de ingeniería sistémica, un modelo de reducción de costes verificable que trasciende la mera competencia por precios.

marsbit05/31 10:41

La reducción del 99% en el precio del Xiaomi MiMo no es una estrategia de marketing. Luo Fuli publica en X respondiendo a los pesimistas.

marsbit05/31 10:41

En la era de la Auto Investigación, 47 tareas sin respuestas estándar se convierten en la lista obligatoria de evaluación de capacidades de los Agent

Si se coloca a una IA en un entorno de ingeniería sin respuestas estándar, ¿podría sobrevivir? El nuevo benchmark Frontier-Eng Bench, lanzado por Einsia AI, desafía a los agentes de IA con 47 tareas multidisciplinarias y complejas, como la estabilidad de robots submarinos y la optimización de baterías, que no tienen una solución única, sino que requieren una mejora continua y adaptativa. A diferencia de los modelos anteriores que simplemente "buscaban en la memoria", este enfoque pone a la IA en un ciclo cerrado de ingeniería: proponer soluciones, ejecutar simulaciones, recibir retroalimentación, ajustar parámetros y repetir. El objetivo ya no es dar una respuesta correcta, sino medir la capacidad de la IA para mejorar de manera iterativa en entornos con múltiples restricciones, como equilibrar el rendimiento, la seguridad y la eficiencia. Los resultados muestran que, aunque modelos como GPT-5.4 demuestran un rendimiento sólido, aún queda un largo camino para dominar estas tareas. El estudio revela dos hallazgos clave: las mejoras siguen una ley de potencia, volviéndose más difíciles y pequeñas con cada iteración, y la profundidad de la optimización es más crucial que la exploración superficial en paralelo. Este avance sugiere el amanecer de una nueva era de "Auto Research", donde la IA podría actuar como un ingeniero autónomo, trabajando las 24 horas para refinar diseños y procesos basándose en la retroalimentación continua, mientras los humanos establecen los objetivos generales.

marsbit05/13 07:36

En la era de la Auto Investigación, 47 tareas sin respuestas estándar se convierten en la lista obligatoria de evaluación de capacidades de los Agent

marsbit05/13 07:36

活动图片

Categorías popularesright-arrow

Etiquetas Popularesright-arrow

Tendencias Tecnológicasright-arrow