COREPrecio de CORE

Hace cinco años, Giambattista Parascandolo, ahora investigador clave de modelos de razonamiento en OpenAI, presentó una charla en el MIT proponiendo que las redes neuronales podrían lograr un "razonamiento abierto": la capacidad de dedicar más tiempo y cómputo para refinar respuestas, usar el lenguaje como vehículo de razonamiento y modificar internamente sus propios parámetros para aprender. Los profesores del comité lo calificaron de "disparate". Su presentación, sin embargo, esbozaba conceptos que hoy son centrales en modelos como OpenAI o1 y o3: la expansión de cómputo en el tiempo de inferencia, las cadenas de pensamiento (CoT), la planificación con lenguaje y los agentes que ajustan su conocimiento. Tras no obtener el puesto en el MIT, Parascandolo se unió a OpenAI en 2021. Contribuyó al desarrollo de GPT-4 y posteriormente fue parte fundamental del equipo "Strawberry" que creó los modelos de razonamiento o1 y o3, haciendo realidad las ideas que años antes fueron rechazadas.

Hace unos días, Anthropic publicó una guía esencial para que los desarrolladores ahorren costes al usar Claude Code. El gasto mensual promedio oscila entre 150 y 250 dólares, y la factura depende del modelo (Opus, Sonnet, Haiku), el esfuerzo de razonamiento y, sobre todo, de una gestión eficiente de los tokens. La clave del ahorro es aprovechar la caché de prompts, que permite reutilizar cálculos anteriores por solo una décima parte del coste. Para mantenerla activa, hay que evitar cambios durante la sesión: no cambiar de modelo, no ajustar el esfuerzo de razonamiento y no activar/desactivar el modo rápido. La compresión (/compact) debe hacerse al final, cuando la caché aún está caliente. El otro gran factor es controlar la expansión del contexto. Cada archivo leído o salida de comando se añade al historial, encareciendo cada nueva interacción (crecimiento O(n²)). Para evitarlo, Anthropic recomienda: 1. Usar @ para adjuntar archivos directamente, en lugar de hacer que Claude los busque. 2. Añadir flags silenciosos (--reporter=dot) a comandos ruidosos para reducir su salida. 3. Usar subagentes para tareas con mucha salida, aislando ese proceso. 4. Usar /clear al terminar una tarea para no arrastrar contexto irrelevante. 5. Usar /rewind para eliminar turnos de conversación desviados sin perder la caché. En resumen, dominar estos aspectos —elegir el modelo adecuado, gestionar el contexto y preservar la caché— se ha convertido en una habilidad fundamental para los desarrolladores en la era de la IA, permitiendo multiplicar la productividad sin disparar los costes.

En su artículo, el fundador de Uniswap, Hayden Adams, argumenta que los Mercados de Fabricación Automática (AMM) tienen el potencial de convertirse en el motor central de los mercados financieros globales. Comienza trazando un paralelo con el lanzamiento de los fondos indexados hace 50 años, que inicialmente fueron ridiculizados pero terminaron dominando. Del mismo modo, la tokenización no es solo una actualización de infraestructura, sino un cambio fundamental que permite la programabilidad de los mercados. Adams explica que los AMM, como Uniswap, ganaron primero tracción en activos de nicho y pares de stablecoins, donde las estrategias pasivas son efectivas. La arquitectura de blockchain desagrega las funciones tradicionales de creación de mercado, permitiendo que nuevos participantes con menores costos de capital compitan, especialmente aquellos dispuestos a mantener el riesgo subyacente de los activos. Un patrón clave emergente es el de los "pares de correlación", donde los activos con precios que se mueven juntos (como criptomonedas de un mismo ecosistema o acciones con un ETF del índice S&P 500) forman pools de liquidez. Esto reduce el riesgo para los proveedores de liquidez y genera mercados más profundos. La tokenización, al colocar todos los activos en una capa de liquidación compartida, permite que este modelo se extienda a los mercados tradicionales. Los AMM pasivos serían más eficientes en estos pares de correlación, mientras que los mercados "puente" más volátiles (como SPY/USD) seguirían atrayendo a creadores de mercado activos. El artículo menciona ejemplos tempranos como acciones tokenizadas negociadas directamente contra un ETF del S&P en Uniswap, e incluso pares meméticos como un token de Elon Musk con acciones de Tesla. Adams concluye que, al igual que los fondos indexados democratizaron la inversión, los AMM y la liquidez pasiva pueden reducir drásticamente las barreras para crear y participar en los mercados, convirtiéndose eventualmente en el núcleo de la infraestructura financiera.

**【Observación Diaria de RWA en Acciones Estadounidenses de MSX】** El informe de resultados del Q2 de 2026 de Baidu muestra una transformación impulsada por la IA. Los ingresos totales cayeron un 4% interanual a 31.325 millones de RMB, ligeramente por debajo de las expectativas, debido principalmente a la contracción del negocio publicitario tradicional (-19%). Sin embargo, la IA representa un pilar crucial: los ingresos de la unidad de negocios generados por IA alcanzaron los 12.500 millones de RMB, manteniéndose en aproximadamente la mitad de los ingresos del negocio principal por segundo trimestre consecutivo. El segmento de infraestructura de IA en la nube destaca, con ingresos creciendo un 50% interanual hasta 7.300 millones de RMB. Dentro de este, los ingresos por GPU en la nube se dispararon un 283%, acelerando respecto al trimestre anterior. En contraste, las aplicaciones de IA (25.000 millones, +3%) y los servicios de marketing nativo de IA (26.000 millones, sin cambios) muestran una comercialización más lenta. A nivel de rentabilidad, el beneficio operativo ajustado y el EBITDA superaron las expectativas, indicando un control de costes efectivo. No obstante, el beneficio por ADS ajustado fue de 7,22 RMB, un 26% inferior a lo esperado, reflejando la presión sobre los beneficios por las altas inversiones en infraestructura de IA. La compañía mantiene una sólida posición de liquidez con 283.100 millones de RMB en efectivo e inversiones. La clave para el éxito de la transformación de Baidu reside en su capacidad para trasladar el fuerte crecimiento de la infraestructura de IA a una monetización más rápida en el lado de las aplicaciones, cerrando así la brecha entre el crecimiento operativo y la rentabilidad por acción.

El 19 de agosto, el Tesoro de EE.UU. anunció que ampliará su programa de recompra de liquidez para bonos del Tesoro a largo plazo. A partir del 9 de septiembre, el límite máximo por operación para bonos nominales antiguos (fuera de emisión) con vencimientos de 10-20 años y 20-30 años aumentará de 20 mil millones de dólares a al menos 40 mil millones. Esta medida estará vigente hasta el 4 de noviembre. El mercado reaccionó positivamente, interpretándola como un alivio para la presión en el segmento largo de la curva. Los rendimientos de los bonos a 10 y 30 años bajaron significativamente. Esta caída en las tasas de descuento beneficia a activos de riesgo como acciones tecnológicas, bonos largos, oro y criptoactivos, aliviando temporalmente la presión sobre sus valoraciones. Es crucial entender que esta operación no es una flexibilización cuantitativa (QE) del Banco Central. El Tesoro está recomprando bonos antiguos con baja liquidez para mejorar el funcionamiento del mercado, no para reducir la necesidad general de financiamiento del gobierno. Los fondos para estas recompras deben gestionarse dentro de la estructura de deuda existente. El impacto a largo plazo está limitado por factores clave: la escala relativamente modesta de las recompras en el contexto del déficit, la posibilidad de que la presión de la oferta simplemente se desplace a otros vencimientos, y el persistente entorno macroeconómico de inflación y política monetaria restrictiva de la Fed. Por lo tanto, esta medida constituye un amortiguador táctico y una señal de que el Tesoro no permitirá un deterioro grave de la liquidez en el segmento largo. Puede desencadenar un rebote técnico en activos de larga duración, pero su capacidad para revertir la tendencia alcista de los rendimientos a largo plazo dependerá de los detalles de la próxima refinanciación trimestral del 4 de noviembre, especialmente de los volúmenes de recompra reales y los ajustes en la estructura de emisión de deuda nueva.