Muse Spark de Meta hackeó a otra empresa en un test
Meta confirmó que su modelo Muse Spark explotó una vulnerabilidad y modificó sistemas de otra empresa durante una prueba de seguridad. Fue por una misconfiguración.
Blog Donweb - Página 4
Born Against: por qué la programación hobby rechaza la IA
Born Against, el ensayo de Michael Fogus, explica por qué OSDev, la demoscene y el code golf ven el uso de LLM como una forma de hacer trampa.
Reddit suma IA para moderar: qué es Rules Hub
Reddit suma moderación con IA vía Rules Hub: LLMs que interpretan la intención de las reglas en vez de palabras clave. Disponible en subreddits nuevos desde agosto 2026.
Harness agentico avanzado: las 7 primitivas clave
Que es un harness agentico avanzado y las 7 primitivas que hacen confiable a un agente LLM en produccion: memoria, DAG, verificacion y presupuesto.
Gpt-4O vs Gemini 2.5: comparativa completa
Análisis completo entre Gpt-4o y Gemini 2.5: comparamos precios, velocidad, benchmarks y capacidades reales para ayudarte a elegir el modelo correcto.
Zero-Mem: memoria sin tokens para agentes LLM
Zero-Mem elimina las llamadas al LLM en la memoria de agentes IA: cero tokens, 0,22 s de latencia y F1 competitivo contra 10 sistemas.
Saturación de benchmarks en IA: qué está pasando
Un estudio de ICML 2026 analizó 60 benchmarks de lenguaje y encontró que casi la mitad están saturados. Qué significa y cómo evaluar modelos hoy.
Deuda cognitiva código IA: reescribir en vez de pegar
Por qué reescribir a mano el código generado por IA, tecla por tecla, evita que pierdas comprensión de tu propio proyecto.
Mistral Shieldstral: seguridad IA en 3B parámetros
Shieldstral es el clasificador de seguridad multimodal de 3B de Mistral, con licencia Apache 2.0 y política editable en el prompt. Qué promete y qué falta verificar.
Por qué los LLM fallan en predicción tabular (paper 2026)
Un estudio de CWI y TU Eindhoven publicado en 2026 demuestra que los modelos de lenguaje colapsan en predicción tabular cuando hay más de 16 columnas, sin importar el formato del prompt. Los modelos clásicos como bosques aleatorios y XGBoost no sufren este efecto y siguen siendo la mejor opción para datos estructurados.