La tormenta de nuevos modelos de inteligencia artificial no parece dispuesta a darnos tregua. Después de una semana marcada por la llegada de Claude Fable y de la nueva familia Sol-Tierra-Luna de OpenAI, ahora debía ser el turno de Google. Pero Gemini 3.5 Pro no ha llegado. Quien sí ha cumplido los plazos es la china Moonshot AI con Kimi K3, un modelo extraordinariamente sólido que confirma una realidad cada vez más difícil de ignorar: los mejores modelos chinos ya compiten de tú a tú con los estadounidenses, al menos en los benchmarks. Kimi K3 tiene 2,8 billones de parámetros y ocupa la tercera posición entre las familias de modelos en el índice de Artificial Analysis, solo por detrás de Claude Fable 5 y GPT-5.6 Sol. La distancia es mínima: obtiene 57 puntos, frente a los 59 de Sol y los 60 de Fable. En programación, incluso supera a ambos en algunas pruebas: ha encabezado el Frontend Code Arena con 1.679 puntos, por delante de los 1.631 de Fable y los 1.618 de Sol. La frontera entre la IA estadounidense y la china ya no es una frontera tecnológica clara: empieza a ser, sobre todo, una frontera geopolítica.

La gran sorpresa de la semana, sin embargo, ha sido Thinking Machines Lab, la empresa fundada por Mira Murati, antigua directora tecnológica de OpenAI. Después de meses de expectativas y una valoración astronómica, la compañía finalmente ha presentado su primer modelo: Inkling. Inkling no lidera los rankings. Se sitúa alrededor de la posición 41 del índice de Artificial Analysis, pero es el modelo de pesos abiertos más potente creado hasta ahora por un laboratorio estadounidense. Y eso es probablemente más importante que su posición exacta. Con 975.000 millones de parámetros y capacidad para procesar texto, imágenes, audio y vídeo, Inkling representa el regreso de Estados Unidos a una competición —la de los modelos abiertos— que durante los últimos meses había quedado prácticamente en manos chinas.

Hasta ahora, si una empresa quería descargar un gran modelo, modificarlo y adaptarlo a sus necesidades, las alternativas más avanzadas solían venir de laboratorios como DeepSeek, Alibaba o Zhipu AI. Inkling no derrota todavía a los mejores modelos chinos, pero rompe esta hegemonía. Thinking Machines no quiere ganar solo con un chatbot más inteligente, sino con modelos que las empresas puedan personalizar y convertir en propios. Europa también ha dado señales de vida. Soofi S es un modelo alemán de 30.000 millones de parámetros, de los cuales solo activa 3.000 millones por cada token. Ha sido entrenado íntegramente en infraestructura alemana y está especialmente optimizado para trabajar en alemán e inglés. Según su informe técnico, supera a otros modelos europeos mucho más grandes y obtiene resultados especialmente buenos en programación. Es pequeño, eficiente, abierto y europeo. Por lo tanto, empiezan a desaparecer las excusas para no utilizar modelos europeos en aplicaciones que no necesitan una inteligencia de frontera. No todo requiere un monstruo de un billón de parámetros conectado a un centro de datos estadounidense.

¿Y mientras tanto, Google?

Gemini 3.5 Pro tenía que llegar esta semana. Los resultados preliminares apuntaban a que podía superar a Fable y Sol, pero el lanzamiento se ha vuelto a retrasar. Las informaciones disponibles señalan problemas de fiabilidad, alucinaciones y, especialmente, un rendimiento en programación inferior al que Google esperaba. Alphabet cayó más de un 4% en bolsa el día que se conoció el nuevo retraso, aunque el descenso también se produjo en medio de una jornada negativa para el conjunto del Nasdaq. Es una mala noticia para Google, y no solo por perder unas semanas. La empresa sigue teniendo una investigación de primerísimo nivel y probablemente una de las concentraciones de talento en inteligencia artificial más grandes del planeta. Pero una cosa es inventar la tecnología y otra convertirla rápidamente en productos que funcionen. Google sigue demostrando que sabe hacer la primera. El shipping —lanzar a tiempo— se le resiste mucho más.

La carrera, además, ya no consiste únicamente en construir modelos más grandes. En la investigación empiezan a aparecer formas de aprendizaje continuo que van más allá de añadir información al contexto o conectar el modelo a una memoria externa. El objetivo es que las experiencias adquiridas acaben modificando los pesos del modelo y se conviertan en aprendizaje permanente. Una de las líneas más sugerentes se inspira en el sueño humano. Durante una fase de dreaming, el modelo revisa las experiencias recientes, genera datos sintéticos, los recombina y consolida el aprendizaje. En otras palabras: los modelos empiezan a "soñar" para aprender. Todavía estamos lejos de una IA que evolucione autónomamente sin olvidar lo que ya sabe, pero los primeros pasos ya están aquí. La noticia de la semana no es, pues, un único modelo. Es que la carrera se está abriendo en todas direcciones a la vez: China ya compite a la cabeza, Estados Unidos vuelve a los modelos abiertos, Europa empieza a construir alternativas propias y la investigación prepara sistemas capaces de aprender continuamente. En esta carrera, llegar tarde ya no significa perder una presentación. Significa ceder terreno en una industria que se reinventa cada semana.

China acelera 

China ya no solo persigue a los laboratorios estadounidenses: empieza a disputarles la frontera. Moonshot AI ha presentado Kimi K3, un modelo multimodal de 2,8 billones de parámetros que se convertirá, cuando sus pesos se publiquen el 27 de julio, en el modelo abierto más grande del mundo. Utiliza una arquitectura mixture of experts: solo activa unos 50.000 millones de parámetros en cada operación, lo que permite combinar una escala extraordinaria con costes más controlados. También puede procesar texto e imágenes y ofrece una ventana de contexto de un millón de tokens. The Next Web K3 está especialmente pensado para agentes capaces de ejecutar proyectos largos de programación: puede analizar grandes repositorios, coordinar herramientas, modificar el código y comprobar visualmente el resultado. Moonshot afirma que su nueva arquitectura acelera hasta 6,3 veces el procesamiento de contextos muy largos.

En las pruebas publicadas, todavía queda globalmente por detrás de GPT-5.6 Sol y Claude Fable 5, pero supera los modelos abiertos y, en el ranking ciego de Arena.ai para el desarrollo web, se ha situado incluso por delante de los dos líderes estadounidenses. Habrá que esperar, sin embargo, las evaluaciones independientes después de la liberación de los pesos. Silicon Angle. Su otra arma es el precio: la API cuesta 3 dólares por millón de tokens de entrada —30 céntimos si están en caché— y 15 dólares por millón de salida. Kimi K3 no demuestra todavía que China haya superado definitivamente a OpenAI o Anthropic, pero sí que la distancia se ha reducido de meses a semanas. Y plantea una amenaza más profunda: si modelos abiertos casi tan potentes llegan a una fracción del precio, los márgenes de los modelos propietarios estadounidenses pueden empezar a derrumbarse.

 

Inkling, el nuevo modelo de Thinking Machines

Mira Murati ya tiene respuesta para OpenAI y Anthropic: no es otro chatbot, sino una IA que cada empresa pueda convertir en suya. Thinking Machines Lab ha presentado Inkling, su primer modelo multimodal con los pesos abiertos. Tiene 975.000 millones de parámetros —41.000 millones de activos—, ha sido entrenado con 45 billones de tokens de texto, imágenes, audio y vídeo, y puede trabajar con contextos de hasta un millón de tokens. La empresa admite que no es el modelo más potente del mercado. Pero quizás esta no es la carrera que quiere ganar. Inkling está pensado como una base que las empresas pueden reentrenar con sus datos y adaptar a sus procesos mediante Tinker, la plataforma de personalización de Thinking Machines. También llegará Inkling-Small, una versión más rápida y barata que, sorprendentemente, iguala el modelo grande en muchas pruebas. La estrategia parece clara: publicar el mejor modelo americano con pesos abiertos, conseguir una adopción empresarial amplia y, después, cobrar contratos de decenas o cientos de millones para crear, desplegar y operar modelos privados dentro de las grandes corporaciones.

Aquí podría estar el verdadero negocio. A medida que los modelos generalistas se conviertan en una commodity y la competencia de DeepSeek, Meta, xAI o los laboratorios chinos comprima los márgenes de las API, el valor se desplazará hacia la personalización: datos propietarios, postentrenamiento, evaluación, despliegue e infraestructura. Thinking Machines podría convertirse en una especie de Palantir de la IA, aportando tanto la tecnología como los ingenieros que adaptan los modelos a cada organización. La hipótesis de Murati es que las empresas no querrán un único modelo universal, sino muchos modelos especializados para diferentes departamentos, procesos y bases de datos. Esto generaría ingresos recurrentes y una dependencia mucho más profunda que una simple suscripción a una API. Si, además, el "autoresearch" automatiza progresivamente el desarrollo de estos modelos, Tinker podría convertirse en la interfaz desde la cual cada empresa construya su propia inteligencia artificial. La gran batalla quizás no será por tener el mejor modelo, sino para que cada empresa tenga el suyo.

Un modelo Europeo competitivo: Soofi S

Europa también quiere tener una IA propia que no dependa de los laboratorios norteamericanos ni chinos. Un consorcio alemán de universidades y centros de investigación ha presentado Soofi S, un modelo fundacional abierto y soberano, entrenado íntegramente en la infraestructura de Deutsche Telekom en Múnich. Tiene 30.000 millones de parámetros, pero solo activa 3.000 millones en cada operación gracias a una arquitectura híbrida Mixture-of-Experts y Mamba. Ha sido entrenado con 27 billones de tokens, con una presencia reforzada del alemán, y admite contextos de hasta un millón de tokens.

Según las evaluaciones de sus creadores, Soofi S es el modelo completamente abierto con mejores resultados agregados, tanto en alemán como en inglés, por delante de Olmo 3 32B y Apertus 70B. También destaca por mantener una velocidad elevada cuando el contexto crece. Pero el proyecto es especialmente relevante por su transparencia: publica las fuentes de los datos, los hiperparámetros, el código de entrenamiento y evaluación y los diferentes checkpoints bajo licencias permisivas. No es todavía un rival directo de los grandes modelos de frontera, pero sí una demostración de que Europa puede construir IA competitiva, eficiente y auditable sobre infraestructura propia. Y ya se está entrenando una versión más grande, Soofi L.

El nuevo dispositivo de OpenAI

OpenAI no quiere fabricar otro teléfono, sino el dispositivo que algún día podría sustituirlo. Su primer producto será un altavoz inteligente sin pantalla, con batería y fácil de mover por casa, concebido como un nuevo tipo de ordenador doméstico. Podría costar entre 200 y 300 dólares y llegar a comienzos de 2027. Controlará los aparatos del hogar, responderá mensajes y ofrecerá las capacidades de ChatGPT sin necesidad de abrir ninguna aplicación. El aparato incorporará cámaras, reconocimiento facial y sensores para identificar a las personas e interpretar el entorno. La voz funcionará con GPT-Live, capaz de escuchar y hablar a la vez, y utilizará información personal, como los correos electrónicos, para aprender los hábitos del propietario. No se limitará a obedecer órdenes: anticipará necesidades y tomará la iniciativa, por ejemplo, sugiriendo ir a dormir antes de una mañana importante. Incluso tendrá elementos móviles para transmitir la sensación de que está vivo.

El proyecto está liderado por Jony Ive, diseñador del iPhone, después de que OpenAI adquiriera su empresa por 6.500 millones de dólares y contratara a más de 400 exempleados de Apple. Precisamente, Apple intenta bloquear su lanzamiento con una demanda por supuesto robo de secretos industriales. La apuesta va mucho más allá de un altavoz inteligente: OpenAI quiere convertir ChatGPT en una presencia física que viva con nosotros, nos conozca y actúe sin que lo tengamos que invocar. Esta es también la contrapartida: su utilidad dependerá de dejar entrar una IA siempre atenta a los espacios más privados de casa. El primer producto será un altavoz; la ambición es convertirlo en el tercer dispositivo esencial y, algún día, hacer innecesario el móvil.

Apple usará Alibaba en China

Apple Intelligence finalmente ha recibido la autorización para operar en China, pero lo hará con un cerebro diferente. Alibaba Qwen será el modelo principal, con la participación de Baidu, y alimentará las funciones de IA de iOS, iPadOS, macOS y visionOS. El acuerdo pone fin a casi dos años de retraso, durante los cuales Apple también había estudiado alianzas con DeepSeek y ByteDance. Todavía no hay, sin embargo, una fecha definitiva de lanzamiento. China exige que cualquier servicio de IA generativa supere un proceso de registro y revisión de contenidos. Esto obliga a Apple a sustituir dentro del país los modelos que utiliza en el resto del mundo por alternativas locales aprobadas por Pekín. El caso muestra una fragmentación creciente de internet: el móvil puede ser el mismo, pero la IA que lo habita dependerá del país donde vivas. La batalla por los asistentes digitales ya no la deciden solo las empresas tecnológicas; cada vez más, también la deciden los gobiernos.

Nvidia lanza un nuevo modelo para robots 

Nvidia quiere que la inteligencia artificial salga de los centros de datos y empiece a moverse por el mundo físico. La compañía ha presentado Cosmos 3 Edge, un modelo abierto de solo 4.000 millones de parámetros diseñado para robots y máquinas autónomas. Su tamaño reducido permite ejecutarlo directamente en los ordenadores de los clientes, con menos latencia, coste y dependencia de la nube. Además, puede funcionar tanto como modelo de visión y lenguaje como world model, los dos grandes enfoques que compiten por convertirse en el cerebro de los robots. Nvidia también ha renovado sus ordenadores Jetson, utilizados para ejecutar IA en dispositivos físicos. Según la empresa, 2,5 millones de desarrolladores y 10.000 compañías ya han adoptado Jetson o Cosmos. Todavía es un negocio modesto frente a los centros de datos, pero señala la próxima frontera de Nvidia: después de proporcionar los chips de la revolución de los chatbots, ahora quiere aportar también la inteligencia que hará que robots, vehículos y máquinas vean, entiendan y actúen.

Cómo la IA nos cambiará la vida

Combatir el calor en China 

JD.com comprará 3 millones de robots 

La nueva generación de apartamentos en China

Los nuevos SUV chinos

La investigación IA 

Language Models need Sleep: Learning to Slef-Modify and Consolidate Memories-AI Lb: Google Research, Cornell University

Los modelos de IA actuales pueden aprender temporalmente durante una conversación, pero acostumbran a perder este conocimiento cuando se acaba: no saben convertir de manera continuada la memoria de corto plazo en aprendizaje permanente. Para superar esta limitación, los investigadores proponen un paradigma inspirado en el cerebro humano: hacer que los modelos también "duerman". Durante esta fase, la IA revisaría las experiencias recientes, las incorporaría a sus parámetros y mejoraría sin necesidad de volver a entrenarla desde cero.

Este "sueño" tiene dos etapas. En la consolidación de memoria, el conocimiento adquirido por un modelo más pequeño se transfiere a una red más grande mediante una combinación de destilación y aprendizaje por refuerzo. Después llega el "sueño": el modelo genera autónomamente datos sintéticos y ejercicios con los que practica aquello que acaba de aprender y perfecciona capacidades anteriores sin supervisión humana. Los experimentos indican que este proceso mejora el aprendizaje continuo, la incorporación de nuevos conocimientos y la generalización. Si funciona a gran escala, la IA podría dejar de ser un sistema que hay que reentrenar periódicamente para convertirse en una tecnología que aprende, consolida y evoluciona mientras la utilizamos.

Self-Improvements in Modern Agentic Systems: A Survey-AI Lab: Jilin University, KAUST, Alberta, The Swiss AI Lab

Los agentes autónomos que se mejoran a sí mismos están dejando de ser experimentos de laboratorio para convertirse en sistemas reales. El objetivo ya no es solo que ejecuten una tarea, sino que aprendan de la experiencia y acumulen nuevas capacidades con poca o ninguna intervención humana. El reto decisivo es conseguir que esta evolución sea controlable: que el agente mejore sin desarrollar comportamientos inesperados o alejarse de los objetivos que le hemos fijado. El estudio propone entender el agente no simplemente como un modelo fundacional, sino como la combinación del modelo con un andamiaje formado por prompts, memoria, herramientas y mecanismos de control. Mejorar puede significar modificar los parámetros del modelo, pero también rediseñar este andamiaje: cambiar las instrucciones, reorganizar la memoria, incorporar una nueva herramienta o alterar la manera de planificar y decidir. La gran cuestión ya no es solo cómo construir agentes más potentes, sino cómo crear sistemas capaces de reconstruirse a sí mismos a partir de la experiencia sin perder el control.

Ring-Zero: Scaling Zero RL to a Trillion Parameters for Emergent Reasoning-AI Lab: Renmin, Ant Group, Tsinghua, Zheijiang

El razonamiento avanzado de los modelos de IA podría emerger simplemente de la escala, sin ejemplos escritos por humanos. Los investigadores han entrenado Ring-2.5-1T-Zero, un modelo de un billón de parámetros, mediante reinforcement learning con recompensas verificables: el sistema prueba diferentes soluciones y recibe una recompensa cuando llega al resultado correcto, sin que nadie le muestre previamente cómo debe razonar. Para evitar explicaciones caóticas, redundantes o excesivamente largas, han desarrollado un proceso de entrenamiento más estable y eficiente.

Los resultados refuerzan la "lección amarga" de la IA: a menudo, aumentar la escala y el cómputo acaba superando las reglas diseñadas manualmente. El aprendizaje pasa por una fase inicial de «descubrimiento», en la que el modelo explora estrategias, y otra de "refinamiento", en la que las hace más precisas y eficientes. Durante el proceso aparecen espontáneamente comportamientos sofisticados como la autoverificación, el razonamiento en paralelo, las respuestas estructuradas y la adaptación de la profundidad del razonamiento al problema. Ring-2.5-1T-Zero obtiene resultados competitivos en siete pruebas matemáticas y genera razonamientos más comprensibles, reproducibles y concisos. La conclusión es provocadora: quizás no sea necesario enseñar detalladamente a una IA cómo pensar; a suficiente escala, puede descubrirlo ella sola.

Otras noticias 

-ASML planea subir el precio de sus máquinas de fabricación de chips, imprescindibles para la industria mundial. TSMC, su principal cliente, ya se opone, en una pugna creciente entre la expansión de la capacidad productiva y el control de los costes.
-Anthropic negocia con varios bancos ampliar en miles de millones de dólares sus líneas de crédito, antes de la salida a bolsa prevista para este año. La maniobra reforzaría su liquidez y se sumaría a los 2.500 millones de financiación que ya obtuvo el año pasado.
-Apple busca adquirir empresas de semiconductores para acelerar el desarrollo de chips de servidor especializados en inteligencia artificial. La iniciativa llega ante las limitaciones de rendimiento de sus servidores internos actuales, equipados con chips M2 Ultra.
-Cursor prepara una transformación radical antes de ser adquirida por SpaceX por 60.000 millones de dólares: quiere pasar de especialista en programación a desarrollar modelos de IA de primer nivel. Al mismo tiempo, acelera la contratación en ventas y crecimiento, mientras recorta algunos equipos.
-DeepSeek ya roza los 500 millones de dólares de ingresos anuales y mantiene márgenes brutos superiores al 50%, a pesar de cobrar mucho menos que OpenAI o Anthropic. La compañía china negocia una nueva ronda con una valoración de 74.000 millones y prepara su salida a bolsa en Shanghai el próximo año.
-Apple evalúa la tecnología de PrismML, capaz de comprimir modelos de IA hasta 15 veces para que funcionen directamente en un iPhone. Esto permitiría un Siri más rápido, privado y menos dependiente de la nube, a pesar de sacrificar una pequeña parte del rendimiento.
-Anthropic ofrece un año gratuito de Claude Pro a los docentes de primaria y secundaria de EE. UU., con herramientas para crear lecciones y exámenes adaptados a los estándares educativos. La IA promete reducir drásticamente las horas de preparación y entrar de lleno en el día a día de las aulas.
-Meta ha retirado Muse Image menos de una semana después de lanzarla, a raíz de las críticas por utilizar fotos públicas de Instagram como referencia sin consentimiento explícito. El caso confirma que la próxima gran batalla de la IA no será solo la calidad de los modelos, sino el control sobre la propia imagen.
-Apple ha demandado a OpenAI, acusándola de apropiarse de secretos industriales mediante antiguos empleados incorporados a su nueva división de hardware. El litigio evidencia que la guerra de la IA ya no se juega solo en los modelos, sino también en el talento, los dispositivos y la tecnología para fabricarlos.
-Nueva York ha decretado una moratoria de un año para los nuevos centros de datos de más de 50 MW, mientras estudia su impacto sobre la electricidad, el agua y las comunidades locales. Es el primer gran freno político a los megacentros de IA y podría inspirar regulaciones parecidas en todo el mundo.
-Nvidia afirma que Codex elevó la precisión de su modelo Cosmos 3 Nano del 54,41% al 93,35% en solo un día y con dos instrucciones. El experimento muestra cómo los agentes de programación, equipados con habilidades especializadas, ya pueden gestionar autónomamente todo el proceso de entrenamiento y optimización de un modelo de IA.