PostgreSQL 19 retrasado por revisión con IA & Codex: de tropiezo a producto clave - Noticias de IA (17 oct 2026)

¿Qué pasa cuando una herramienta de IA revisa el código mejor que los propios humanos? Que uno de los proyectos de software libre más respetados del mundo tiene que retrasar su próxima versión. Hoy veremos por qué eso no es necesariamente una mala noticia. Bienvenidos a The Automated Daily, edición AI News. El podcast creado por IA generativa. Soy TrendTeller y hoy es 17 de octubre de 2026. Tenemos modelos abiertos cada vez más potentes, agentes que necesitan entornos seguros, nuevas ideas sobre cómo funcionan por dentro las redes neuronales y algo más de supervisión independiente en los grandes laboratorios. Empezamos.

PostgreSQL 19 retrasado por revisión con IA

Arrancamos con la noticia del gancho. PostgreSQL 19 se retrasa hasta alrededor del 19 de noviembre después de que los desarrolladores revirtieran entre ocho y diez funciones importantes. El motivo es curioso: la revisión de código asistida por IA detectó muchos más defectos de los que habría encontrado una revisión humana en un ciclo normal. Peter Eisentraut, de EDB, aclara que no se trata de código hecho a la ligera. Según él, el listón de calidad simplemente subió. Algunas funciones tenían problemas de arquitectura de fondo, como las consultas de grafos de propiedades en SQL, y pasarán a PostgreSQL 20. La conclusión es interesante: la IA puede mejorar la calidad del software, pero también puede frenar los lanzamientos cuando encuentra más problemas de los que el equipo es capaz de resolver a tiempo.

Codex: de tropiezo a producto clave

Seguimos con la IA aplicada a la programación, ahora con la historia de cómo nació Codex en OpenAI. El producto empezó en la nube sin mucho éxito. El giro llegó con los modelos de razonamiento y con la idea de dejar que el sistema pensara más tiempo, ejecutara comandos y terminara tareas por su cuenta. Según el relato, las primeras pruebas con GPT-5 se quedaron cortas frente a Claude Code, de Anthropic, y eso convenció al equipo de que los usuarios querían delegar de verdad. Codex se trasladó a la terminal y al editor de código, después saltó a una aplicación de escritorio para gestionar varios agentes y hoy forma parte de la aplicación de ChatGPT. Es un buen ejemplo de cómo la competencia acaba moldeando la estrategia de producto.

Meta lanza Muse Spark Open

Pasamos a los modelos abiertos, que hoy llegan en tropel. En la historia que veníamos siguiendo sobre Meta, la compañía presenta Muse Spark Open. Es un modelo multimodal de pesos abiertos con una ventana de contexto de un millón de tokens, y Meta lo describe como su modelo abierto estadounidense más capaz hasta la fecha. Lo más llamativo es que, según Meta, puede funcionar en un escritorio con dos Mac Studio, e incluso llevar adelante trabajos reales de desarrollo para iOS y de edición de vídeo sin depender de la nube.

NVIDIA Nemotron 3.5 Super VL

NVIDIA, por su parte, lanza Nemotron 3.5 Super VL. Es un modelo abierto pensado para agentes empresariales que tienen que razonar, usar herramientas y entender texto, imágenes, documentos y vídeo dentro del mismo sistema. Viene acompañado de datos y herramientas para que cada empresa lo adapte a sus propios procesos. En imagen, Black Forest Labs publica FLUX 3 Image Klein, un modelo abierto de generación y edición que trabaja en 4K y que está diseñado para funcionar en GPU de consumo.

FLUX 3 Image Klein abierto

Los datos de mercado confirman la tendencia. El índice de producción de Vercel AI Gateway indica que los modelos de pesos abiertos ya manejan más del 71% de los tokens y casi una cuarta parte del gasto. El gasto total se ha multiplicado por trece desde diciembre, mientras que el precio medio por token ha caído casi a la mitad. Otro dato relevante: casi uno de cada tres equipos cambió en septiembre de laboratorio principal. Hay poca fidelidad y mucha competencia. Y un detalle geopolítico: cerca del 70% del gasto en modelos de origen chino pasa por proveedores estadounidenses.

Vercel: auge de modelos abiertos

Hablemos ahora de la infraestructura de los agentes. Perplexity libera como código abierto SPACE, el entorno aislado sobre el que funciona su producto Computer. Incluye aislamiento, recuperación de estado y control de credenciales y de acceso a la red. La empresa sostiene que gobernar agentes es, sobre todo, un problema de ingeniería de seguridad, y que abrir el código ayuda a encontrar fallos antes. Ya hay socios como Akamai, CoreWeave y Crusoe probándolo.

Perplexity libera su sandbox SPACE

En el plano del entrenamiento, un análisis detallado explica por qué es tan difícil que el aprendizaje por refuerzo sea realmente on-policy en agentes cuyas sesiones duran horas. Pequeñas diferencias entre el motor de inferencia, el sandbox y el sistema de entrenamiento generan desajustes, incluso cuando los pesos del modelo son idénticos. Equipos como DeepSeek o Alibaba los combaten de distintas formas. Muy relacionado con esto, otro artículo técnico propone una lectura elegante: el gradiente de policy gradient es, en el fondo, una covarianza entre la recompensa y la señal del modelo. Eso permite entrenar con datos off-policy de forma correcta, siempre que esa señal se centre bien.

Entrenar agentes sin desajustes

Ahora, dos ideas que invitan a pensar. Un ensayo sobre interpretabilidad defiende que las redes neuronales son más comprensibles de lo que se creía. Según el autor, muchos casos de neuronas que parecen mezclar conceptos se explican por limitaciones del entrenamiento y de las herramientas, no por un caos interno de fondo. Y su conclusión es optimista: cuanto más se entiende una red, más fácil resulta entender el resto. En una línea parecida, Cheng Lou presenta Handwired, un experimento que convierte código JavaScript normal en una red neuronal sin necesidad de entrenarla. El resultado reproduce exactamente lo que hace el programa y se ejecuta en el navegador. Es un juguete, sí, pero difumina de forma muy sugerente la frontera entre el software tradicional y los modelos.

El gradiente como covarianza

Pasamos a la supervisión. En la historia de Anthropic que veníamos siguiendo hay novedades: la empresa ha empezado a dar a un equipo de METR un acceso comparable al de sus propios empleados para evaluar de forma independiente sus modelos y sus prácticas de seguridad. METR publicará sus evaluaciones de riesgo. Además, SecureBio revisa el capítulo sobre armas químicas y biológicas del informe de riesgos de agosto. Y hablando de cómo medir la IA, Mercor publica un mapa según el cual los benchmarks actuales apenas cubren el trabajo real. Alrededor del 90% de las horas laborales en Estados Unidos corresponde a tareas sin una evaluación clara, y los benchmarks existentes se concentran en empleos bien pagados y muy expuestos a la IA.

Redes neuronales más interpretables

Cerramos con la IA en el día a día. Yum! Brands asegura que la IA de voz en los drive-thru de Taco Bell, que ya funciona en casi 900 locales, hace el trabajo menos estresante y podría ayudar a retener personal. Y OpenAI actualiza la voz de ChatGPT y Codex con nuevas opciones en varios idiomas, incluido el español de México, además de conversaciones con menos pausas incómodas.

Hasta aquí el episodio de hoy de The Automated Daily, edición AI News. Encontraréis los enlaces a todas las historias en las notas del episodio. Soy TrendTeller. Gracias por escuchar y nos oímos mañana.

PostgreSQL 19 retrasado por revisión con IA & Codex: de tropiezo a producto clave - Noticias de IA (17 oct 2026)

Our Sponsors

Today's AI News Topics