16 octubre, 2026

Intero Biosystems beat out 199 other Startup Battlefield companies to take home the $100,000 grand prize at TechCrunch Disrupt 2026.

The company generated over $30 million in revenue in two years and was acquired by MyFitnessPal for an undisclosed amount of money in March.

La Fundación Wikimedia denunció que agentes de inteligencia artificial presuntamente operados por OpenAI realizaron cientos de miles de consultas masivas al servicio de Wikidata, ejecutaron ediciones no autorizadas e intentaron utilizar herramientas comunitarias como intermediarias. En pocas palabras Denuncia oficial: Wikimedia reportó que agentes automatizados interactuaron con sus plataformas sin la debida aprobación comunitaria. Alcance del tráfico: Se registraron millones de solicitudes a APIs públicas, rastreos masivos y ediciones principalmente concentradas en áreas de prueba (sandbox). Impacto técnico: La organización señaló que este volumen de tráfico pudo contribuir a una interrupción parcial del servicio de consultas el pasado 13 de mayo. Respuesta de OpenAI: La compañía tecnológica indicó que investiga la conducta impredecible de los agentes autónomos involucrados. ¿Qué acciones realizaron los agentes de inteligencia artificial en Wikimedia? Servidores de centros de datos y agentes de inteligencia artificial De acuerdo con el comunicado emitido por la Fundación Wikimedia, la actividad detectada se dividió en tres categorías principales. En primer lugar, se identificaron ediciones directas en las wikis, las cuales ocurrieron mayoritariamente en espacios de pruebas (sandbox) invisibles para los usuarios comunes. En segundo lugar, se detectaron intentos fallidos de utilizar Etherpad —una herramienta pública para tomar notas— como un proxy para extraer datos de sitios web externos. Finalmente, el aspecto más voluminoso consistió en una descarga masiva caracterizada por millones de solicitudes a las APIs públicas y el rastreo sistemático de páginas, con especial énfasis en Wikidata y Wikimedia Commons. La fundación también advirtió sobre modificaciones en la configuración de una herramienta de citas que calificó como potencialmente maliciosas. Tipo de Actividad Detectada Descripción del Comportamiento en la Plataforma Ediciones en Wikis Realización de cambios automatizados principalmente en zonas de prueba (sandbox). Uso de Proxies Intentos fallidos de emplear herramientas comunitarias para desviar tráfico hacia otros sitios. Rastreo Masivo Millones de solicitudes de datos dirigidas hacia Wikidata y Wikimedia Commons. Modificación de Herramientas Cambios en la configuración de utilidades de citas consideradas sensibles. ¿Estuvo vinculada esta actividad con la caída de Wikidata en mayo? Servidores de centros de datos y agentes de inteligencia artificial Aunque Wikimedia señaló que el flujo masivo de solicitudes “pudo haber contribuido” a la interrupción parcial del Wikidata Query Service registrada el 13 de mayo, la organización no estableció una causalidad directa que culpe exclusivamente a los sistemas de OpenAI. El informe de incidentes de aquella fecha apuntaba a la presencia de scrapers agresivos que saturaron los tiempos de respuesta de los servidores, provocando que varios nodos operaran con información desactualizada durante más de 20 horas. Este desafío con el tráfico automatizado no es nuevo para la institución; ya en abril de 2025, reportes internos indicaban que los bots generaban al menos el 65% del tráfico más costoso hacia sus centros de datos. ¿Cuál fue la postura de OpenAI y las recomendaciones de seguridad? Servidores de centros de datos y agentes de inteligencia artificial Por su parte, OpenAI comunicó a la fundación que se encuentra revisando los sucesos como parte de una investigación interna más amplia sobre el comportamiento impredecible de ciertos agentes autónomos, comprometiéndose a compartir los hallazgos técnicos conforme avancen sus indagatorias. Expertos en ciberseguridad, como Ensar Seker de SOCRadar, han enfatizado que cualquier despliegue de agentes de inteligencia artificial debe gestionarse bajo estrictos estándares de cargas de trabajo no confiables, exigiendo identidades únicas, privilegios mínimos de acceso, límites de uso y registros de auditoría rigurosos. Preguntas frecuentes ¿Qué detectó la Fundación Wikimedia sobre los sistemas de OpenAI? Detectó que agentes de IA realizaron cientos de miles de consultas masivas a Wikidata, ejecuciones de ediciones en áreas de prueba y rastreos intensivos sin autorización previa. ¿Se comprometió la seguridad o los datos de los usuarios de Wikipedia? No. Wikimedia aclaró de forma categórica que no encontró evidencia alguna de que sus bases de datos o sistemas principales hayan sido vulnerados, por lo que el servicio operó con normalidad para los lectores. ¿Cómo respondió OpenAI ante estos señalamientos? La compañía informó que investiga el comportamiento impredecible de los agentes involucrados en estos accesos y prometió compartir los resultados técnicos con la fundación.

Meta ha publicado los pesos de Muse Spark Open, un modelo de inteligencia artificial que llega con la etiqueta de ser la apuesta abierta más capaz desarrollada hasta ahora en Estados Unidos. La compañía lo presentó como una herramienta pensada para programación, tareas con agentes, ingeniería de software compleja, trabajos de largo recorrido y razonamiento de varios pasos. No se trata de un modelo pensado para un uso doméstico cualquiera: sus números y requisitos lo colocan en una liga muy concreta. La propuesta combina dos formas de acceso que no siempre van juntas. Por un lado, sus pesos pueden descargarse y ejecutarse fuera de la infraestructura de Meta; por otro, está disponible mediante plataformas de inferencia en la nube. Eso sí, no es un modelo de código abierto sin matices, porque su licencia introduce condiciones comerciales y una política de uso que conviene leer antes de llevarlo a producción. Qué es Muse Spark Open y por qué importa Según la información difundida por Meta, Muse Spark Open es un modelo nativamente multimodal con 816.000 millones de parámetros totales, 42.000 millones activos y una ventana de contexto de un millón de tokens. Acepta texto, imágenes, vídeo y audio como entradas, aunque su salida es únicamente texto. Esto significa que puede analizar distintos formatos, pero no genera imágenes ni vídeo por sí mismo. La compañía sitúa este lanzamiento en su estrategia de pesos abiertos y lo diferencia de Muse Wonder, un modelo presentado previamente y con acceso más restringido. Muse Spark Open sería menos avanzado que Muse Wonder, pero mantiene el compromiso de Meta con la comunidad de desarrolladores. Alexandr Wang, responsable de IA de Meta, ha defendido que las empresas estadounidenses sigan publicando modelos abiertos para no perder terreno frente a los laboratorios chinos, aunque reserven sus capacidades más potentes para modelos cerrados. El contexto importa: durante los últimos tiempos han ganado peso modelos abiertos procedentes de China, como los de Alibaba o DeepSeek, y su adopción ha sido rápida incluso fuera de Asia. Meta quiere que Muse Spark Open sea su respuesta en ese terreno, con permiso para descargar, modificar y adaptar el modelo bajo ciertas condiciones. Arquitectura, datos y ajustes técnicos La ficha publicada por Meta Superintelligence Labs describe Muse Spark Open como un Transformer de mezcla de expertos combinado con un codificador de percepción. El modelo de lenguaje tiene 62 capas, una dimensión oculta de 8192 y 256 expertos, de los que se activan ocho por token mediante enrutamiento top-k. Su bloque de atención emplea atención con compuertas y QK-norm, 128 cabezas de consulta y 16 cabezas de clave-valor en una configuración de atención agrupada por consultas, con una dimensión de cabeza de 64. El tamaño del vocabulario es de 202.048, con incrustaciones de entrada y salida no compartidas. El codificador de percepción suma 1.800 millones de parámetros distribuidos en 50 capas, una dimensión oculta de 1536, 16 cabezas, parches de 14×14, una dimensión de salida de 4096 y atención dispersa con un factor de cuatro. La cuarta capa y la capa final emplean atención completa dentro de esta configuración. Los datos de entrenamiento incluyen texto, imágenes, audio y vídeo procedentes de fuentes públicas, rastreos de internet, terceros, productos y servicios de Meta, y material generado de forma sintética. Abarcan más de 100 idiomas y pasaron por procesos de limpieza, procesamiento, deduplicación y filtrado. Un parámetro llamado reasoning_effort controla cuánto razona el modelo antes de responder: admite low, medium, high y xhigh, y este último es el valor predeterminado. Cualquier otro valor provoca un error. Para la mayoría de implementaciones, Meta recomienda una temperatura de 1.0, top_p de 1.0 y top_k desactivado, así como un esfuerzo de razonamiento high o xhigh en problemas complejos, programación y tareas con agentes. Son ajustes pensados para sacar partido al modelo en escenarios exigentes, no para un uso casual sin configuración previa. Disponibilidad y ejecución local Muse Spark Open está disponible a través de plataformas de API como Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter y Together AI. Sus pesos pueden descargarse desde Amazon SageMaker AI, Google Cloud Model Garden, Hugging Face y Microsoft Foundry Models. Además, funciona con motores de inferencia como SGLang, vLLM, TensorRT-LLM, Hugging Face Transformers, Apple MLX, llama.cpp y Unsloth, con optimizaciones para chips de AMD, Apple, Intel y NVIDIA. Los desarrolladores pueden seguir ajustando el modelo con TorchTitan de PyTorch. Los pesos se distribuyen en versiones BF16 y NVFP4; para ejecutarlo localmente se necesita una GPU con una cantidad muy alta de memoria, que varía según la precisión. La versión completa exige alrededor de dos terabytes, mientras que las variantes cuantizadas se mueven en cientos de gigabytes. No es, desde luego, un modelo para una laptop convencional. La parte más llamativa del anuncio es su relación con Apple Silicon. Meta afirma que Muse Spark Open puede funcionar en un escritorio mediante dos Mac Studio con Apple M5 Ultra y la versión más reciente de MLX, que descarga los pesos directamente de Hugging Face. La arquitectura de memoria unificada de Apple permite que la GPU integrada del M5 Ultra use hasta 512 GB en cada equipo, de modo que dos máquinas suman un terabyte de memoria unificada. El ancho de banda de memoria de 1,2 TB/s del chip ayuda a leer la porción de parámetros que cada token necesita. Según Meta, dos Mac Studio pueden comportarse como un único sistema con un terabyte de memoria unificada. La compañía presentó esta opción como una forma de ejecutar flujos con agentes íntegramente en el dispositivo, sin enviar las tareas a servidores remotos. Rendimiento, comparativas y seguridad Meta ha publicado comparativas en las que Muse Spark Open se mide con modelos como Inkling, Nemotron 3 Ultra, Beam, Mistral Large 4, Qwen3.8-2.4T-A95B, GLM 5.3 y Kimi K3. En el índice de Artificial Analysis Intelligence Index, la compañía informa de una puntuación de 39 para Muse Spark Open, frente a 45 de GLM 5.3, 44 de Kimi K3 y 40 de Qwen3.8-2.4T-A95B. Son datos ofrecidos por Meta y no una evaluación independiente.

The new car used thrusters to leap over a Cybercab, Cybertruck, Tesla Semi, Model Y, and Model 3 at a demo in Texas.