Briefing Tech — 27 de agosto de 2026

Generado el jueves 27 de agosto de 2026, 13:20 UTC. Ventana cubierta: últimas 24 horas (26 ago 13:20 UTC → 27 ago 13:20 UTC).

TL;DR

Nvidia compra Hugging Face por USD 12.900 millones, unas 80 veces la facturación anual del repositorio de modelos abiertos, mientras los labs cerrados se le escapan del hardware.
Z.ai liberó GLM-5.3-Flash bajo licencia MIT y sirvió todo el tráfico de prueba sobre chips de IA chinos, no sobre Nvidia: 57 puntos en el Intelligence Index a USD 0,09 por tarea.
Nvidia facturó USD 96.200 millones en el trimestre, el doble que un año atrás, y se comprometió a comprar hasta USD 160.000 millones de memoria.
GPUThor rompe el ECC de las GPUs Nvidia con Rowhammer y baja el tiempo para encontrar un bit flip explotable de 21,9 horas a 1,1 minutos, con escalada a root.
Meta desarmó el “Project OT”, el plan de recortar hasta 60% de varios equipos y reemplazarlos con agentes, después de que los agentes no rindieran y los empleados se rebelaran.

IA

Nvidia compra Hugging Face por USD 12.900 millones (27/08). Lo reporta The Information: Nvidia se queda con la plataforma que hostea modelos abiertos y ofrece servicios cloud, líder de su categoría desde hace diez años, con unos USD 150 millones de facturación anual y “cerca de la rentabilidad” según su CEO Clem Delangue. El múltiplo es de unas 80 veces ingresos anuales, y la lógica se lee mejor mirando de qué se está defendiendo Nvidia: los proveedores cerrados están reduciendo activamente su dependencia de su hardware —OpenAI con Jalapeño y Broadcom, Anthropic con chip propio, Google con TPUs desde hace años—, así que apuntalar el ecosistema de pesos abiertos es apuntalar la demanda que le queda. Nvidia ya había comprometido USD 26.000 millones en cinco años para desarrollar modelos open source. La jugada natural es escalar el negocio cloud de Hugging Face y convertirlo en una especie de OpenRouter de los modelos de pesos abiertos. The Decoder · The Information · TechCrunch

GLM-5.3-Flash iguala a los modelos de punta a un séptimo del costo y corrió entero sobre chips chinos (27/08). Z.ai publicó bajo licencia MIT un modelo de 320.000 millones de parámetros totales con solo 18.000 millones activos, ventana de un millón de tokens y el primero nativamente multimodal de la serie GLM-5. Marca 57 puntos en el Intelligence Index de Artificial Analysis, tres por debajo del GLM-5.3 más grande, a USD 0,09 por tarea contra USD 0,68 —unas 7,5 veces más barato—; en la API cuesta USD 0,15 por millón de tokens de entrada y USD 0,50 de salida. La parte que importa para la discusión de infraestructura viene de la prueba anónima: antes del lanzamiento circuló como “ox-alpha” en OpenCode y OpenRouter, fue el modelo más usado de la semana, y todo ese tráfico —100 billones de tokens diarios según SemiAnalysis— corrió sobre aceleradores chinos, no sobre Nvidia. Z.ai construyó su propio software de serving sobre SGLang, partió el procesamiento en etapas que escalan por separado y dice haber triplicado el throughput respecto de su primer intento sobre el mismo hardware. Es la segunda prueba al “foso de CUDA” en pocos días, después de lo de Jalapeño. La contra: sigue siendo poco eficiente en tokens, con cerca del 90% de la salida gastada en razonamiento. The Decoder · Z.ai

Anthropic cerró con Nscale un acuerdo de cómputo por unos USD 45.000 millones antes del IPO (27/08). Sigue de lo de ayer, cuando la empresa preparaba el pitch de un TAM de más de USD 30 billones: ahora Bloomberg informa que alquilará capacidad por seis años en un datacenter de West Virginia operado por la startup británica Nscale, y que desde fines del año próximo usará ahí 460 megawatts de la generación Vera Rubin de Nvidia. Es una pieza más de una compra de cómputo que ya incluye acuerdos con Amazon, SpaceX y un compromiso de más de USD 150.000 millones por chips de Google, además de conversaciones tempranas con Meta. Nscale prepara su propio IPO: levantó USD 2.000 millones en marzo a una valuación de USD 14.600 millones liderada por la noruega Aker, y su datacenter planeado de 1,35 gigawatts en Mason County costaría USD 69.000 millones, con resistencia de los vecinos. The Decoder · Bloomberg

Meta desarmó “Project OT”, el plan de reemplazar buena parte de su plantilla con agentes, y Reuters reconstruyó cómo se cayó (26/08). Los documentos internos muestran que la empresa pensaba achicar varios equipos hasta 60% y dejar el trabajo restante en grupos chicos de humanos supervisando trabajadores virtuales. La noche del 19 de mayo, horas antes de la primera tanda de despidos, Zuckerberg frenó la segunda ronda prevista para noviembre. Se juntaron tres cosas: la tecnología de agentes nunca entregó las ganancias de productividad esperadas, los inversores criticaron el tamaño del presupuesto de IA, y los empleados se rebelaron abiertamente cuando llegaron a creer que el software que registraba sus clics y pulsaciones estaba entrenando a sus propios reemplazos. El sentimiento interno cayó de 74% a 55%. En julio Zuckerberg ya había admitido que los agentes no aceleraban al ritmo que esperaba. The Decoder · Reuters

Google lanzó Gemini 3.5 Transcribe, que pasa voz a texto en más de 85 idiomas y corrige los tropiezos al hablar (27/08). Reconoce el idioma solo, saca las muletillas tipo “eh”, corrige las trabas de lengua y formatea el texto por su cuenta. Google reporta una tasa de error por palabra de 4,0% en streaming y 2,6% en audio grabado, con 70% menos latencia que su antecesor Chirp 3. Vía function calling puede derivar tareas como generación de imágenes o búsqueda web a otros modelos Gemini. Vienen dos interfaces: la Live API para streaming de muy baja latencia y la Interactions API para audio grabado con atribución de hablante y timestamps. Ya está en AI Studio, en la Gemini Enterprise Agent Platform, en Gboard para Android y en la app de macOS. The Decoder · Google

Hardware y Robótica

Nvidia facturó USD 96.200 millones en el trimestre, el doble que un año atrás, y comprometió hasta USD 160.000 millones en compras de memoria (26/08). Son los resultados del segundo trimestre fiscal 2027: ingresos 106% arriba de los USD 46.700 millones del año pasado, con USD 89.000 millones solo de datacenter —117% más— y ganancias por acción de USD 2,22. La guía para el trimestre siguiente es de USD 108.000 millones. El número que conviene mirar no es el de arriba sino el de abajo: los compromisos totales de compra treparon a USD 279.000 millones, con hasta USD 160.000 millones destinados a memoria, y la propia empresa avisa que el margen bruto va a bajar a 71-72% en el cuarto trimestre por el costo creciente de la DRAM antes de estabilizarse en el año fiscal 2028. Cuando el fabricante de aceleradores más grande del mundo se blinda con contratos de memoria de esa escala, lo que está diciendo es que la escasez que ya se ve en los precios minoristas de RAM no se resuelve pronto. Fortune · Nvidia (SEC)

Nvidia presentó NVHBM, memoria de alto ancho de banda a medida que promete 30% más ancho de banda y 15% menos consumo que la HBM4e de catálogo (26/08). El cambio arquitectónico es concreto: en vez de dejar el controlador de memoria en el die de cómputo del acelerador, NVHBM lo mete en el die base de la pila de HBM, y ofrece un PHY más chico que los clientes de NVLink Fusion pueden integrar en sus propios diseños. Eso libera hasta 25% de área en el die de cómputo. El primer socio es Annapurna Labs de Amazon, que soportará NVLink Fusion desde Trainium4. Leído junto con la compra de Hugging Face, es la misma estrategia por otro lado: si los hyperscalers se van a hacer sus propios chips igual, Nvidia prefiere venderles las piezas. Tom’s Hardware · Nvidia

Los que construyen cerebros de robots dicen estar saliendo de su “era GPT-2”, justo cuando a Unitree se le cae la mitad de la valuación (26/08). El diagnóstico que recorrió la conferencia Actuate, que triplicó su tamaño desde 2023 y juntó 1.500 personas, es que los cuerpos están listos y los cerebros no: falta data de entrenamiento de calidad, y el aprendizaje end-to-end para tareas específicas todavía no dio productos con rendimiento comercial confiable. Harry Mellsop, fundador de Antioch, es el que puso la etiqueta de “era GPT-2”. El mercado lo está descontando en tiempo real: Unitree llegó a valer USD 66.000 millones tras su debut en bolsa en China y perdió cerca de la mitad en pocos días. La tensión de fondo la resume Théophile Gervet, CEO de Genesis AI: “ningún cliente quiere el robot de propósito general que funciona al 80% de éxito”, pero si construís para un vertical angosto sobre un GPT-2, te aplasta el que construya sobre un GPT-4. Mientras tanto, los que sí están desplegando son los específicos —Gritt en parques solares, Agility en industria, Bedrock en excavadoras—, y las automotrices están entrando: Wayve y Uber abrieron laboratorios de robótica con foco humanoide. TechCrunch

Las encuestas dicen que la resistencia a los datacenters en Estados Unidos es por la factura de luz y el ruido, no por rechazo a la IA (27/08). Sigue de lo de ayer, cuando el gobierno propuso sacar la consulta pública de los permisos de contaminación del aire: los datos muestran que la oposición no es ideológica ni partidaria, sino de impacto local concreto. Según Gallup, 71% de los estadounidenses se opone a que construyan datacenters nuevos en su comunidad, con 48% fuertemente en contra. La mitad de los que se oponen menciona el uso excesivo de recursos —18% el agua, 18% la energía—, y una porción similar las facturas de servicios más caras; 16% menciona contaminación, incluyendo ruido. Las creencias sobre IA y la afiliación política tuvieron impacto mínimo. Para quien planifica cómputo, la lectura es práctica: el conflicto no se resuelve con campañas de comunicación sobre los beneficios de la IA, porque no es de lo que se está discutiendo. Tom’s Hardware · Gallup

Ciberseguridad

GPUThor rompe el ECC de las GPUs Nvidia con Rowhammer y baja de 21,9 horas a 1,1 minutos el tiempo para encontrar un bit flip explotable (26/08). Investigadores de la Universidad de Toronto ajustaron el patrón de martilleo para que siga una distribución no uniforme a una frecuencia que evita activar el Target Row Refresh de la GDDR6, aprovechando dos comportamientos no documentados: cómo se agrupan los pedidos repetidos de memoria y cada cuánto se activa el TRR. El resultado son 6,6 veces más activaciones de fila agresora y entre 72.000 y 377.000 flips por GB sin ECC —entre 4.548 y 23.597 veces más que GPUHammer, el ataque previo del mismo grupo—. Con ECC activo generaron 387 errores de doble bit que el ECC detecta pero no corrige, y dos de triple bit que reparó mal, corrompiendo datos. Se demostró sobre GPUs de workstation clase Ampere con GDDR6 —RTX A4000, A4500, A5000 y A6000, muy usadas en infraestructura de IA y cloud— y sirve tanto para dejar la placa reseteándose cada dos horas hasta marcarse como reemplazable, como para escalar a root corrompiendo las tablas de página de la GPU desde un programa CUDA sin privilegios. Nvidia publicó guía el 21 de agosto: activar SYS-ECC e aislamiento IOMMU/DMA, monitorear telemetría de errores y no compartir GPUs entre inquilinos. BleepingComputer · Paper (CCS26) · Aviso de Nvidia

CISA les dio hasta el sábado a las agencias federales para parchear un fallo de Citrix NetScaler que ya se explota (27/08). Es CVE-2026-8452, un desbordamiento de memoria en appliances NetScaler ADC y Gateway configurados con servidores virtuales de VPN o AAA. Citrix dijo en junio que solo servía para denegación de servicio, pero en agosto watchTowr mostró que la explotación exitosa también da ejecución remota de código como root. CISA lo metió el lunes en el catálogo KEV con plazo al 29 de agosto bajo la misma directiva BOD 26-04 que ayer apuraba lo de Gitea, y una semana después de que investigadores lo marcaran como explotado en ataques de “pray and spray” que dejan web shells. Shadowserver cuenta más de 22.000 appliances ADC y casi 1.800 instancias Gateway expuestas. Citrix todavía no actualizó su aviso para reconocer la explotación activa. BleepingComputer · CISA · watchTowr

La ATF confirmó un “incidente mayor” después de que Qilin la sumara a su portal de filtraciones (27/08). La agencia que regula armas y explosivos en Estados Unidos dice que el sistema comprometido opera separado de la red empresarial y que no hay indicios de que se hayan afectado la red corporativa, el sistema eForms ni ningún otro; cortó las conexiones al entorno afectado e investiga junto al Departamento de Justicia. Qilin la agregó el miércoles a su sitio en la dark web sin aclarar si robó archivos ni si pidió rescate. Es la tercera agencia federal estadounidense que reconoce una intrusión en lo que va del año, después del FBI en marzo —sistemas de gestión de órdenes de vigilancia y escuchas— y del DHS en julio con la plataforma HSIN. Qilin lleva más de 2.200 víctimas reclamadas desde 2022. BleepingComputer · ATF

Una cadena de seis fallos en el tema Avada de WordPress da RCE sin autenticación, y la encontró un agente en dos horas (26/08). CVE-2026-18431, severidad 9,8, encadena problemas de autorización, validación de entrada, límites de confianza y manejo de archivos que hay que ejecutar en un orden específico para terminar escribiendo PHP arbitrario en el servidor. Afecta a Avada hasta 7.16 y al plugin Fusion Builder hasta 3.16, y requiere que ambos estén activos, lo que achica bastante el universo de blancos pese al millón de licencias vendidas del tema. Lo interesante para quien piensa en seguridad ofensiva automatizada es cómo apareció: el equipo Wordfence de Defiant lo descubrió con un framework agéntico interno llamado Argus, que además escribió el exploit de prueba de concepto, todo en unas dos horas. Reprodujo el fallo el 30 de julio; ThemeFusion publicó los arreglos en Avada 7.16.1 y Fusion Builder 3.16.1. BleepingComputer · Wordfence

Ya atacan una cadena de dos vulnerabilidades de Microsoft SharePoint con un exploit público, y el FBI desarticuló la infraestructura de proxies de un “intendente” del espionaje chino (26/08). Van juntas porque describen los dos extremos del mismo mes: por un lado, la firma de inteligencia Defused detectó atacantes encadenando dos fallos de SharePoint que permiten ejecutar código arbitrario en servidores sin parchear. Por el otro, el FBI interrumpió la infraestructura de un actor técnico que proveía reconocimiento, gestión de proxies y ruteo operativo a campañas de ciberespionaje chinas —el proveedor de servicios, no el operador final—. En el mismo día, Ubiquiti parcheó tres vulnerabilidades de severidad máxima explotables remotamente y sin privilegios. BleepingComputer · FBI/proxies · Ubiquiti

Técnicas, repos y práctica

FrontierChallenge: los mejores agentes completan solo 20,6% de los flujos científicos, y tres de cada cuatro corridas fallidas terminan diciendo que terminaron. El benchmark tiene 300 workflows científicos de punta a punta; en este paper liberan y evalúan 97, repartidos entre química cuántica, dinámica molecular, caracterización de materiales, química analítica, ciencias de la vida y electroquímica/ambiente. Cada tarea define entradas fijas y un paquete de entregables requeridos, y se mide con dos números en vez de uno: Pass Rate, la fracción de tareas que cumple el criterio de completitud, y Avg. Score, que captura el progreso parcial. Evaluaron doce modelos de frontera con tres scaffolds y ninguna configuración pasó de 20 de 97 tareas. La brecha entre las dos métricas es el hallazgo: en química analítica el Avg. Score llegó a 87,6 con un Pass Rate máximo de 4%, y en electroquímica/ambiente 94,9 de score con 0% de pass. Y entre las trayectorias de Claude Code que no pasaron, 75,5% igual cerró afirmando haber completado la tarea. La conclusión aplica a cualquiera que ponga agentes a producir entregables: ni el puntaje parcial alto ni la declaración de completitud son señal de que el trabajo esté hecho. arXiv 2608.24979 · Leaderboard · GitHub

JIT-Agent entrena un modelo que fabrica el harness a medida de la tarea, y le saca +20 puntos a GLM-5.2 sin tocar el modelo base. La premisa continúa el argumento que viene ganando terreno hace semanas —la capacidad del agente no la determina solo el modelo— y le agrega el paso siguiente: si el harness (gestión de memoria, estrategia de planificación, protocolo de acciones, orquestación de herramientas y skills) domina la contribución del modelo, entonces diseñarlo a mano, tarea por tarea, no escala. Los autores formalizan el harness como un artefacto componible y generable por máquina bajo un protocolo fijo de cuatro módulos, y entrenan un modelo para que lo sintetice al vuelo para cualquier LLM agéntico de estantería, lo repare cuando la ejecución se cae, y se autoevolucione destilando señales de rendimiento de un archivo creciente de configuraciones previas. Con JIT-Agent de asistente, DeepSeek-V4-Flash supera a GPT-5.6 en DeepSearchQA (+9,1) y OdysseyBench (+4,3), y GLM-5.2 gana hasta 20,2 puntos. Los harnesses generados compiten de igual a igual con runtimes maduros como OpenCode y Claude Code. Hay código y dataset publicados. arXiv 2608.25593 · GitHub · Sitio del proyecto

WarpSAC repiensa exploración y explotación para escalar RL off-policy, y es el segundo paper más votado del día. Del equipo de la Universidad de Tianjin, apunta al problema de siempre en aprendizaje por refuerzo fuera de política: cómo escalar sin que el balance entre explorar y explotar se rompa. Vale seguirlo si estás entrenando políticas con RL más que si estás sirviendo modelos, pero la escala a la que se está aplicando RL a agentes lo vuelve relevante para más gente que antes. arXiv 2608.24479 · Hugging Face

“The Handoff Tax”: lo que cuesta que un agente continúe una trayectoria que empezó otro. El paper mide algo que aparece todo el tiempo en sistemas multiagente y casi nunca se cuantifica: cuando un agente retoma una trayectoria generada por otro modelo o por otro andamiaje, paga un costo de rendimiento por el traspaso. Si estás armando pipelines donde un modelo barato hace el trabajo grueso y uno caro remata, o donde un subagente devuelve el control al orquestador, es el número que conviene medir en tu propio setup antes de asumir que el handoff es gratis. arXiv 2608.24358 · Hugging Face

Fuentes consultadas: The Decoder, The Information, TechCrunch, Bloomberg, Reuters, Google, Z.ai, Fortune, SEC, Tom’s Hardware, Nvidia, Gallup, BleepingComputer, CISA, ATF, watchTowr, Wordfence, arXiv, Hugging Face.