Briefing Tech — 26 de octubre de 2026

Generado el 26/10/2026 a las 13:19 UTC. Cubre las últimas 24 horas: desde el 25/10 a las 13:19 UTC.

TL;DR

Un archivo AGENTS.md malicioso que apareció en la carpeta Downloads de un desarrollador logró que Codex registrara un servidor hostil en su config global y corriera malware en más de 90% de los intentos. Con Claude Code funcionó cerca de la mitad de las veces. No hay nada que parchear: el agente hizo lo que el archivo le pedía.
Gheist: más de 13.500 ramas plantadas en más de 850 cuentas de GitHub, con un workflow que imprime los secretos del repo en base32 para saltear el enmascarado de logs. La exfiltración sale por GitHub, así que no hay servidor del atacante que bloquear.
Toyota apuesta 6.400 millones de dólares por año a robótica y automatización de fábrica, con 400.000 robots como objetivo de despliegue. Y GXO extiende con Agility: Digit llega a dos depósitos más en Carolina del Norte y Tennessee a principios de 2027.
Huang puso número a la pata de software de Nvidia en GTC Berlín: unos 2.000 dólares por GPU por año para correr agentes en las “fábricas de IA”.
AKV, de Tsinghua, baja 27,7% el costo promedio de un agente tirando entradas del caché KV en vez de resumir el historial: en SWE-bench Verified con GPT-OSS-120B pasa de 20,0 a 9,7 centavos por tarea y sube de 40,0 a 43,2 de puntaje.

IA

Eric Schmidt, Niall Ferguson y Lisa Klaassen llaman a OpenAI y Anthropic “compañías comerciales coloniales” en Foreign Affairs (25/10). Sigue de lo de ayer, cuando The Information mostraba a OpenAI arrancándole clientes grandes a Anthropic con rebajas de hasta 90%: acá el marco es geopolítico y no comercial. La tesis es que la carrera se decide por quién puede financiarla y no por quién llega primero a AGI, y la analogía es con las Compañías de las Indias Orientales —empresas con carta del gobierno que terminaban gobernando regiones—, con la orden del Departamento de Comercio de junio de 2026 que forzó a Anthropic a cortarles el acceso a extranjeros a sus modelos más capaces como ejemplo concreto. Los números que ponen: más de 600.000 millones de dólares de gasto en IA de las tecnológicas estadounidenses en 2026, casi todo con deuda, contra 295.000 millones chinos a cinco años vía bonos del Estado; y en 2024 Estados Unidos ya pagó más de intereses (unos 881.000 millones) que de defensa (unos 874.000 millones). El riesgo que marcan como el más grande es Taiwán, con TSMC a unos 150 kilómetros de la costa china. The Decoder

Apollo dice que la IA no le dio ningún retorno financiero a las empresas estadounidenses que no son tecnológicas (25/10). El análisis es de Torsten Slok, economista jefe de Apollo Global Management, publicado el 24 en su Daily Spark: ingresos por empleado y márgenes subieron en las Siete Magníficas y quedaron planos en las otras 493 del S&P 500, sin evidencia clara de mejora de productividad a pesar de la inversión. El mecanismo que señala es el cobro por token: el costo crece a medida que los empleados hacen más consultas o los agentes toman tareas más complejas, y las empresas tradicionales empiezan a tratar el gasto en tokens como centro de costo. Microsoft, Meta y Amazon habrían puesto freno a su propio uso cuando subieron las facturas, y Altman reconoció el costo de los tokens como un “problema enorme” para los clientes. Vale leerlo con la salvedad obvia: es la lectura de un economista de una sola firma de inversión, el artículo no publica la metodología, y la comparación Mag 7 contra S&P 493 muestra correlación y no causa. Tom’s Hardware

Nanbeige4.3-33B: un denso de 33B con 512K de contexto y licencia Apache 2.0 para coding agéntico (25/10). Lo publicó en Hugging Face el laboratorio de Nanbeige, que está adentro de la plataforma de reclutamiento BOSS Zhipin, junto con el checkpoint Base para post-entrenamiento propio. Los números que reporta el vendedor: 80,9 en Terminal-Bench 2.1 contra 73,0 de Qwen3.8-27B, 65,5 contra 42,5 en DeepSWE, 54,2 contra 38,3 en Automation Bench y 95,2 en AIME 2026, con 17 de 20 filas a favor; pierde en SWE-Bench Pro (60,3 contra 61,7), GDPval y GPQA Diamond. Dos cosas antes de bajarlo: los benchmarks son autoinformados y varias cifras de los competidores en la tabla de Nanbeige no coinciden con las de sus propias model cards, y el hardware no es poco —unos 66 GB de pesos en BF16 más unos 112 GB de caché KV para una secuencia de 512K, o sea servidor multi-GPU—. Hay recetas para Transformers, SGLang y vLLM, y cuantizaciones de la comunidad en GGUF y MLX-4bit para uso local. MarkTechPost

Carbon-X: Hugging Face abre un modelo de lenguaje de ADN de 14,8B que entra en una GPU de 80 GB (25/10). Lo hicieron Hugging Face Bio con la Zhongguancun Academy y el TIGEM de la Universidad de Nápoles Federico II, partiendo de Qwen3-14B y agregando los tokens de ADN al vocabulario de texto, así que uno le pasa secuencia cruda en un chat y responde en inglés: si una mutación es benigna o patogénica, si una región es reguladora, de qué organismo viene, qué bases siguen. Promedia 66,7% en cinco benchmarks de ADN contra 67,5% de GPT-6.1 Sol (Max) y 60,9% de Opus 5.5 (Max), con 74,9% en BioReason Coding y 39,4% en NextBase como sus mejores marcas, y 29,8% en preguntas de sitios de splicing como la peor. La comparación hay que mirarla con cuidado: Carbon-X corrió con pensamiento apagado y los competidores en su mejor configuración de razonamiento. Apache 2.0, pesos en safetensors y GGUF (15,8 GB en Q8_0, 9,6 GB en Q4_K_M), vLLM, Transformers v5+ o llama.cpp b11742 o posterior —las builds viejas tokenizan mal el ADN—, y los propios autores aclaran que no está validado clínicamente. MarkTechPost

Hardware y Robótica

Robótica: Toyota pone 6.400 millones de dólares por año en humanoides y automatización de fábrica, con 400.000 robots como objetivo (26/10). Es la contracara ordenada de lo de ayer, cuando el análisis sobre los humanoides chinos marcaba que lo que falta no es capacidad de producir sino trabajo confiable y de larga duración fuera de la demo: un ejecutivo de Toyota dice que las primeras en recibir robots van a ser sus propias fábricas, porque son entornos más fáciles de controlar. El plan, según el Financial Times, es convertirse en una empresa global de robótica; Walden Robotics, el spinout de robótica con IA, salió a bolsa en julio con una valuación de 1.100 millones y 300 millones levantados, y Goldman Sachs estima que Toyota podría quedarse con entre 3% y 8% del mercado de humanoides para 2035. Los competidores que marca el artículo son Tesla, Xpeng y Hyundai, que arranca a fabricar su Atlas en Estados Unidos en 2028. El escepticismo de los inversores tiene base histórica: Toyota ya quedó corta con el auto de hidrógeno y con las baterías de estado sólido, y no hay plazo publicado para los 400.000 robots. The Decoder

Robótica: GXO extiende con Agility y lleva los Digit a dos depósitos más, en Carolina del Norte y Tennessee (26/10). El acuerdo original de 2024 —el primer Robots-as-a-Service de humanoides— puso a Digit en Flowery Branch, Georgia, donde la empresa dice que movió más de 100.000 totes; el acumulado de operación real que informa Agility es de más de 65.000 horas. Ahora suman Statesville y Lebanon para tareas repetitivas de manipulación en fulfillment de e-commerce, con arranque previsto para principios de 2027 usando Digit 4 y migración a Digit 5 cuando esté disponible comercialmente. El contexto financiero es la parte a seguir: Agility va a bolsa fusionándose con Churchill Capital Corp XI, con cierre esperado en el cuarto trimestre de 2026 y ticker “AGLT” en Nasdaq, y su planta RoboFab en Salem, Oregón, de unos 6.500 metros cuadrados, está diseñada para hasta 10.000 robots por año. Las cifras de totes, horas y capacidad son de las empresas, sin verificación independiente. GXO

Robótica: Teradyne se asocia con Sereact y pone brazos UR a procesar devoluciones de Zalando en Alemania y Polonia (25/10). Lo anunciaron en GTC Berlín: la plataforma Cortex de Sereact maneja brazos de Universal Robots en sistemas de doble brazo, y las empresas dicen haber entregado ya cientos de robots a sitios de clientes en Europa. El despliegue concreto es con CEVA Logistics para Zalando, procesando devoluciones de ropa de forma autónoma en los centros de Greven y Świebodzin, y el argumento de venta es regulatorio: la normativa europea contra destruir o tirar mercadería devuelta empuja a reacondicionar para revender. El stack es íntegramente Nvidia —entrenamiento en Isaac Sim con los world models Cosmos, post-entrenamiento con RL en Isaac Lab, inferencia en Jetson Thor en la celda y desarrollo de sitio en DGX Spark—, y Teradyne aporta assets OpenUSD SimReady de UR y MiR a la biblioteca SimReady Central en Hugging Face. Lo que no hay es ningún dato cuantitativo: ni throughput, ni precisión de picking, ni uptime, ni cuántos robots son “cientos”. The Robot Report

Los traders de alta frecuencia se están construyendo sus propios data centers y bancando startups de chips (26/10). La nota de Bloomberg que resume The Decoder pone a Jane Street y Hudson River Trading compitiendo por cómputo: un ejecutivo sin nombre estima que el gasto en cómputo del sector es de 10 a 20 veces el de antes de ChatGPT. Los datos duros: XTX Markets construye un data center en Finlandia; Jane Street opera uno en Texas con más de 4.000 GPUs de Nvidia, invirtió 1.000 millones de dólares directo en CoreWeave y comprometió 6.000 millones en sus servicios de cómputo, además de liderar una ronda de la startup de chips Etched y ser su primer cliente; Hudson River gasta cerca de 1.000 millones por año en IA según su jefe de IA, Iain Dunning, con un acuerdo multianual con CoreWeave. Los riesgos que reconoce la industria son el costo creciente y el envejecimiento rápido de los chips; el CEO de Optiver responde que no hacer nada es más peligroso. The Decoder

Huang le pone precio a la pata de software de Nvidia: unos 2.000 dólares por GPU por año para correr agentes (25/10). Lo dijo en GTC Berlín el 22: “son unos 2.000 dólares por GPU por año para correr todo el software que provee Nvidia que hace funcionar agentes en estas fábricas de IA”. El número a tener de referencia es el que ya cobra: la plataforma AI Enterprise está listada a 4.500 dólares por GPU por un año de suscripción, más del doble, así que esto no es un recorte confirmado sino un ejemplo suelto —Nvidia no dijo desde cuándo, cuántas GPUs cubre, ni qué software exactamente entra, ni si se solapa con AI Enterprise—. El contexto de producto es la arquitectura de referencia OpenShell que anunciaron el 21, que junta infraestructura Vera Rubin, CPUs Vera y DPUs BlueField-4 con Nvidia Sentry, que vigila agentes y puede poner en cuarentena a los que se pasan de los límites fijados; Anthropic está integrando OpenShell y BlueField con Claude Managed Agents. Las proyecciones de 10.000 millones anuales que circulan son escenarios de terceros sobre cantidades de licencias asumidas, no guidance de Nvidia. Tom’s Hardware

Ciberseguridad

Un AGENTS.md malicioso en la carpeta Downloads hizo que Codex instalara malware en más de 90% de los intentos (26/10). El caso lo reporta Forever Security sobre la máquina de un cliente real, y lo frenaron antes de que corriera código; no pudieron determinar cómo llegó el archivo. El archivo estaba disfrazado de notas de ingeniería y le pedía al agente agregar un servidor a su configuración e instalar el paquete npm function-color, que a su vez trae el downloader function-flag que baja y corre un payload de Windows —la campaña es la que CloudSEK y Checkmarx llaman MALFEX—. En VM aislada, el archivo real del atacante consiguió que Codex registrara el servidor malicioso en ~/.codex/config.toml, que aplica a todas las sesiones de la máquina, y que corriera el malware en más de 90% de los intentos; con un CLAUDE.md plantado que intentaba setear ANTHROPIC_BASE_URL para desviar el tráfico de API y filtrar el token de login, Claude suele negarse pero con un envoltorio largo de documento de ingeniería lo aprobó cerca de la mitad de las veces. La lista de acciones para hoy es corta: no arrancar agentes en ~/Downloads (la mitad de los clientes de Forever lo hace), leer todo AGENTS.md o CLAUDE.md que uno no escribió incluyendo los de repos recién clonados, revisar ~/.codex/config.toml y .claude/settings.json por bloques de servidor o base URLs desconocidas, y si aparece un archivo plantado, asumir que el token se filtró y rotarlo. Forever dice que acá no hay nada que parchear de lado de OpenAI o Anthropic: el agente siguió sus instrucciones como está diseñado. The Hacker News

Gheist: más de 13.500 ramas plantadas en más de 850 cuentas de GitHub para sacar los secretos por los logs de Actions (26/10). Wiz lo viene siguiendo desde el 15 de septiembre y le puso el nombre por el user agent que manda la herramienta del atacante. El patrón es siempre igual: con un token robado con permiso de escritura crean una rama ci-sync- más seis caracteres al azar, commitean .github/workflows/sync-check.yml, el workflow imprime los secretos del repo en base32 —que esquiva el enmascarado de logs de GitHub—, bajan el log por la API y borran la corrida segundos después. Lo incómodo del diseño es que la exfiltración sale por GitHub mismo, así que no hay servidor del atacante que bloquear; una variante corre un job por cada entorno de deployment y expone los secretos de producción. La retención de corridas sospechosas que GitHub aplica desde el 28 de julio paró todas las corridas públicas que Wiz revisó, pero no cubre repos privados ni GitHub Enterprise Server. Para detectar: ramas ci-sync- cuyo único cambio es ese archivo con el mensaje ci: sync config, corridas borradas poco después de terminar en los audit logs, y en runners self-hosted los archivos .gdmp_pat, .gdmp_patg y .gdmp_sweep. Y para responder, rotar todo secreto al que llegaba el repo y tratar como comprometido cualquier runner self-hosted que haya corrido una de esas ramas. The Hacker News

Token spraying en Microsoft 365: 97 cuentas comprometidas en 79 organizaciones con tokens robados y reproducidos (26/10). Huntress midió la campaña entre el 14 de julio y el 22 de septiembre: más de 200.000 intentos de login desde el rango 193.26.115.0/24, 497 inicios de sesión exitosos y 48 dispositivos propios registrados en Entra. El mecanismo es adversary-in-the-middle —una página de login intermedia captura credenciales y código MFA, los pasa al login real de Microsoft y el atacante se queda con el token de acceso para reproducirlo desde sus propias máquinas—, combinado con phishing de device code e ingeniería social. La parte de persistencia es la que define el tiempo de respuesta: en al menos 19 organizaciones borraron los métodos MFA existentes y registraron nuevos dentro de las tres horas del primer login, y en un caso del 21 de julio activaron una app de autenticación a menos de 51 minutos del secuestro de sesión. También crearon reglas de bandeja ocultas con nombres crípticos para borrar o esconder correos sobre nómina, depósitos y bonos. Las acciones: revocar sesiones y resetear contraseñas de los sospechados, auditar dispositivos de Entra y métodos MFA registrados, buscar reglas de bandeja inesperadas y aplicaciones empresariales nuevas, y restringir el flujo de device code con Acceso Condicional. The Hacker News

Tailscale SSH: once hallazgos sin parche, con escalada a root en servidores alcanzables y sin CVE asignado (25/10). El reporte es de Erica Windisch, de Cyberdione Labs, se llama “Tailworm” y sale de tres días de laboratorio sobre Tailscale 1.104.2 y headscale 0.29.5; no hay prueba de concepto pública ni nadie que lo haya reproducido todavía. Los tres más serios: con port forwarding de SSH habilitado, una sesión normal hizo que el proceso de Tailscale con privilegios de root se conectara a un socket del sistema solo-root, dando root y lectura del archivo de contraseñas; el reemplazo de un socket de root por el del atacante; y una carrera TOCTOU que burló el chequeo de archivos reenviables y capturó una clave de enrolamiento, dejando que la máquina del atacante se sumara a la red como servidor confiable —esto último anduvo de punta a punta solo en redes sin Tailnet Lock—. Hace falta ya controlar un dispositivo que las reglas de acceso dejen llegar al objetivo, así que no es un ataque desde cero. Mike Shaver, VP de ingeniería de Tailscale, dijo en Reddit que recibieron el reporte, que venían mirando las mismas áreas con especialistas externos y que encontraron cosas que están arreglando, pero no confirmaron los detalles técnicos ni recomiendan desactivar Tailscale SSH en general. Mitigaciones mientras no hay parche: reglas de acceso como pares origen-destino únicos en vez de reglas amplias por identidad o tag, desactivar port forwarding donde se pueda —en headscale 0.29.5 no se puede, así que ahí cada permiso de SSH equivale a root en el objetivo—, quitar permisos de app connector a los dispositivos que no los necesitan, y activar expiración de node keys. The Hacker News

PHP2Shell: ahora los atacantes usan plataformas de IA agéntica para la post-explotación, y aparece una tercera RCE (25/10). Sigue de lo de ayer y del 21, cuando PHP2Shell se desplegó en tres entregas y Cognition publicó las skills para parchearlo: la novedad es cómo siguen los atacantes después de entrar por CVE-2026-109618 y CVE-2026-109619. Unit 42 reportó uso de plataformas de IA agéntica para la post-explotación, un túnel de relay NTLM hacia Active Directory y un intento de escalada a Domain Admin. CYFIRMA, con confianza moderada, ata una campaña de escaneo a un operador presuntamente ligado a Corea del Norte por nexos con Lazarus: sondeo de bajo volumen y acompasado desde 21 nodos comprometidos contra 216 hosts sin parchear o parcialmente mitigados, en gobierno, finanzas, logística, aviación y manufactura de Estados Unidos, Japón, Corea del Sur, Tailandia, Indonesia, Australia, Taiwán, India, Singapur, Emiratos, Arabia Saudita y la UE. Y la PHP Foundation avisó de una tercera RCE, CVE-2026-115560, que requiere una combinación poco común de configuración y código de aplicación y se arregla en el ciclo normal de releases. La superficie que da la escala: Bitsight cuenta casi 37 millones de sistemas PHP expuestos a internet, y Cloudflare detectó millones de intentos de explotación después de la divulgación pública. The Hacker News

Técnicas, repos y práctica

Repos: AKV, de Tsinghua, baja 27,7% el costo de un agente tirando entradas del caché KV en vez de resumir el historial (26/10). La idea es simple y accionable: en vez de resumir la conversación vieja —que rompe el prefijo y obliga a recalcular—, el agente descarta entradas seleccionadas del caché KV y sigue reusando el resto. Está construido sobre SGLang, es Apache 2.0 y no trae pesos: es servidor más biblioteca de políticas. Los números sobre tres modelos y cuatro benchmarks agénticos: costo promedio 27,7% más bajo que el resumen por umbral y 21,9% más bajo que Text Engineering, con 1,7 puntos más de puntaje promedio; en SWE-bench Verified con GPT-OSS-120B el costo por tarea baja de 20,0 a 9,7 centavos y el puntaje sube de 40,0 a 43,2; en servicio, 1,51 veces menos latencia P95 y, con concurrencia 16, P95 de 229,90 a 30,63 segundos. La API es stateless y compatible con OpenAI: el cliente manda el historial completo más dos campos opcionales, drop_message y reposition, que una CachePolicy arma por disparador y selector, y hay una CacheTool para que el propio modelo llame drop_context —exponerle el control del caché al modelo subió GPT-OSS-120B de 52,1 a 61,0 en un subconjunto de 100 tareas—. Las salvedades importan: pide GPUs NVIDIA sin camino GGUF, CPU ni MLX, solo soporta modelos de texto Qwen, GPT-OSS y MiniMax-M2, los costos son estimaciones equivalentes de API y no facturación medida, y con MiniMax-M2.7 la ganancia se da vuelta en BrowseComp-Plus (58,9 contra 62,3 de Text Engineering). MarkTechPost

TokenGate: una compuerta aprendida que podá tokens y acelera el prefill de contexto largo hasta 11,3 veces (25/10). Es un módulo de Stanford y UC Berkeley: un MLP chico puntúa cada token de entrada y solo los mejores del documento pasan con procesamiento completo a las capas de arriba; la pregunta nunca se podá. Se entrena la compuerta más un adaptador LoRA (r=16) sobre Qwen3-1.7B o Qwen3.5-2B, con contextos probados hasta 128K. Los números autoinformados: time-to-first-token de 1,4 a 11,3 veces más rápido —el 11,3 es en needle-in-a-haystack a 16K, y una compuerta entrenada a 16K llega a 13,0 veces a 64K y 128K—, memoria pico de prefill de 1,5 a 3,4 veces menor, y contra el mejor baseline de 1,2 a 6,4 veces. Al titular de “sin pérdida de precisión” conviene bajarle el tono mirando los propios resultados: en 2WikiMultihopQA el 3,0 veces más rápido es al 95% de la precisión de contexto completo, y la configuración rápida en capas tempranas de Qwen3.5 pierde hasta 6%. Código y checkpoints en GitHub (token-gate-llms/TokenGate) con Apache 2.0, Python 3.10+ y PyTorch CUDA 2.9+, kernel FlashAttention-2 opcional con fallback a FlexAttention, sin GGUF ni API hosteada. Entrenar la compuerta cuesta aparte: cuatro A100 y pasos cerca de 1,3 veces más lentos que LoRA pelado. MarkTechPost

Anthropic abre OSS Scanner, un escáner de vulnerabilidades gratis para proyectos open source críticos (25/10). Es la otra mitad de lo de ayer, cuando Cognition publicó skills para parchear CVEs: acá el agente busca los bugs en vez de arreglarlos. Lo armaron el Frontier Red Team y el equipo de Safeguards Research copiándole el diseño a OSS-Fuzz de Google, con modelos en el lugar de los fuzzers. Los números de los primeros once días desde el lanzamiento del 8 de octubre: 77 hallazgos críticos y 803 altos según el propio modelo, con 114 proyectos aceptados sobre unas 650 solicitudes al 19 de octubre. La auditoría propia sobre 97 hallazgos críticos y altos en 48 proyectos dio 85 (88%) por encima de su umbral de divulgación coordinada, 11 reales pero duplicados de problemas conocidos y uno inválido; wolfSSL reportó 72 de 74 como válidos y cinco terminaron en CVE. La inscripción es un PR al repo anthropics/oss-scanner agregando un project.yaml que apunta a un Dockerfile —la build corre con red, la auditoría en VM aislada sin internet—, y los reportes traen reproductor, explicación, bisección al commit que lo introdujo y parche candidato cuando lo hay. La contra para quien mantiene: los reportes llegan sin revisión humana, así que el triage queda del lado del proyecto, hubo quejas de severidad inflada, el 88% sale de una muestra de 97, y sin archivo de modelo de amenaza el escáner adivina qué entradas son adversarias y qué código está fuera de alcance. MarkTechPost