Briefing Tech — 5 de noviembre de 2026

Generado el 5 de noviembre de 2026 a las 13:12 UTC. Cubre las últimas 24 horas, desde el 4/11 a las 13:12 UTC.

TL;DR

Un modelo cyber sin publicar de OpenAI corrió un pipeline de cinco etapas sobre el kernel de Linux y salió con 948 exploits funcionales de escalada a root, 1,21 millones de dólares de API y al menos diez técnicas de explotación nuevas.
Moonshot publicó los pesos de Kimi K3.1 Pro en Hugging Face: 2,8 billones de parámetros, 1,56 TB de descarga en MXFP4 y una licencia que exige acuerdo aparte si facturás más de 20 millones revendiendo inferencia.
Agility empezó a cotizar en Nasdaq como AGLT, primera humanoide pura-play pública de Estados Unidos, con 465 millones levantados, 174.000 dólares de ingresos semestrales y 362 millones de pérdidas.
AMD guió 17.000 millones para el cuarto trimestre: si los pega, por primera vez en la historia factura más que Intel en un trimestre.
Los votantes estadounidenses rechazaron datacenters en casi todas las más de 40 medidas locales que se votaron en diez estados.

IA

Moonshot libera los pesos de Kimi K3.1 Pro: 2,8 billones de parámetros, 1,56 TB y una licencia con tope de 20 millones (04/11). Sigue de lo de ayer, donde Simon Willison corrió el modelo vía OpenRouter para reproducir la lectura de pesos: ahora los pesos se bajan. La arquitectura es mixture-of-experts con 2,8 billones de parámetros totales y unos 104.000 millones activos por token, 93 capas, 896 expertos de los que se eligen 16 más 2 compartidos, y una atención híbrida de 69 capas KDA y 24 Gated DSA que reemplaza las capas de atención completa de K3. El contexto es de 1.048.576 tokens, el encoder de visión es MoonViT-V2 de 401 millones de parámetros, y los pesos vienen nativamente en MXFP4 con activaciones MXFP8 por entrenamiento consciente de cuantización, así que la descarga son 1,56 TB en 96 shards y no hay checkpoint BF16. Los benchmarks son autoreportados con esfuerzo de razonamiento máximo: 65,7 en Terminal-Bench 4.0, 94,2 en GPQA-Diamond, 92,1 en BrowseComp y 70,0 en HLE-Full con herramientas. Dos letras chicas importan más que los números. La licencia no es OSI: si ofrecés a terceros inferencia o fine-tuning del modelo y el grupo factura más de 20 millones de dólares en cualquier período de doce meses consecutivos, hace falta un acuerdo aparte con Moonshot; el uso interno y el producto que embebe el modelo quedan afuera de esa cláusula. Y el self-hosting no es para cualquiera: la receta de vLLM pide 0.34.0 o posterior y un grupo tensor-parallel de ocho GPUs —dos trays GB300 o un nodo B300—, un nodo de 8×H200 con 1,13 TB de HBM no alcanza para los pesos, y un nodo sale entre 550.000 y 650.000 dólares, el equivalente a unos 55.000 a 65.000 millones de tokens de salida al precio de lista de la API. Hugging Face · OrcaRouter

Tencent libera Hy4, 770B de pesos abiertos con computer use nativo (04/11). Es un mixture-of-experts de unos 770.000 millones de parámetros con la visión metida en el modelo núcleo en vez de agregada por un encoder aparte, y un contexto de un millón de tokens. La capacidad que Tencent pone adelante es el control de interfaces: operar GUIs, correr comandos y manejar aplicaciones de forma nativa, con demos tempranas de agendar turnos, extraer datos de planillas y manejar mail. Se puede usar en Tencent Cloud TokenHub, WorkBuddy, CodeBuddy, Yuanbao y el asistente Dayuan de WeChat Work, y OpenRouter, Hermes y OpenCode lo sumaron el mismo día del lanzamiento, con 50% de descuento de API hasta el 31 de diciembre. Lo que no hay es benchmarks: Tencent no publicó ningún número cabeza a cabeza y admite que todavía va atrás de Claude y GPT en las tareas de uso de computadora. Emergent · Mad Robot

Ricursive saca Ripple-65B Preview: densa, Apache 2.0 y 80,5 en Terminal-Bench 2.1 (04/11). Lo raro del lanzamiento es que sea densa: 65.000 millones de parámetros sin mixture-of-experts, 80 capas, d_model 5120, 12 billones de tokens de pretraining y un post-training liviano enfocado en coding agéntico, con hasta un millón de tokens de contexto y licencia Apache 2.0. El titular de 80,52 en Terminal-Bench 2.1 sale con OpenCode como harness, y el propio model card aclara que con el harness oficial Terminus 2 los números dan más bajo. El resto del cuadro es más modesto: 76,5 en SWE-bench Verified contra 81,6 de Reflection Beam, 61,42 en SWE-bench Pro v1.0 contra 66,1, 71,67 en MCP Atlas contra 80,8 y 44,3 en DeepSWE 1.1 contra 60,0 de Muse Spark Open. Vienen cuatro variantes —BF16 instruida, NVFP4, base y un draft model de speculative decoding llamado DFlash2— y la referencia de velocidad son 250 tokens/segundo en 2×B200 a batch 8, antes de cuantizar o meter kernels propios. La empresa dice haber gastado unos 32 millones de dólares de I+D en total, estimación propia sin auditar, y al momento de publicarse no había ninguna reproducción independiente de los benchmarks. Developers Digest · MarkTechPost

OpenAI compra Pierre Computer para meterle almacenamiento de código a Codex y apuntarle a GitHub (04/11). Pierre es una empresa de herramientas para desarrolladores cuya tecnología de navegación y almacenamiento de código —árboles, diffs, el plomo de Git— ya sostiene partes de Codex. La lectura que hizo Axios al adelantar el acuerdo es la competitiva: el movimiento acerca a OpenAI a ofrecer el ciclo completo de desarrollo y a disputarle terreno a GitHub, que es de Microsoft. No se publicaron los términos económicos. Axios · DevOps.com

Hardware y Robótica

Robótica: Agility debuta en Nasdaq como AGLT, la primera humanoide pura-play pública de Estados Unidos (05/11). Sigue de lo de ayer por un hilo concreto: Schaeffler, que anteayer anunciaba 3.460 recortes netos en Europa apoyándose en humanoides, es uno de los nueve clientes de Agility, junto a GXO, Toyota Motor Manufacturing Canada y Mercado Libre. La salida fue por fusión inversa y levantó 465 millones de dólares de capital nuevo entre inversores minoristas y un tramo privado. Los números del negocio real son los que hay que mirar: 174.000 dólares de ingresos en el primer semestre de 2026, mayormente de partes relacionadas, contra 362 millones de pérdidas en el mismo período. Los Digit desplegados mueven totes pesados —más de 100.000 en una planta de GXO— con 98% de precisión de colocación, pero todavía no hacen manipulación compleja. El pipeline es una promesa: unos 300 millones de dólares en contratos planeados con 30 clientes que la empresa no nombra ni aclara si son inversores, condicionados a que el Digit 5 cumpla objetivos no divulgados de throughput, uptime y precisión; del Digit 5 no se mostraron prototipos y las demos están prometidas para el CES 2027, con disponibilidad amplia a fines de ese año. La prueba de concepto on-site cuesta 500.000 dólares al cliente y a mayo de 2026 cuatro la habían firmado. La planta podría hacer 10.000 robots al año, sin objetivo de producción publicado, y el entrenamiento se apoya en simulación y unas 65.000 horas de datos operativos. TechCrunch · GlobeNewswire

AMD guía 17.000 millones para el cuarto trimestre y espera facturar más que Intel por primera vez en la historia (04/11). Sigue de lo de ayer, donde AMD había reportado el trimestre más grande de su historia: el dato nuevo es la guía y lo que implica. Son unos 17.000 millones de dólares más o menos 3%, 66% de crecimiento interanual y 27% secuencial en el punto medio, contra los 15.000 a 16.000 millones que proyecta Intel. Incluso el piso de AMD, unos 16.500 millones, le gana al techo de Intel. La mezcla explica de dónde sale: datacenter pasaría de 8.550 millones en el tercer trimestre a unos 12.800 en el cuarto con el ramp de los MI455X y Helios, embedded crece a dos dígitos secuencialmente, y client y gaming caen más de 20% secuencial. Lisa Su puso dos frases para archivar: “ahora esperamos que los ingresos de servidores se dupliquen año contra año en 2027” y que datacenter sea “más del ochenta por ciento de nuestros ingresos totales en 2027”. Las salvedades son las obvias: es un pronóstico y no un resultado, se compara facturación y no ganancia, y el lado cliente queda expuesto al precio de la memoria con envíos de PCs que se esperan cayendo a dos dígitos en 2027. Tom’s Hardware

Micron pausa la obra de la fab de 4.500 millones en Taiwán por un conflicto salarial (05/11). La planta de Taoyuan iba a producir DRAM y HBM desde 2028, y el freno llega en el peor momento posible del ciclo: con la memoria agotada, los precios de DDR5 por las nubes y Apple recortando su guía de margen por el costo de la RAM, una fab menos en el horizonte de 2028 mueve el cálculo de oferta de toda la industria. Las fabs que ya operan —cerca del 60% de la producción mundial de DRAM— no están afectadas. Es un reporte de Bloomberg y la acción de Micron cayó en el premarket; la empresa no detalló plazos para retomar. Bloomberg · Invezz

Los votantes de Estados Unidos rechazan datacenters en casi todas las medidas locales que se votaron en diez estados (04/11). Se votaron más de cuarenta medidas locales y los opositores ganaron en casi todas. Ohio concentró el volumen con casi veinte municipios, pueblos y condados votando, y ahí los opositores aparentemente ganaron todas; también hubo derrotas para los proyectos en California, Illinois, Kansas, Maine y Nueva Jersey. Emporia, Kansas, aprobó una prohibición de “datacenters de alto impacto” con poco más del 60%, y Alhambra, California, va camino a prohibirlos según resultados tempranos. La única victoria del lado de los datacenters fue Harwood, Dakota del Norte, donde 75% de 430 votantes rechazó una enmienda de carta orgánica que habría exigido revisión independiente y audiencias públicas para proyectos industriales grandes. Un exit poll de NBC midió que 56% de los votantes consideró la IA y los datacenters un factor crucial o importante en su voto, y que 64% de esos votó por los demócratas. Dos cosas a no exagerar: parte de las medidas son consultivas y no obligan a los funcionarios locales, y Arkansas y Dakota del Norte todavía votan el mes que viene. Hay una enmienda constitucional estatal en Ohio para prohibir construcción nueva que podría llegar a la boleta el año próximo. Route Fifty · CNBC

Ciberseguridad

El modelo cyber de OpenAI genera 948 exploits de escalada a root en el kernel de Linux por 1,21 millones de dólares (04/11). Sigue de lo de ayer, donde OpenAI anunciaba su sprint de seguridad y la contratación de Cathedral: este es el resultado técnico que lo acompaña. El pipeline tiene cinco etapas —descubrimiento de objetivos alcanzables con bajo privilegio, validación dinámica en sandbox con evidencia de runtime preservada, evaluación de explotabilidad con prueba de concepto, generación de parche y revisión humana antes de reportar a los mantenedores— y lo corre un modelo cyber que todavía no se publicó. Los números de la corrida de mediados de octubre: 2.308 hallazgos candidatos analizados, 1.724 vulnerabilidades reproducidas dinámicamente en unas 30 horas, pruebas de concepto para 291 fugas de información y 948 exploits funcionales de escalada local de privilegios sobre una distribución de uso común, a 1.213.430 dólares de API, unos 1.279 por exploit. La comparación que hace de esto una curva y no un dato: el mismo trabajo en junio con GPT-5.5-Cyber había dado 24 exploits, casi cuarenta veces menos. OpenAI también cuenta al menos diez técnicas de explotación que cree nuevas: dos objetos elásticos persistentes para spray en la cache del kernel, dos de page grooming para confiabilidad, cinco data-only para escalar privilegios y una de type confusion arbitraria. Las salvedades están declaradas y son importantes: hizo falta iteración guiada por expertos humanos e instrucciones extra, y sobre los parches generados la empresa dice que “pueden ser” funcionalmente correctos, en condicional. Al momento del reporte, los mantenedores de Linux habían parcheado 61 fallas upstream, 43 tenían parche en preparación y 299 estaban en discusión pública. La tesis que OpenAI deja escrita es la incómoda: para un atacante con recursos, un sistema sin parchear con una cuenta de bajo privilegio hay que tratarlo como “funcionalmente equivalente a acceso root”. OpenAI · The Hacker News · Phoronix

CISA mete en el catálogo KEV una falla de Apple de 2024 que APT29 usa en una cadena zero-click (04/11). CVE-2024-27834 es una autenticación impropia de 5,5 de CVSS que permite saltear Pointer Authentication a un atacante que ya tenga lectura y escritura arbitrarias, se demostró como 0-day en Pwn2Own Vancouver en marzo de 2024 y Apple la arregló en mayo de ese año en iOS 16.7.8 y 17.5, iPadOS equivalentes, macOS Sonoma 14.5, tvOS 17.5, watchOS 10.5 y Safari 17.5. Lo nuevo es para qué se usa: un reporte de Sekoia la ubica como el segundo eslabón de una cadena sin un solo clic, combinada con una ejecución remota de código en WebKit, que termina plantando un payload de JavaScript para robar cookies del navegador. Las vías de llegada son sitios legítimos comprometidos, sitios falsos que imitan a populares, y un ataque a la cadena de suministro del SEO Tracker de Plerdy. La atribución, con confianza moderada a alta, es APT29 —Cozy Bear, Midnight Blizzard—, ligado al servicio de inteligencia exterior ruso. Las agencias civiles federales de Estados Unidos tienen hasta el 18 de noviembre. La lección práctica es la de siempre con los KEV viejos: un parche de hace dos años y medio sigue sin aplicar en suficientes dispositivos como para que valga la pena armarle una cadena. The Hacker News

Una imagen de Docker troyanizada de ARTEX deja un shell root sin autenticar, y CERT-In alerta por un actor que usa herramientas ofensivas de IA contra bancos (05/11). ARTEX es una herramienta open source de pentesting cuyo desarrollador bajó el repositorio oficial de GitHub después de que la usaran en ataques reales; aparecieron copias, y una de ellas —trhhubsd/ARTEX— cambió una sola línea del docker-compose.yml para traer una imagen modificada, tomicdd/artex, de Docker Hub. La imagen agrega una función oculta verifyCaptcha() en el handler de login: si el campo de CAPTCHA arranca con un marcador secreto, el resto se ejecuta como root vía sh -c y la salida vuelve antes de cualquier chequeo de credenciales. El investigador independiente Badbyte, que la encontró, lo resume como “un shell root sin autenticar en cada instalación”. La escala: unas 9.000 descargas de la imagen en Docker Hub, otros namespaces con builds idénticos —congdonglinux/artex entre ellos—, 62 consolas expuestas a internet sirviendo el build troyanizado entre el 2 y el 4 de noviembre (26 en Estados Unidos, 17 en Hong Kong, 7 en China), la primera de ellas ya visible el 20 de octubre, doce días después de que se subiera la imagen, sobre un total de 1.645 hosts sirviendo la consola de ARTEX al 4 de noviembre. El contexto que lo vuelve urgente lo puso CERT-In el mismo día: rastrea un actor al que llama Crafty Falcon, que ataca bancos, aseguradoras y exchanges en India usando herramientas ofensivas públicas con IA —ARTEX, PentAGI, Cairn y CyberStrikeAI—, roba credenciales de API de pasarelas de pago y bancos socios, prueba con transferencias de valor mínimo, borra logs y manipula la seguridad de endpoint. CERT-In publicó además guías de auditoría de seguridad de IA con tres ejes: menor privilegio, aprobación humana para acciones consecuentes e interrupción de emergencia. The Hacker News

Técnicas, repos y práctica

Claude Code baja 99% el costo de los status updates de los subagentes en background (v2.1.316, 04-05/11). El problema era de diseño y Anthropic lo reconoce: hasta ahora la línea de estado de un subagente en background resumía la transcripción entera cada 30 segundos, así que el input por update crecía con la conversación. El arreglo es que el subagente mantenga notas compactas mientras trabaja y que Haiku 5.5 escriba la línea de estado a partir de esas notas, sin releer el hilo; la tarea delegada sigue corriendo en el modelo que tenga configurado. El efecto declarado es unos 99% menos por update —Anthropic no publicó conteos absolutos de tokens—, y en la práctica las sesiones que usan subagentes en background consumen cerca de 5% menos del allowance, lo que la empresa traduce en unos 6% más de prompts. No hace falta cambiar configuración: alcanza con estar en 2.1.316 o posterior. Si no usás subagentes en background, no cambia nada. AlphaSignal · daily.dev

vercel-labs/agent-desktop explota en GitHub: computer use por árbol de accesibilidad en vez de píxeles (05/11). Es el repo que más estrellas sumó en el día entre los de infraestructura de agentes —unas 2.470, para un total de 11.800— y la idea es la que conviene robar incluso si no se usa la herramienta: en lugar de screenshots y matching de píxeles, consulta el árbol de accesibilidad del sistema operativo y devuelve JSON donde cada elemento accionable tiene un ref; el agente actúa sobre el ref y vuelve a tomar snapshot para verificar. Es un CLI más una librería C con FFI (libagent_desktop_ffi) para llamarla en proceso, Apache 2.0, con unos 56 comandos entre observación, acciones sobre refs, teclado y mouse, manejo de apps y ventanas, notificaciones, clipboard y sesiones. Todo comando devuelve un sobre único con ok más data o error, y es headless por defecto: las acciones sobre refs no mueven el puntero ni roban foco, y hay un flag global --headed para input físico de verdad. Corre en macOS, Windows y Linux en x64 y ARM64 con soporte desparejo —Linux necesita sesión gráfica con at-spi2-core—, se instala con npm install -g agent-desktop, y en macOS hay que darle permiso de Accesibilidad con agent-desktop permissions --guide. Trae documentación para agentes incorporada en agent-desktop skills get desktop. En el mismo listado del día, NVIDIA/auto-ontology —la capa semántica que aterriza el SQL de los agentes sobre metadata de bases— sumó otras 2.050 estrellas. GitHub · agents-radar

OpenAI vuelve a prender el toggle de entrenamiento en Codex sin avisar, y el reporte escala en Hacker News (03-04/11). El reporte original es del 3 de noviembre: equipos que habían desactivado “Improve the model for everyone” —el switch que decide si las interacciones alimentan el entrenamiento— se encontraron con que estaba prendido de nuevo, sin notificación. Un comentarista dice que sus pedidos anteriores de desactivarlo figuraban como concedidos y el toggle igual estaba activo. El hilo llegó a 519 puntos y OpenAI no reconoció públicamente el cambio ni aclaró si es intencional o un bug. La acción concreta lleva treinta segundos y conviene hacerla hoy aunque jures que ya lo habías apagado: revisar el estado en chatgpt.com/settings/data-controls. Es el mismo patrón que el caso de Postman de ayer visto desde el otro lado: la configuración que gobierna qué hacen tus herramientas con tu código cambia sin changelog, así que hay que auditarla periódicamente en vez de darla por hecha. Emergent · Hacker News

“Twice as Fast, Until It Isn’t”: la evidencia pública de cuantización para modelos de 9B a 20B no alcanza para decidir nada (03-04/11). El paper de Smit Kadvani, Kriti Faujdar y Spurthi Tallam, subido el 3 de noviembre y anunciado el 4, no propone una técnica: audita las mediciones publicadas de speedup sobre BF16 y pérdida de calidad para modelos open-weight de 9.000 a 20.000 millones de parámetros servidos en vLLM o SGLang, y concluye que la evidencia está fragmentada. El hallazgo que más duele: solo dos checkpoints —ambos builds INT4 de Gemma 3 12B— tienen a la vez una medición de tiempo en vLLM y un score de calidad, y ese score cubre una sola materia de MMLU, justamente la que el build AWQ usó para calibrar. Los tiempos de batch 1 son anteriores a las versiones actuales de los motores, no hay mediciones en esta franja de modelos para hardware de AMD ni Gaudi de Intel, y no hay comparaciones de FP4 contra BF16. La regla práctica que sí queda es la distinción entre régimen limitado por ancho de banda y por cómputo: a batch chico los pesos de 4 bits casi duplican la velocidad —2,12x para Qwen2.5-14B en una A100—, pero a batch grande la ganancia se evapora —1,02x para Gemma 3 12B a batch 256—, y ahí el formato que todavía ayuda es FP8. Último dato para calibrar el escepticismo: muchos de los deltas de calidad publicados, incluidos todos los de HumanEval, caen dentro del ruido de muestreo del benchmark. El paper cierra con un checklist de siete puntos para reportar mediciones; mientras tanto, la conclusión es medir en tu propia versión del motor y tu propio hardware. arXiv