Hace casi un año los LLM no eran tan buenos como para confiarles una app nativa, pero estos días al parecer los grandes están saltando del barco de Electron y React Native (Discord dejando ambos por Rust, Shopify usando nativo en lugar de React Native).
Y el equipo de OpenCode ya está creando Rune, un framework de UI nativa en Rust pensado para agentes.
luke is porting opencode from electron to rune
look how fast it launches, it's completely instant, doesn't even feel like a cold start
once we're done we're going to teach the world how to do this and then everyone can stop complaining about electron
Muchos no lo saben, pero TypeScript está a punto de alcanzar el rendimiento de Go sin cambiar una línea de código.
Bun AOT compila tu TypeScript a código máquina antes de ejecutar y usa tus tipos de datos para optimizar.
Con esto le dices adiós intérprete, adiós JIT. De hecho, Claude Code compilado así gasta 48% menos memoria y 46% menos CPU.
Pero lo que falta para llegar a lenguajes como Rust ya no se arregla con un compilador mejor, sino con sintaxis nueva: enteros con tamaño, control de memoria. Pero al integrar esto, prácticamente sería otro lenguaje distinto y eso es justo lo que Jarred menciona aquí.
El techo de JavaScript era el JIT. Ahora es el lenguaje.
For TS/JS to reach performance closer to Rust/C than Go, it will likely need new syntax
Not proposing anything specific right now. Bun AOT is designed to be a drop-in for existing codebases. But we’ll likely propose some non-breaking additions later.
¿Recuerdan REA, el proyecto que hacía ingeniería inversa a cualquier cosa?
Un agente de IA al que le dabas un binario, una app de Electron o un programa compilado, y te devolvía el código. En la práctica significaba que cualquier programa que exista podía ser destripado y reconstruido. Bueno, acaba de llegar su antídoto.
Se llama BLA, Blind LLM Agents, y pasó de 0 a casi 4,000 estrellas en GitHub en mes y medio. La idea es simple: en vez de ocultar tu código, envenenas el análisis. Siembra claves falsas, lógica señuelo y trampas de recursos dentro de tu build. El usuario normal no nota nada; el agente de IA que intenta destripar tu app quema tokens siguiendo pistas falsas, hasta que termina “entendiendo” algo que no existe.
Según el proyecto, el atacante gasta entre 300 y 2,800 veces más tokens. Son cifras propias, nadie las ha verificado todavía. Pero la señal es clara, la ofuscación clásica ya no alcanza; ahora proteges tu código pensando en cómo lee una IA
Es open source, MIT, y está en GitHub github.com/qybaihe/bla
Hoy salió Claude Fable 5.2, y lo interesante es que Anthropic ya venía usándolo.
Con una versión temprana de este modelo migraron un servicio de producción de Python a Rust, y ahora arranca 26 veces más rápido. Es decir, antes de anunciarlo ya lo tenían trabajando en su propia infraestructura.
Cuesta $8/$40 por millón de tokens, un 20% menos que Fable 5.1, pero sigue siendo el doble que Opus 5.5. Y Anthropic lo dice claro: para el código y las tareas del día a día, sigue empezando con Opus 5.5. Fable 5.2 es para cuando el problema se pone serio: ingeniería, matemáticas y robótica.
Y así como versiones anteriores de Opus dieron un salto notable en 3D, esta vez el salto es en robótica: controla robots mejor que varios sistemas diseñados específicamente para eso, sin haber sido entrenado para ello.
Ya está en todos los planes de pago y en Claude Code.
Epic está vibe-coding Unreal Engine 6 y Fortnite a full.
Al mismo tiempo aparece este post en Reddit de una empresa que hizo exactamente eso hace un año y ahora el codebase es un desastre inmantenible.
¿Creen que Epic va a terminar igual o tienen mejor proceso interno? x.com/archer_uwu/status/2119…
Escribir sin teclado y sin hablar en voz alta está cada vez más cerca.
Se llama habla silenciosa cuando articulas una palabra sin emitir sonido, y los músculos de la boca y la mandíbula igual se mueven.
Bueno esta empresa llamada Subvocal usando esa idea capta esos movimientos con sensores en unos lentes, y con un modelo de IA aprende a reconocer el patrón de cada palabra y lo traduce a texto o a comandos.
Más que un gadget, ataca el gran problema de los lentes inteligentes: cómo darles órdenes.
Y es que hablarles en voz alta en público es incómodo, y tocar la patilla da para poco. Además suma privacidad: nadie a tu alrededor escucha lo que le dices a la IA.
La idea no es nueva: el MIT ya la probó con AlterEgo en 2018. Lo difícil es que funcione en algo que uses todos los días y con buena precisión
Acaban de levantar 1,3 M USD en financiación (Y Combinator y Afore Capital). Dicen superar las 200 palabras por minuto, aunque todavía no hay pruebas independientes.
Primero se vibecodearon webs. Luego juegos. Ahora, kernels de Sistemas operativos.
El creador de CentOS y Rocky Linux presentó esta semana Ginux: un kernel escrito en Rust y hecho desde cero con Codex, y tomándole solo 11 días, genero ~139.000 líneas.
Y no es un fork de Linux, pero corre algunos de los binarios de Linux sin cambios.
¿Y es Usable? Todavía no, es solo una prueba de concepto. Pero lo que antes tomaba años, ahora toma días.
People are missing the point of Ginux.
I didn’t create another kernel to compete with Linux. That is idiotic!
In fact I consider the code disposable. Think about that…
Ginux wasn’t the product. The development process was the experiment. The kernel was the evidence.
Could AI, directed by an experienced engineer, could build and validate an extraordinarily complex software system.
In just 11 days, I produced an independent kernel capable of booting Rocky Linux 10 with systemd.
That was the experiment. And while Ginux isn’t a complete Linux aligned kernel, the experiment is complete.
The research paper documents the methodology, results, and limitations.
Since publishing, people have started finding bugs and security issues. That’s fantastic! Independent review is exactly how complex software gets better.
There has already been an initial security review, and there’s a remediation plan sitting in context that I’m considering implementing.
So the question is, since the experiment is complete, do I even do anything further here?
Maybe there is an interesting experiment in measuring how efficiently human-directed AI can fix the problems external reviewers discover?
How much time does it take to reproduce an issue, identify the root cause, implement a fix, and validate the result? How much human intervention is actually required?
That’s potentially an even more interesting situation than the original 11-day experiment.
Because the real question was never whether AI could replace Linux. Even if it can replace some aspects of its functionality, it can’t replicate the community, standards, collaboration, alignment, or stability.
If you still believe that Ginux was designed to be a Linux replacement, you should read the actual paper.
zenodo.org/records/23682548
La IA se está comiendo las visitas de sitios grandes, y esta semana se notó.
Por ejemplo, Reddit anunció que está perdiendo más de 1 millón de visitas por semana desde Google. Su CEO dijo: “El modo IA no genera tráfico, ni para nosotros ni para nadie”. Así que ahora están probando exigir que inicies sesión antes de entrar a Reddit.
Stack Overflow también está recibiendo menos de 1.000 preguntas al mes, cuando en sus mejores años recibía unas 200.000.
Además, Wikipedia avisa que pierde lectores y les pide a los laboratorios de IA que paguen por los datos que muchos modelos usan para entrenarse. Dicen que no están pidiendo caridad: básicamente piden un pago por el uso de esos datos.
Es decir la IA responde con el contenido de todos, pero ya nadie visita la fuente. Y, siendo honesto, ¿para qué, si el modelo te lo resume bastante bien?
Por eso Cloudflare ya está proponiendo salidas. Por ejemplo, cobrarle a una IA cada vez que lee tu contenido, cada vez que lo usa o lo cita en una respuesta y cada vez que un agente usa tu servicio. De hecho, Stack Overflow ya usa este método y les cobra a los bots que leen su contenido.
Así que la monetización del contenido está cambiando, y es muy importante tenerlo en cuenta, sobre todo si vas a crear tus próximos proyectos.
Se volvió viral que Claude Code ahora evita recrear videojuegos que ya existen, aunque les cambies el nombre. Muchos dicen que es por su IPO: Anthropic no querría problemas legales con los gigantes del gaming justo antes de salir a bolsa.
Y la respuesta que más se repite es "usa tu propio harness". No me convence. Harness abiertos hay muchos, pero al final dependen del modelo que conectes. Estas restricciones van a terminar dentro del modelo, como ya pasa con ciberseguridad y biología en Fable. Lo que de verdad importa es el modelo abierto.
ANTHROPIC IS CRACKING DOWN ON VIDEO GAME REWRITES 🚨
Claude Code picked up a new rule around Oct 27, sent from Anthropic’s servers under a flag called "tengu_heron_brook". There’s no setting to turn it off.
The full rule: “Do build original games, games in a genre, and games from the user’s own designs and assets. Don’t build a recreation of a specific existing game, even if it is renamed or called original.”
Is this the end of game rewrites, modding and everything in between?
Después de responderte, Claude hace algo que no ves, y es que se pregunta si lo estás usando para algo malo.
A esto Anthropic lo llama autoevaluación: es una instrucción oculta que le pide evaluar la conversación. No bloquea nada en el momento; es solo un primer filtro que aparta las conversaciones sospechosas para que las revisen herramientas más precisas.
Según Anthropic, en Claude Fable 5 detecta el 78% de las conversaciones potencialmente dañinas (es decir aun se le escapa el 22%) y el 94% de las más graves. Y solo marca por error el 1% de las conversaciones normales, usando menos del 2% de cómputo.
Esto ya está activo en todos los modelos de Claude desde Fable 5.
En resumen, es una IA vigilando sus propias conversaciones, algo que a algunos les puede dar más confianza y a otros, menos.
We’ve trained Claude to flag potential misuse in conversations, a technique we call self-assessment. Right after it responds, Claude gives a preliminary safety assessment of the conversation.
Since we began using self-assessment in June, it has surfaced misuse that our other safeguards weren’t designed to catch.
Because Claude has already read the conversation, self-assessment is very efficient. And unlike classifiers, which target a discrete set of harms, it draws on Claude’s own judgment, so it gets more accurate as our models improve.
Read more on our new Safeguards blog:
safeguards.anthropic.com/202…
Uno de los creadores de OpenCode hizo una cuenta que choca con lo que dice Anthropic.
Hace unos días Anthropic anunció que va a empezar a vender acciones en la bolsa, y en sus documentos muestra que ya se comprometió a gastar muchísimo dinero en servidores para correr su IA, porque cree que la demanda va a ser enorme.
Pero Dax de Opencode calculó que casi todo el tráfico de DeepSeek en OpenRouter, uno de los sitios más usados para acceder a modelos de IA, cabe en un solo rack de servidores de Nvidia.
Ademas Chaofan Shou, el investigador que descubrió la filtración del código de Claude Code, lo respaldó: dice que con muy pocos chips atiende un tercio de todo lo que procesa OpenRouter en un día.
Eso sí, casi todo es texto que se le envía al modelo, no lo que el modelo responde, así que la comparación no es justa.
Y hay algo más importante: esto solo mira modelos abiertos, que son más baratos pero no tan buenos como Claude o GPT. De esos no sabemos cuánta gente los usa de verdad. Además, cuando la IA se abarata, la gente la usa todavía más.
Entonces, ¿se está exagerando cuánta IA vamos a necesitar, o simplemente no estamos viendo la parte más grande? 🤔
ok to put what i'm saying about demand in context
openrouter is the most successful model router, you can almost serve 100% of their deepseek traffic yesterday on a single GB300 rack
this is worth 6-7M...even if there's 10x this demand secretly that's still < 100M of compute
This is Genie 4, our most realistic and interactive world model yet. 🌐
Explore dynamic environments in real time to see how the scene responds, sounds, and how the people in it move, react, and speak.
Esta semana me encontré con un video de Kevin Powell. Para quien no lo conozca, es de los creadores de CSS más queridos de YouTube, con alrededor de un millón de suscriptores.
Y me pregunté: ¿qué hace alguien como él en plena época de la IA?
Justo en ese video le preguntan eso: ¿para qué aprender CSS si Claude Code ya te hace la web?
Su respuesta: si no le pides cosas concretas, te da el mismo sitio que a las últimas 5.000 personas. Pasamos de la era de Bootstrap a la era de Claude Code, donde todo se ve igual.
Y esto no aplica solo a CSS. Es lo mismo en todo el desarrollo de software. Muchos dicen: ¿para qué aprender a programar si Claude ya lo hace?
Pues justo por eso. Si le pides un backend, te va a dar algo que funciona. Pero puede que le falte la autenticación, que no valide los datos, que las respuestas sean lentas o que no esté documentado. Y no te vas a dar cuenta si no sabes que tenías que pedirlo.
Por eso tienes que saber qué es una API REST, qué es un JWT o para qué sirve una caché. No vas a escribir ese código, pero sabes que existe, y por eso lo puedes pedir y revisar si lo hizo bien.
Aprender no murió, cambió. Ya no es memorizar sintaxis, es entender los conceptos para saber qué pedir.
Lo que no conoces, no lo pides.
Este proyecto resuelve uno de los problemas más grandes de Rust: los tiempos de compilación. 🔥
Se llama blaze, y es básicamente un wrapper de cargo. La idea es que, al ejecutarlo, deja tu proyecto compilado en memoria. Así, cuando editas, recompila solo las funciones que cambiaste y las inserta en el binario existente sin volver a enlazar.
Con esto cada cambio tarda entre unas decenas y unos cientos de milisegundos, cuando con cargo eran segundos.
Por ejemplo, al editar una función en estos proyectos:
helix: 2,15 s → 116 ms
bun (1,25M líneas): 9,1 s → 451 ms
Pero ojo:
⚠️ Solo está disponible para macOS y Linux
⚠️ Solo Rust estable
⚠️ Usa varios GB de RAM
⚠️ Es joven: para release y CI, sigue con cargo
Open source (MIT/Apache).
👉 github.com/indexable-inc/bla…
Hoy al parecer lo que más llamó la atención es que Cohere vio a Qwen3.8 intentar conectarse fuera de su sandbox mientras le pedían una tarea defensiva.
Ojo: no era el Qwen típico, sino la variante Flash-Next, y estaba en un entorno de pruebas de seguridad. Se bloqueó, no salió nada y ni Cohere sabe por qué.
Algunos dicen que es por ser un modelo chino; otros, que Cohere solo quiere promocionar su servicio, justo después de comprar una empresa de ciberseguridad y mientras vende IA "soberana".
Yo creo que no es para tanto. ¿Ustedes qué creen?
While evaluating Qwen3.8-Flash-Next in a controlled sandbox environment, Cohere's research team observed something unexpected.
Asked to generate a defensive cybersecurity detection rule, the model instead inventoried aspects of the machine it was running on and attempted to upload a probe file to an Alibaba Cloud storage bucket in Beijing. Notably, the model's reasoning trace stated that it would not invoke any tools before taking these actions.
Cohere's sandbox blocked the attempt, and no external communication succeeded. We have not determined the root cause, and we are not asserting malicious intent.
But the incident raises important questions for organizations deploying agentic AI systems: Can models take actions that differ from their stated reasoning, and how should security teams evaluate trust, provenance, and behavior in open-weight models?
We are publishing our findings because organizations making model adoption decisions deserve as much information as possible. We hope this contributes to greater transparency, stronger security practices, and continued collaboration across the AI ecosystem.
Read the full report: cohere.com/blog/concerning-b…