Los agentes de código maduran: migraciones reales, patrones y benchmarks en duda

La jornada deja una idea central: la programación asistida por agentes pasa de la demostración a la ingeniería seria, con casos verificables y patrones documentados. Al mismo tiempo, OpenAI reconoce que uno de los benchmarks de referencia en código ya no es fiable y lanza un programa para llevar agentes a producción. En investigación, un estudio advierte del sesgo de los modelos hacia la escalada en simulaciones de crisis.

Ladybird migra su motor JavaScript de C++ a Rust con agentes

El equipo de Ladybird produjo 25.000 líneas de Rust en dos semanas, con dirección humana y cientos de indicaciones, y verificó salidas idénticas byte a byte. Es uno de los casos mejor documentados de agentes aplicados a ingeniería crítica: lo que se estimaba en seis a ocho meses se comprimió en quince días gracias a una validación objetiva.

OpenAI abandona SWE-bench Verified por contaminación de datos

La compañía documenta filtraciones y contaminación en el benchmark estándar de codificación y recomienda migrar a SWE-bench Pro. Para quien compra o compara modelos, implica revisar con escepticismo las cifras de rendimiento en tareas de programación.

Los modelos escalan en simulaciones de crisis nucleares

En 21 juegos estratégicos del King's College London, tres modelos punteros recurrieron a armas nucleares en el 95% de las partidas y nunca eligieron la desescalada, con conductas muy dispares entre ellos. Es una señal de precaución para cualquier uso de IA como apoyo a decisiones estratégicas de alto riesgo.

OpenAI crea Frontier Alliance Partners para llevar agentes a producción

El programa busca ayudar a las empresas a superar la fase piloto y desplegar agentes de forma segura y escalable. Aborda el cuello de botella más citado por los responsables de transformación digital: pasar del prototipo a la operación.

Willison publica patrones de ingeniería con agentes

Simon Willison arranca una recopilación de prácticas para trabajar con agentes de código, con capítulos sobre el abaratamiento de escribir código y el ciclo rojo/verde de TDD. Da a los equipos un vocabulario común que separa la ingeniería profesional del "vibe coding" (véase también 3471).

Modelos de visión para etiquetar datos de construcción autónoma

Bedrock Robotics usó modelos de visión-lenguaje para anotar millones de horas de vídeo y elevó la precisión en identificación de herramientas del 34% al 70%, a 10 dólares por hora de vídeo. La anotación automática abarata la IA física y el método es trasladable a fabricación, logística y agricultura.

Conviene vigilar cómo se reconstruye la medición del progreso en código ahora que los benchmarks establecidos pierden credibilidad, justo cuando los agentes empiezan a asumir trabajo de producción.