Noticias de tecnología seleccionadas el 10 de noviembre de 2026
- La documentación oficial de Anthropic recoge cómo redactar instrucciones adecuadas para Claude Fable 5.2. Indica que el nivel de esfuerzo, un ajuste que determina cuánto piensa el modelo, debe empezar en el valor predeterminado high y subirse o bajarse según la propia evaluación. Aconseja volver a comparar los valores ajustados para modelos anteriores en lugar de reutilizarlos tal cual.
- En tareas largas, el modelo a veces se detiene dejando trabajo pendiente, y esto ocurre más con low y medium. Cuando Anthropic volvió a ejecutar sesiones registradas con medium, añadir una frase que pedía terminar todo redujo a la mitad aproximadamente las sesiones que acabaron con trabajo pendiente, y los tokens de salida aumentaron cerca de 30%.
- Cuando el prompt indicaba que el código era del propio modelo, la proporción de fusión de código duplicado subió a cerca de la mitad de los intentos, y sin esa indicación fue inferior a 1 de cada 10. Es el resultado de una prueba de programación a pequeña escala de Anthropic, y en ella los tokens de salida aumentaron unas 1.5 veces y también aparecieron cambios no solicitados.
- Las reglas de aprobación se aplican tal como están escritas, por lo que hay que especificar con precisión las acciones a las que se aplican. En una prueba simulada de Anthropic, cuando se indicó que enviar mensajes a personas externas requería aprobación, el modelo no realizó cerca de la mitad de las solicitudes cotidianas de enviar mensajes a colegas o a otros equipos.
- Es un chatbot que busca fundamentos en los estatutos, avisos y mensajes de contacto para responder consultas como las de cuotas o reembolsos. Divide los documentos en fragmentos pequeños y muestra a la IA solo los más cercanos a la pregunta (RAG). Los documentos del experimento son materiales de un club ficticio creado por el autor.
- Al pasar de cortar los documentos cada 400 caracteres a dividir los estatutos por artículo, la tasa de aciertos en 32 preguntas subió de un promedio de 52% a 72% en 3 repeticiones. El autor indicó que la calificación estuvo a cargo del mismo Claude Sonnet 4.5 que respondía, por lo que podría ser indulgente con sus propias respuestas.
- Combinar una búsqueda por coincidencia de palabras, garantizar al menos 2 fragmentos de los estatutos y aumentar a 8 los fragmentos entregados quedaron dentro del margen de error o empeoraron los resultados. Como los principios y los casos usan las mismas palabras, al priorizar los estatutos se desplazaban los mensajes de contacto necesarios.
- Al cambiar a un modelo local para portátil (RTX 3050) para no enviar datos al exterior, la tasa de aciertos bajó cerca de 2 décimas. Cambiar el embedding de búsqueda redujo en promedio 2.7 preguntas, y cambiar el modelo de respuesta por uno de 4 mil millones parámetros redujo unas 13 preguntas más.
- Aunque todas las pruebas pasen, no se sabe si realmente detectan errores. Las pruebas de mutación rompen el código a propósito en pequeños detalles y luego comprueban si las pruebas fallan. Si fallan, el error fue detectado; si pasan, se les escapó. Stryker es una herramienta que automatiza este proceso.
- El equipo del autor lo aplicó a un cliente Prisma (131 modelos) que filtra automáticamente los datos por empresa. La tabla de definiciones con las condiciones de cada modelo estaba en 100% desde el principio, y las pruebas del cliente escritas a mano pasaron a 100% tras reforzarlas en 89.74%.
- Entre los casos que se escaparon había una prueba en la que el intento de borrar una fila de otra empresa fallaba por una restricción de clave externa y no por el filtro por empresa. La llamada a bind que la IA añadió tras un comentario de revisión resultó ser código innecesario, porque al eliminarla el comportamiento no cambiaba.
- En el entorno del autor, 407 mutantes tardaron 3 minutos 30 segundos, y cuando la escala creció a 1,326 tardó 24 minutos. Hubo que indicar solo las pruebas con base de datos real para que no se ejecutaran pruebas no relacionadas, y el autor plantea ejecutarlo una vez antes del PR.
- Un gerente de ingeniería (EM) es un responsable que lidera un equipo de desarrollo. El autor dice que probablemente muchos desarrolladores ven al gerente solo como aprobaciones, reuniones, coordinación, responsabilidad y presión, y admite que él mismo rechazó antes una propuesta para ser gerente.
- El autor sostiene que el gerente no es un puesto dedicado solo a gestionar personas. Es un rol que resuelve problemas de la organización para que el equipo rinda bien, y considera que el proceso de encontrar problemas, entender la estructura y señalar la causa real se parece a la ingeniería.
- Como ejemplo, cuenta que investigó por qué el equipo A tenía que coordinarse con frecuencia con el equipo B. Descubrió que el código a cargo de ambos equipos estaba fuertemente entrelazado, y tras aflojar esa estructura, el equipo A pudo desarrollar sin coordinación.
- El autor recomienda que el EM de un único equipo sea un gerente jugador que también desarrolle directamente. Lo hace para cultivar el criterio técnico, pero reconoce que compaginar ambas tareas supone una gran carga y que las habilidades de desarrollo crecen más despacio.
- Si describes por escrito el filtro que quieres, un chatbot de IA crea un filtro personalizado para las Stories de Instagram. También puedes adjuntar una imagen de estilo como referencia.
- Puedes subir tu propia foto para ver una vista previa del resultado y corregirlo con solicitudes adicionales. También hay una opción en la que la IA de Instagram reescribe tu solicitud con más detalle.
- Cuando un periodista de The Verge probó un "filtro que convierte una foto en una página de cómic", el resultado de la solicitud que la IA amplió a varios párrafos parecía casi igual al de una solicitud de una sola línea, según se informa.
- Puedes enviar el filtro que creaste directamente desde la herramienta. Según Instagram, los efectos que superan la revisión de seguridad pueden ser usados por cualquiera en Stories, y cada uso enlaza al perfil del creador.
Canadá pone en marcha la red de pagos en tiempo real RTR, con pagos y liquidación día y noche
- Payments Canada, el operador de pagos de Canadá, ha puesto en marcha RTR, una nueva red nacional de pagos. Los bancos y las empresas de pago participantes intercambian pagos y los liquidan de inmediato, 24 horas al día, todo el año, sin importar el horario comercial.
- Se usan los bancos y los canales de pago existentes tal como están. Según Payments Canada, las empresas pueden ver el flujo de caja en tiempo real y añadir más información a los pagos.
- Los servicios de prevención del fraude son obligatorios desde el inicio. Incluyen la confirmación del beneficiario (el primer día solo para cuentas de consumidores), puntuación de riesgo de fraude, una lista de riesgos y una plataforma de denuncia de fraude.
- Los primeros participantes son 8, entre ellos Wealthsimple, Koho y Bank of America. Los grandes bancos y otras entidades se unirán por etapas, con el plan de que al menos 9 de cada 10 canadienses puedan usarla en 1 años.