Claude Mythos solo para Big Tech, CaveMan ahorra tres veces más tokens

Anthropic ha lanzado Claude Mythos, un modelo diseñado para cazar vulnerabilidades en infraestructura open-source. En el benchmark SWE-bench Pro alcanza un 77,8%, frente al 53,4% de Opus. Pero el modelo no tendrá acceso público: Anthropic justifica su cierre alegando que Mythos encuentra exploits demasiado bien, incluso sin conocimientos especializados.

En lugar de un lanzamiento público, Anthropic ha creado un consorcio llamado Project Glowswing. Forman parte de él AWS, Google, Microsoft, Nvidia, Cisco y Apple. Las empresas del consorcio reciben acceso para revisar sus propios sistemas y escribir parches. Anthropic ya ha detectado decenas de fallos reales en Linux y FFmpeg.

La paradoja de la seguridad mediante la apertura

La situación recuerda a 2019, cuando OpenAI anunció GPT-2 y dijo que no publicaría la versión completa por ser demasiado peligrosa. Después la publicaron de todos modos, y la decisión hoy resulta risible. Dentro de unos años, es probable que la historia de Mythos se repita: el progreso tecnológico supera las restricciones de acceso.

CaveMan: tres veces más eficiente

El ahorro de tokens apareció en CaveMan, una skill para Claude Code que obliga al agente a responder de la forma más breve posible: sin artículos, sin introducciones, sin preámbulos de cortesía. El proyecto ha acumulado más de 16.000 estrellas en GitHub.

Según las pruebas del repositorio: una respuesta que antes ocupaba 69 tokens ahora ocupa 19, un ahorro de tres veces. El mecanismo es sencillo: la mayoría de los tokens en la respuesta de un agente son relleno educado, no contenido real. Quita el relleno y obtienes el mismo resultado por menos dinero. El autor añadió varios niveles de intensidad, incluido un modo en chino, donde la escritura logográfica es más compacta en tokens que el alfabeto latino.

La práctica contra la teoría

Un ingeniero de Google se topó con el problema opuesto: usó agentes de IA para desarrollar herramientas de desarrollo para SQLite prácticamente sin supervisión. El resultado: la base de código se volvió inmantenible. Tiró tres meses de trabajo y lo reescribió todo desde cero en modo de programación en pareja con el agente, con control activo en cada paso.

Para desarrolladores de Java, ya está abierta la encuesta State of Java, la encuesta anual de JPoint y Joker. Cubre versiones de Java, frameworks, herramientas de desarrollo, estrategias de despliegue y herramientas de IA para desarrollo (nueva este año). El año pasado, Kirill Tolkachev presentó los resultados en una charla, incluyendo casos en los que desarrolladores eligieron tecnologías que ni siquiera existen.

Merece mención aparte una herramienta de Milla Jovovich para memoria de largo plazo en agentes. El agente conserva el contexto de conversaciones anteriores y no requiere explicaciones repetidas. Obtuvo un 100% en el benchmark SWE. Lo interesante no es la herramienta en sí, sino el precedente: antes las celebridades lanzaban bebidas energéticas y papas fritas; ahora lanzan repositorios open-source con benchmarks críticos.