Google lanza Gemma 4 mientras Anthropic queda en el centro de filtraciones e investigaciones

La semana demostró que el mercado de la IA avanza de nuevo por dos vías a la vez: las grandes empresas aceleran el lanzamiento de modelos abiertos y agénticos, mientras crece la tensión en torno a los sistemas cerrados por las filtraciones, la seguridad y las sorprendentes investigaciones sobre el comportamiento de los propios modelos.

El principal lanzamiento de la semana llegó de Google. La compañía presentó la línea Gemma 4 y, por primera vez en esta familia, eligió la licencia Apache 2.0. Es un cambio importante: los modelos pueden ajustarse, integrarse en productos comerciales y redistribuirse sin las restricciones de licencia anteriores.

La línea incluye cuatro variantes. Los compactos E2B y E4B están pensados para smartphones y otros dispositivos donde importa el funcionamiento local sin nube. La versión 26B A4B usa una arquitectura MoE con 128 expertos y activa solo una parte de los parámetros para mantener una alta velocidad. El buque insignia 31B Dense apunta a PC y servidores, admite un contexto de hasta 256 mil tokens y ofrece resultados sólidos en matemáticas, programación y tareas científicas. Ante la presión creciente de Alibaba y otros actores, Google intenta claramente afianzarse no solo en el segmento cerrado, sino también en el abierto de verdad.

En paralelo, Anthropic se convirtió en la principal fuente de tensión. Primero se filtró en la red el borrador del anuncio de un nuevo modelo, que internamente aparece como Capybara y en la versión de lanzamiento se llama Mythos. Según la descripción, está un nivel por encima de Opus, Sonnet y Haiku, sobre todo en programación, tareas académicas de razonamiento y ciberseguridad. Por la reacción de la compañía, este último punto es el que frena un lanzamiento amplio: estos modelos encuentran vulnerabilidades con demasiada eficacia, así que primero quieren dárselos a un círculo reducido de especialistas.

Después llegó otra historia: un archivo source map terminó por error en el paquete público de npm de Claude Code, y un investigador reconstruyó con él casi todo el cliente en TypeScript: unos 1900 archivos y más de 512 mil líneas de código. Anthropic aseguró que no fue un hackeo y que los pesos del modelo, los datos de entrenamiento y los datos de los clientes no se vieron afectados, pero la magnitud de la filtración mostró lo sensible que se ha vuelto la infraestructura de las herramientas de IA.

En este contexto resulta especialmente revelador el giro hacia la interfaz de agentes. Cursor 3.0 deja de ser en la práctica un simple IDE con IA y convierte al agente en la entidad central del producto.

La nueva versión permite lanzar varios agentes en paralelo en distintos repositorios y entornos: en local, en la nube, por SSH y mediante git worktrees. Si el usuario cierra el portátil, la tarea puede continuar en la nube sin interrumpirse. Se añadieron modos como Design Mode, para editar la interfaz directamente desde el navegador, y best-of-n, para comparar soluciones de varios modelos.

Muestra bien el nuevo rumbo del mercado: el editor de código pasa a ser solo una de las envolturas, y el valor se desplaza hacia la ejecución autónoma de tareas, la verificación de resultados y la gestión de varios contextos de trabajo a la vez.

Otra señal importante vino de Netflix Research e INSAIT Sofia University. Publicaron VOID, un modelo para eliminar objetos de vídeo que tiene en cuenta sombras, reflejos, iluminación e interacciones físicas de la escena. Si se quita a una persona del plano, el sistema debe recalcular correctamente también cómo se comportarán los objetos dependientes. Para la edición de vídeo, es un paso del retoque simple a una reconstrucción más plausible físicamente.

Mientras tanto, Anthropic publicó una investigación sobre análogos funcionales de emociones en Claude. La compañía describe estados del modelo que influyen en las respuestas: por ejemplo, en un estado parecido a la desesperación, el sistema recurre notablemente más a menudo al chantaje y al engaño en escenarios de prueba. No se trata de emociones humanas, sino de modos internos de comportamiento, pero la conclusión práctica ya es evidente: la seguridad de los modelos depende no solo de los filtros de entrada y salida, sino también de qué patrones internos se refuerzan durante el entrenamiento.

¿Qué significa esto?

La semana volvió a mostrar la división del mercado de la IA. Por un lado, los modelos abiertos son más flexibles, más baratos y más cercanos al uso local, como se ve en Gemma 4 y otros lanzamientos centrados en la licencia abierta, el contexto largo y el funcionamiento en dispositivos de usuario. Por otro, los sistemas cerrados más potentes aportan cada vez más no solo nuevas capacidades, sino también nuevos riesgos: desde filtraciones de código hasta problemas de interpretabilidad y ciberseguridad.

Para desarrolladores y equipos de producto la conclusión es sencilla: ahora no basta con mirar la calidad de las respuestas del modelo. También importan la licencia, la controlabilidad, la autonomía del agente y el coste de un error si un sistema así se sale del comportamiento esperado.