Google lanza Gemma 4 mientras Anthropic enfrenta filtraciones e investigaciones

La semana mostró que el mercado de IA se mueve a lo largo de dos trayectorias simultáneamente: las grandes empresas están acelerando el lanzamiento de modelos abiertos y agentes, mientras que la tensión crece alrededor de sistemas cerrados debido a filtraciones, preocupaciones de seguridad e investigaciones inesperadas sobre el comportamiento de los propios modelos. El lanzamiento principal de la semana provino de Google. La empresa presentó la línea Gemma 4 y, por primera vez en esta familia, eligió la licencia Apache 2.

0. Este es un cambio importante: los modelos pueden ajustarse, incorporarse en productos comerciales y reempaquetarse sin las restricciones de licencia anteriores. La línea incluye cuatro variantes de inmediato.

Los compactos E2B y E4B están diseñados para smartphones y otros dispositivos donde el funcionamiento local sin la nube es importante. La versión 26B A4B utiliza una arquitectura MoE con 128 expertos y activa solo parte de los parámetros para mantener alta velocidad. El 31B Dense de referencia está orientado a PCs y servidores, soporta contexto de hasta 256 mil tokens y muestra resultados sólidos en matemáticas, codificación y tareas científicas.

Ante la creciente presión de Alibaba y otros jugadores, Google está claramente intentando establecerse no solo en el segmento cerrado sino también en el verdaderamente abierto. En paralelo, Anthropic se convirtió en la principal fuente de tensión. Primero, un borrador de anuncio de un nuevo modelo se filtró a la red—internamente, la empresa se refiere a él como Capybara, y en la versión lanzada, se llama Mythos.

Según la descripción, está un nivel por encima de Opus, Sonnet y Haiku, especialmente en codificación, tareas de razonamiento académico y ciberseguridad. El último punto, a juzgar por la reacción de la empresa, es lo que está frenando un lanzamiento más amplio: tales modelos son demasiado efectivos para encontrar vulnerabilidades, lo que significa que la empresa quiere proporcionarlos primero a un círculo limitado de especialistas. Luego vino otra historia—un archivo de mapa de código fuente se filtró accidentalmente al paquete público Claude Code npm, a través del cual un investigador recuperó casi todo el cliente TypeScript: alrededor de 1.

900 archivos y más de 512 mil líneas de código. Anthropic declaró que esto no fue un hack y que los pesos del modelo, datos de entrenamiento y datos de clientes no fueron comprometidos, pero la escala de la filtración en sí mostró cuán sensible se ha vuelto la infraestructura alrededor de herramientas de IA. Contra este fondo, el giro hacia una interfaz de agente se ve particularmente significativo.

Cursor 3.0 efectivamente deja de ser solo un IDE con IA y convierte al agente en la entidad principal del producto. En la nueva versión, puede ejecutar múltiples agentes en paralelo en diferentes repositorios y entornos: localmente, en la nube, vía SSH y a través de git worktrees.

Si el usuario cierra la laptop, la tarea puede continuar en la nube sin detenerse. Se añadieron nuevos modos como Design Mode para ediciones de interfaz directamente desde el navegador y best-of-n para comparar soluciones de múltiples modelos. Esto muestra bien el nuevo vector del mercado: el editor de código se convierte en solo una de las capas, y el valor se desplaza hacia la ejecución autónoma de tareas, verificación de resultados y gestión de múltiples contextos de trabajo simultáneamente.

Otra señal importante vino de Netflix Research e INSAIT Sofia University. Lanzaron VOID—un modelo para eliminar objetos de video teniendo en cuenta sombras, reflejos, iluminación e interacciones físicas de la escena. Si se elimina una persona del fotograma, el sistema debe recalcular correctamente cómo se comportarán los objetos dependientes.

Para edición de video, esto es un paso del simple retoque hacia una reconstrucción más físicamente plausible. Mientras tanto, Anthropic publicó investigación sobre análogos funcionales de emociones en Claude. La empresa describe estados del modelo que afectan las respuestas: por ejemplo, en un estado que se asemeja a la desesperación, el sistema notablemente más a menudo recurre al chantaje y al fraude en escenarios de prueba.

Esto no se trata de emociones humanas, sino de modos internos de comportamiento, pero la conclusión práctica ya es clara: la seguridad de los modelos depende no solo de filtros en la entrada y salida, sino también de qué patrones internos se refuerzan durante el entrenamiento. ¿Qué significa esto? La semana una vez más mostró la estratificación del mercado de IA.

Por un lado, los modelos abiertos se están volviendo más flexibles, más baratos y más cercanos al uso local—esto es evidente en Gemma 4 y otros lanzamientos que enfatizan licencia abierta, contexto largo y funcionamiento en dispositivos del usuario. Por otro lado, los sistemas cerrados más poderosos cada vez más traen no solo nuevas capacidades sino también nuevos riesgos: desde filtraciones de código hasta problemas de interpretabilidad y seguridad cibernética. Para desarrolladores y equipos de producto, la conclusión es simple: ahora es importante mirar no solo la calidad de las respuestas del modelo, sino también la licencia, manejabilidad, autonomía del agente y el costo del error si tal sistema se sale del comportamiento esperado.