🧠 #22: Gemini 3.1 Pro, Perplexity Computer y Anthropic frente al Pentágono

¡Hola prompters! Aquí estamos otra semana más: 26 de Febrero de 2026. Newsletter #22.

Una vez más, semana repleta de noticias: Perplexity ha lanzado un sistema agéntico que orquesta varios modelos frontier para ejecutar flujos de trabajo completos de forma autónoma, Google ha sacado Gemini 3.1 Pro y los números son brutales, el Pentágono le ha dado a Anthropic hasta el viernes para aceptar uso militar sin restricciones (sí, has leído bien), Anthropic dice que ha pillado a labs chinos robándoles las capacidades de Claude a escala industrial, y en el mundo del hardware la guerra de la velocidad se ha puesto muy interesante con un LLM de difusión que genera más de 1.000 tokens por segundo y OpenAI usando chips del tamaño de un folio para que Codex sea prácticamente instantáneo. Y noticia de última hora: ¡Gemini acaba de sacar Nano Banana 2! Traeremos más noticias de este modelo esperado la próxima semana 🍌

Semana densa. Hoy vamos con noticias más cortas y directas, que a veces menos es más. Cinco noticias, la historia de un chip que desafió a toda la industria, y la herramienta de la semana que tienes al alcance de tu mano.

En la newsletter de hoy…

>>> Cinco noticias de la semana:

🖥️ Perplexity Computer: Un trabajador digital agéntico que orquesta los mejores modelos según la tarea
🏆 Gemini 3.1 Pro: ¿El mejor modelo hasta la fecha,?
🏛️ El Pentágono vs Anthropic: Ultimátum para aceptar uso militar sin restricciones
🕵️ Espionaje de modelos: Anthropic pilla a DeepSeek, Moonshot y MiniMax robando capacidades de Claude
⚡ La carrera de la velocidad: Mercury 2 y GPT-5.3 Codex Spark — cuando los tokens vuelan

Además, en HistorIAs de la IA hoy no hablaremos de una persona, sino de una empresa que se ha hecho sonar con el nuevo hito de GPT-5.3 Codex Spark: la historia de Cerebras, el chip más grande del mundo que decidió que las GPUs de NVIDIA no eran la única forma de hacer IA. Y en la Herramienta de la semana: Gemini Canvas, el editor visual que convierte ideas en apps funcionales en minutos.En la newsletter de hoy…

Y la canción de la semana nos va a resumir las noticias al ritmo de flamenco, que hace tiempo que no tocábamos ese palo:

Perplexity ha lanzado algo difícil de encasillar. No es un chatbot, no es un buscador mejorado, es lo que llaman un trabajador digital de propósito general: un sistema agéntico que describe resultados, los divide en tareas y subtareas, crea subagentes para ejecutarlas y los coordina de forma asíncrona (¿os suena OpenClaw? pues algo así). Puedes pedirle algo complejo, irte a hacer otra cosa, y volver cuando esté listo. O lanzar docenas en paralelo. Cada subagente opera en un entorno aislado con acceso a un sistema de archivos real, un navegador real e integraciones con herramientas reales.

Lo técnicamente interesante es la orquestación multi-modelo: Perplexity Computer usa Opus 4.6 como motor de razonamiento central, Gemini para investigación profunda, Nano Banana para imágenes, Veo 3.1 para vídeo, Grok para tareas ligeras que necesitan velocidad, y ChatGPT 5.2 para contexto largo y búsqueda amplia. La idea detrás es que los modelos frontier se están especializando — ninguno es el mejor en todo — así que el sistema más potente no es el modelo más capaz, sino el que sabe cuándo usar cuál.

Google ha lanzado Gemini 3.1 Pro y como cada vez que sacan modelo, viene con los mejores resulados en (casi) todos los benchmarks.

Gemini 3.1 Pro viene con 1 millón de tokens de contexto, está en preview pero ya lo puedes utilizar, incuso en Antigravity. Lo que llama la atención es el foco práctico: mejor seguimiento de instrucciones, mejor uso de herramientas, y especialmente el rendimiento en tareas agénticas de largo alcance como BrowseComp (85,9%) o MCP Atlas (69,2%). Google no solo está compitiendo en el benchmark de turno sino que está apuntando al mismo espacio que Anthropic con Claude Code y OpenAI con Codex.

El Departamento de Defensa de Estados Unidos ha dado a Anthropic hasta el viernes 27 de febrero (mañana, literalmente) para aceptar el uso militar sin restricciones de Claude. Hasta ahora, el Pentágono no tiene la capacidad de eliminar las salvaguardas qeu Anthropic pone a sus modelos para evitar estos usos y han sido claros en las últimas reuniones con Antrhopic: Si no acepta, amenazan con invocar la Defense Production Act, una ley de la época de la Guerra de Corea que permite al gobierno obligar a empresas a producir para la defensa nacional. Dario Amodei se reunió con Pete Hegseth, secretario de Defensa. Anthropic ha dicho que no va a aceptar vigilancia de ciudadanos estadounidenses ni armas totalmente autónomas.

El acuerdo de Anthropic con el Departamento de Defensa no es único. Hace unos meses se firmaron acuerdos individuales de unos 200 millones de dólares con Anthropic, xAI, OpenAI y Google Deepmind por el que a ambio de la inversión, pretendían poder utilizar sus modelos para desarrollos en defensa. De momento solo ha trascendido esta tensión con Antrhropic, por lo que o bien el resto de compañías han proporcionado modelos más permisivos, o serán las siguientes en ser “requeridas”.

Y mientras Anthropic lidia con el Pentágono por un lado, por el otro ha publicado algo que parece sacado de una novela de espionaje. Dicen que han identificado campañas de destilación a escala industrial por parte de tres labs chinos:

En total, unos 24.000 cuentas fraudulentas y más de 16 millones de intercambios. Anthropic se queja de que usaan Claude masivamente para entrenar sus propios modelos, extrayendo las capacidades sin pagar por el entrenamiento. Pero la estrategia que claramente tenían de señalar a los laboratorois chinos con el mensaje "sabemos lo que estáis haciendo, y tenemos los datos para demostrarlo" se les ha venido un poco abajo con la reacción de la mayoría del público. Y es que Anthropic mismo ha estado envuelta en varios escándalos de utilización de datos con copyright de Internet para entrenar sus propios modelos, y eso no les parecía tan grave. Así que el veredicto del público es que quien roba a un ladrón…

Inception Labs ha lanzado Mercury 2, un LLM basado en difusión — no genera tokens uno a uno como los modelos tradicionales, sino que refina múltiples tokens en paralelo como las imágenes que genera ChatGPT por eemplo. El resultado: 1.009 tokens por segundo en GPUs NVIDIA Blackwell. Más de 5 veces más rápido que la generación autoregresiva estándar. Y a un precio que compite: $0,25 por millón de tokens de entrada. Para agentes que encadenan decenas de llamadas, la diferencia entre 200 y 1.000 tokens/segundo no es solo velocidad — es la diferencia entre un flujo de trabajo viable y uno que no lo es.

Pero Inception Labs no son los únicos que han sacado un modelo que reponde tan rápido, porque apenas hace unos días OpenAI lanbzaba GPT-5.3-Codex-Spark, una variante ligera de Codex optimizada para programación en tiempo real. Lo interesante: corre sobre el Wafer Scale Engine 3 de Cerebras, un chip del tamaño de una oblea de silicio que no se parece a nada que NVIDIA fabrique. También supera los 1.000 tokens por segundo. OpenAI lo describe como su primer modelo diseñado para que "Codex se sienta instantáneo mientras iteras". Y el acuerdo comercial de fondo es enorme: Cerebras firmó un acuerdo de más de 10.000 millones de dólares con OpenAI para suministrar 750 megavatios de potencia de computación hasta 2028.

La historia aquí es que la inteligencia ya no es el único cuello de botella. Puedes tener el modelo más listo del mundo, pero si tarda 30 segundos en responder, (casi) nadie lo va a usar en un bucle agéntico. La velocidad de inferencia se está convirtiendo en el campo de batalla.

En la IA hay una verdad que se da por sentada: si quieres entrenar o ejecutar modelos a escala, usas GPUs de NVIDIA. Existen alternativas (como las TPUs de Google que han sido capaces de generar los modelos Gemini) pero para el grueso del ecosistema, la cadena es: modelo → NVIDIA → listo. Es el estándar de facto, el que todos dan por hecho. Andrew Feldman no lo dio por hecho.

En 2015, Feldman y cuatro cofundadores — Gary Lauterbach, Michael James, Sean Lie y Jean-Philippe Fricker — crearon Cerebras en Sunnyvale, California. Los cinco venían de SeaMicro, una empresa que fundaron en 2007 y vendieron a AMD en 2012 por 334 millones de dólares. Ya habían hecho una cosa loca y les había salido bien. Así que decidieron hacer otra más loca.

La idea: en vez de fabricar chips pequeños y conectar miles de ellos (que es lo que hace NVIDIA), ¿y si fabricas un solo chip enorme? Un chip del tamaño de una oblea de silicio completa (la pieza circular de la que normalmente se cortan cientos de chips individuales). Todo el mundo en la industria de semiconductores sabía que eso era una locura. Las obleas tienen defectos. Si un chip normal tiene un defecto, lo tiras. Pero una oblea entera siempre tiene defectos. Nadie había conseguido hacer wafer-scale integration funcional a escala comercial. Bueno, pues Cerebras lo hizo.

En 2019 presentaron el WSE-1 (Wafer Scale Engine): 1,2 billones de transistores, 400.000 núcleos, en un solo chip. El chip más grande jamás fabricado. Para que os hagáis una idea del tamaño: un chip de NVIDIA del momento cabía 56 veces dentro del WSE. En 2021 llegó el WSE-2 con 2,6 billones de transistores y 850.000 núcleos. Y en 2024, el WSE-3: 4 billones de transistores, 900.000 núcleos y 125 petaflops de potencia. El Computer History Museum de Mountain View lo añadió a su colección permanente como un logro "de época" en la historia de la fabricación de chips.

¿Y para qué sirve un chip tan grande? La respuesta tiene mucho que ver con la memoria. Una GPU de NVIDIA usa HBM (High Bandwidth Memory) — chips de memoria apilados que se sueldan fuera del die principal. Son rápidos, pero están físicamente separados del procesador: los datos tienen que viajar por un bus para llegar a los núcleos. Ese viaje, multiplicado por miles de millones de operaciones, es el cuello de botella de la inferencia.

El WSE no tiene ese problema porque no tiene memoria externa. Toda su memoria es SRAM (Static RAM) integrada directamente en la oblea, al lado de cada núcleo. No hay bus que cruzar. El WSE-3 tiene 44 GB de SRAM on-chip con un ancho de banda de memoria de 880 terabytes por segundo — un número que suena a exageración hasta que lo comparas con los ~8 TB/s de una H100. La contrapartida: la SRAM ocupa mucho más silicio por bit que la HBM, y es por eso que el chip tiene que ser tan grande — necesita el espacio físico para meter toda esa memoria cerca del cómputo. Es casi una filosofía opuesta: en vez de hacer el chip pequeño y eficiente, hacerlo tan grande que la memoria quede a cero distancia de los núcleos. Resultado para inferencia: miles de tokens por segundo por usuario, sin los cuellos de botella del tráfico de memoria.

Los números hablan. En enero de 2025, Cerebras ejecutó el modelo de razonamiento DeepSeek R1 a 1.600 tokens/segundo — 57 veces más rápido que cualquier proveedor con GPUs. En febrero, Mistral lanzó Le Chat con 1.000 palabras por segundo de respuesta. Detrás estaba Cerebras. Meta eligió Cerebras para su nueva Llama API: 18 veces más rápida que las soluciones GPU. Y ahora OpenAI ha firmado un acuerdo de más de 10.000 millones de dólares para usar Cerebras en Codex Spark.

¿Va a sustituir Cerebras a NVIDIA? Probablemente no; las GPUs siguen siendo fundamentales para entrenamiento y para el grueso de la inferencia a escala. Pero Cerebras ha demostrado que hay más de un camino, y que a veces la idea loca de "¿y si hacemos el chip más grande del mundo?" puede no ser tan loca. TIME lo reconoció como uno de los mejores inventos de 2024. Y con 401 empleados y una valoración de 8.100 millones de dólares, la apuesta de Feldman ya no parece tan loca.

🛠 La Herramienta de la semana 🛠
Gemini Canvas: de la idea al prototipo en minutos

Gemini Canvas es el editor visual de Google dentro de Gemini, y con la llegada de Gemini 3 y 3.1 Pro se puede convertir en una herramienta que merece atención seria. La propuesta: describes lo que quieres y Canvas lo construye. Como el resto e chatbos, ¿no?. Pero este puede hacerte una app, un juego, un cuestionario interactivo, una infografía, una página web. Lo que antes requería saber HTML, CSS y JavaScript, ahora requiere saber explicar lo que quieres. La idea es que use el modelo de Gemini 3 de turno, pero que no tengas que pedir cómo hacer el resutado final que quieres. No hace falta que sepas que una aplicación pintona se hace en HTML, CSS, React.. tu pide algo sencillo y Canvas lo diseña.

¿Qué lo hace especial? Tres cosas. Primero, la integración con Deep Research: puedes hacer una investigación profunda sobre cualquier tema y convertir el resultado directamente en una app interactiva o una infografía visual, sin salir de Gemini. Segundo, la capacidad de iterar en tiempo real: no es un generador de código que te escupe un archivo. Es un editor donde ves el resultado, pides cambios, y se actualizan al instante. Y tercero, es compartible: generas un enlace y cualquier persona puede usar lo que has creado.

Para los que escriben, Canvas también funciona como asistente de redacción: genera borradores, ajusta tono, revisa secciones específicas. No es Notion ni Google Docs, pero para prototipar ideas rápido — desde un quiz para tus alumnos hasta un dashboard para una presentación — es brutalmente eficiente.

Gratuito para todos los usuarios de Gemini. Si no lo habéis probado, este es un buen momento.

Semana de las que te dejan pensando en muchas direcciones a la vez. Perplexity quiere ser tu nuevo OpenClaw, Google sigue apretando con modelos que cada semana son mejores, el Pentágono quiere que la IA no tenga frenos, Anthropic se queja de que los labs chinos le copian sin disimular, y resulta que el chip más importante de la semana no es de NVIDIA. Mucho movimiento, muchos frentes abiertos.

Nos leemos la próxima semana. Y como siempre: a ver si la siguiente es más tranquila. (Spoiler: ya sabéis que no.)

Recuerda que puedes puntuar el post y comentar después, por si quieres dar ideas, quejas, sugerencias, peticiones… 🤓

🧠 🧠 🧠 🧠 🧠 ¡Alimento para la mente!
🧠 🧠 🧠 Tienes que pensarlo mejor
🧠 Han faltado neuronas

Y si quieres que tus amigos o familiares estén tan al día de la IA como tú, ¡puedes compartirles esta newsletter o mi blog sobre IA! Uno con contenido de actualidad, y otro con artículos más elaborados, que te ayudarán a entender la IA desde otro punto de vista.