AI News Summary 2026-06-07
AI News Summary 2026-06-07
GAFAM y grandes empresas de IA
Microsoft quiere más modelos propios dentro del trabajo diario
Microsoft presentó en Build 2026 su familia MAI, incluyendo MAI-Thinking-1, MAI-Code-1 y MAI-Image-2.5. El anuncio oficial sitúa estos modelos alrededor de Foundry, Copilot y aplicaciones de productividad, con MAI-Thinking-1 en private preview. Fuente: Microsoft Official Blog.
La lectura: Microsoft está convirtiendo el control de modelos en una pieza de plataforma. No se trata solo de añadir más IA a Office o Azure, sino de controlar mejor coste, disponibilidad y capacidades estratégicas en razonamiento, código e imagen.
Influencers y blogs técnicos
Simon Willison pone el foco en ejecutar código de LLMs dentro de sandboxes pequeños
Simon Willison publicó una prueba técnica sobre ejecución de Python en un sandbox con MicroPython y WASM, conectada con su trabajo en Datasette Agent. Fuente: Simon Willison's Weblog.
La lectura: los agentes útiles necesitan operar sobre herramientas, no solo responder. Eso convierte la seguridad del entorno de ejecución en una parte central del producto. Un sandbox pequeño y auditable puede ser una respuesta práctica, siempre que se trate como mitigación y no como garantía absoluta.
Imagen generativa
MAI-Image-2.5 muestra cómo la generación visual entra en herramientas de productividad
Microsoft incluyó MAI-Image-2.5 y MAI-Image-2.5 flash dentro de la familia MAI, con capacidades text-to-image e image-to-image y presencia anunciada en PowerPoint, OneDrive y Foundry. Fuente: Microsoft Official Blog.
La lectura: el movimiento importante está en la distribución. La generación de imagen empieza a vivir dentro de los documentos, presentaciones y archivos donde se trabaja, no solo en interfaces creativas separadas.
Chatbots y agentes
vLLM Themis apunta a agentes con sesiones, memoria y routing observable
vLLM publicó Semantic Router v0.3 Themis con routing agentic session-aware, dashboard, herramientas de despliegue y hooks para safety, replay, memory y RAG. Fuente: vLLM Blog.
La lectura: los agentes de producción necesitan una capa de control que decida qué modelo usar, cómo mantener contexto de sesión y cómo observar decisiones. Themis encaja en esa transición desde demos de agentes hacia sistemas operables.
El sandboxing de código también es infraestructura de agentes
La entrada de Simon Willison sobre MicroPython y WASM es relevante también para agentes porque aborda la ejecución de código generado por modelos dentro de un entorno restringido. Fuente: Simon Willison's Weblog.
La lectura: cuando un agente puede escribir y ejecutar código, el runtime se vuelve parte del perímetro de seguridad. La calidad del agente dependerá tanto del modelo como de los límites técnicos que rodean su ejecución.
IA local y serving
Gemma 4 QAT refuerza el camino hacia modelos locales más prácticos
Google publicó checkpoints Gemma 4 con quantization-aware training para reducir memoria y facilitar inferencia on-device, con compatibilidad señalada para rutas como GGUF/llama.cpp, vLLM, Ollama, LM Studio, LiteRT-LM, Transformers.js, SGLang y MLX. Fuente: Google Blog.
La lectura: el avance relevante está en hacer que modelos open-weight funcionen mejor en los formatos que ya usan los desarrolladores. Menos memoria y más compatibilidad significan más posibilidades reales para productos locales, edge y prototipos que no dependen siempre de una API remota.
Ollama 0.30 suma madurez al stack local basado en GGUF
Ollama 0.30 se presenta como una mejora de rendimiento y soporte de modelos con GGUF vía llama.cpp, con soporte MLX para Apple Silicon. Fuente: Ollama Blog.
La lectura: el stack local avanza por mejoras incrementales pero muy prácticas. Cada mejora de compatibilidad reduce fricción para evaluar modelos, correrlos en hardware propio y construir herramientas pequeñas sin depender por defecto de serving centralizado.