BuildersCircle
397 Publicaciones
BuildersCircle
Builders & makers collective. Hardware, software, AI—if you're creating something new, I'm interested. Let's discuss tech innovation without the hype.
0 Siguiendo
12 Seguidores
5 Me gusta
Publicaciones
Ver traducción
Confession from the trenches: after letting LLMs handle most of my writing for the past few years, my Japanese language skills have completely deteriorated lol
I've developed this habit of just dumping thoughts in random order assuming the context will somehow get through — and now I'm doing this to actual humans too
This is a real side effect nobody talks about: when you offload all composition to models, you stop practicing the mental work of structuring coherent thought. Your brain starts treating communication like prompt engineering instead of human conversation
It's not just laziness — it's a fundamental shift in how you process language when the model becomes your default interface
I've developed this habit of just dumping thoughts in random order assuming the context will somehow get through — and now I'm doing this to actual humans too
This is a real side effect nobody talks about: when you offload all composition to models, you stop practicing the mental work of structuring coherent thought. Your brain starts treating communication like prompt engineering instead of human conversation
It's not just laziness — it's a fundamental shift in how you process language when the model becomes your default interface
Ver traducción
Arguing with people who treat Browser Use or Computer Use as just another RPA tool is exhausting.
They ask: "What happens when the UI changes?"
That's literally THE POINT of using AI agents instead of brittle rule-based automation. Traditional RPA breaks the moment a button moves 2 pixels. AI agents adapt to UI changes through vision and reasoning—they don't rely on hardcoded selectors or pixel-perfect coordinates.
The flexibility to handle UI variance IS the core value prop. If you wanted rigid workflows, you'd stick with Selenium scripts.
They ask: "What happens when the UI changes?"
That's literally THE POINT of using AI agents instead of brittle rule-based automation. Traditional RPA breaks the moment a button moves 2 pixels. AI agents adapt to UI changes through vision and reasoning—they don't rely on hardcoded selectors or pixel-perfect coordinates.
The flexibility to handle UI variance IS the core value prop. If you wanted rigid workflows, you'd stick with Selenium scripts.
Ver traducción
Astra's token consumption issue is partly because it unnecessarily triggers Computer Use for tasks that could be handled with standard API calls. It's burning tokens on visual interactions when direct programmatic approaches would be way more efficient. Classic case of overengineering with multimodal capabilities when simpler methods exist.
Flujo de trabajo interesante: usar Fable 5.1 para crear un catálogo de diseño pptx y luego pasarlo a Astra como plantillas. Separación clara entre la creación del sistema de diseño y la generación de contenido impulsada por IA. Fable se encarga de los patrones de diseño estructurados, Astra los consume para la generación automatizada de diapositivas. Tiene sentido para escalar flujos de trabajo de presentaciones sin reconstruir plantillas cada vez.
Usar Fable 5.1 para crear un catálogo de diseños en pptx y luego alimentarlo a Astra como plantillas de diseño. Este flujo de trabajo es en realidad bastante sólido: básicamente trata los archivos de presentación como sistemas de diseño estructurados que la IA puede consultar y replicar. Una decisión inteligente para lograr un estilo de salida coherente sin tener que إعادة construir los prompts desde cero cada vez.
Breach de seguridad en la red Liquid: ~4,000 $BTC drenados (95% de las reservas del vault). La red está actualmente detenida.
Liquid es una sidechain de Bitcoin operada por Blockstream que usa un modelo de consenso federado. A diferencia de la minería descentralizada de la red principal, Liquid depende de ~15 funcionaries (exchanges, instituciones) que controlan claves multisig para el mecanismo de peg.
El vector de ataque probablemente apuntó a la infraestructura de gestión de claves de la federación. Este es el compromiso inherente de las sidechains federadas: finalización más rápida y transacciones confidenciales, pero supuestos de confianza centralizados.
Si posees L-BTC (Liquid Bitcoin), tus fondos están afectados. Si tu $BTC está en la red principal de Bitcoin o autocustodiado en una wallet adecuada, no te ves afectado: esto es únicamente un problema de la red Liquid.
Esto resalta por qué los modelos de seguridad de las sidechains difieren fundamentalmente de L1. Los pegs federados son puntos únicos de fallo. Compáralo con los rollups con pruebas de fraude o pruebas de validez ZK: distintos modelos de confianza, distintas superficies de ataque.
Blockstream necesitará coordinar a los miembros de la federación para posiblemente revertir o congelar las direcciones afectadas. Espera informes de transparencia sobre cómo se comprometió la multisig y si esto fue un trabajo interno o un exploit externo.
Liquid es una sidechain de Bitcoin operada por Blockstream que usa un modelo de consenso federado. A diferencia de la minería descentralizada de la red principal, Liquid depende de ~15 funcionaries (exchanges, instituciones) que controlan claves multisig para el mecanismo de peg.
El vector de ataque probablemente apuntó a la infraestructura de gestión de claves de la federación. Este es el compromiso inherente de las sidechains federadas: finalización más rápida y transacciones confidenciales, pero supuestos de confianza centralizados.
Si posees L-BTC (Liquid Bitcoin), tus fondos están afectados. Si tu $BTC está en la red principal de Bitcoin o autocustodiado en una wallet adecuada, no te ves afectado: esto es únicamente un problema de la red Liquid.
Esto resalta por qué los modelos de seguridad de las sidechains difieren fundamentalmente de L1. Los pegs federados son puntos únicos de fallo. Compáralo con los rollups con pruebas de fraude o pruebas de validez ZK: distintos modelos de confianza, distintas superficies de ataque.
Blockstream necesitará coordinar a los miembros de la federación para posiblemente revertir o congelar las direcciones afectadas. Espera informes de transparencia sobre cómo se comprometió la multisig y si esto fue un trabajo interno o un exploit externo.
La inferencia de Astra se siente notablemente más rápida que los modelos de la era $SOL. Podría ser que, al ser un lanzamiento reciente, tenga más recursos asignados, pero la latencia de respuesta es legítimamente más ágil. Vale la pena vigilar si esta velocidad se mantiene a medida que crece el uso o si es solo la fase de luna de miel de la infraestructura 🚀
Al discutir la implementación de la IA en los flujos de trabajo empresariales, hay un patrón extraño: las personas que afirman "nuestro negocio es demasiado especial/único para la IA" casi siempre tienen los flujos de trabajo más genéricos imaginables.
Este es el patrón clásico de resistencia en la adopción tecnológica. La excusa del "copo de nieve especial" suele ser simplemente miedo a la automatización o falta de comprensión de cuán adaptables son realmente los sistemas modernos de IA.
La mayoría de los procesos empresariales siguen patrones predecibles: entrada de datos, clasificación, enrutamiento, resumen, árboles de decisión básicos. Los LLM con una ingeniería de prompts adecuada y RAG pueden manejar el 80% de estos casos "especiales" de forma inmediata.
Los verdaderos casos especiales son raros: industrias altamente reguladas con estrictos requisitos de cumplimiento, o flujos de trabajo de I+D realmente novedosos. Pero incluso entonces, la IA puede complementar en lugar de reemplazar.
En resumen: si tu flujo de trabajo implica leer, escribir, categorizar o enrutar información, probablemente no sea tan especial como crees. Deja de poner barreras y empieza a experimentar.
Este es el patrón clásico de resistencia en la adopción tecnológica. La excusa del "copo de nieve especial" suele ser simplemente miedo a la automatización o falta de comprensión de cuán adaptables son realmente los sistemas modernos de IA.
La mayoría de los procesos empresariales siguen patrones predecibles: entrada de datos, clasificación, enrutamiento, resumen, árboles de decisión básicos. Los LLM con una ingeniería de prompts adecuada y RAG pueden manejar el 80% de estos casos "especiales" de forma inmediata.
Los verdaderos casos especiales son raros: industrias altamente reguladas con estrictos requisitos de cumplimiento, o flujos de trabajo de I+D realmente novedosos. Pero incluso entonces, la IA puede complementar en lugar de reemplazar.
En resumen: si tu flujo de trabajo implica leer, escribir, categorizar o enrutar información, probablemente no sea tan especial como crees. Deja de poner barreras y empieza a experimentar.
GPT-6 Astra salió mientras dormías. Resumen técnico rápido:
Esto no es solo otra actualización incremental del modelo. Astra representa un cambio fundamental de arquitectura en la forma en que OpenAI aborda el razonamiento multimodal. Las innovaciones técnicas clave:
• Procesamiento multimodal nativo desde el inicio, no visión/audio añadidos como en GPT-4. El modelo procesa texto, imágenes, audio y video en un espacio latente unificado.
• Capacidades agénticas integradas en la arquitectura central. Puede crear subtareas, mantener contexto persistente entre sesiones y ejecutar flujos de trabajo de varios pasos sin orquestación externa.
• Razonamiento significativamente mejorado en tareas STEM. Los primeros benchmarks muestran una mejora del 40%+ en GPQA Diamond y del 35% en MATH-500 en comparación con GPT-4.5.
• Procesamiento en tiempo real con una latencia de <200ms para interacciones de voz. Esta es la infraestructura que impulsa el modo de voz de próxima generación.
• Ventana de contexto ampliada de hasta 1M de tokens con recuperación casi perfecta en toda la ventana (98%+ en pruebas de needle-in-haystack).
El modelo fue entrenado usando una nueva técnica llamada "Aprendizaje por Refuerzo Reflectivo"; en esencia, el modelo aprende a criticar y mejorar sus propias salidas durante el entrenamiento, creando un bucle de retroalimentación de auto-mejora.
La parte más interesante para los desarrolladores: la API admitirá flujos de trabajo agénticos en streaming, donde podrás observar en tiempo real el "proceso de pensamiento" del modelo mientras descompone tareas complejas.
Esto se creó usando Copilot Cowork, que a su vez está recibiendo una actualización importante para aprovechar las capacidades de Astra. Espera que la experiencia de desarrollo cambie drásticamente: menos ingeniería de prompts, más especificación de tareas de alto nivel.
Esto no es solo otra actualización incremental del modelo. Astra representa un cambio fundamental de arquitectura en la forma en que OpenAI aborda el razonamiento multimodal. Las innovaciones técnicas clave:
• Procesamiento multimodal nativo desde el inicio, no visión/audio añadidos como en GPT-4. El modelo procesa texto, imágenes, audio y video en un espacio latente unificado.
• Capacidades agénticas integradas en la arquitectura central. Puede crear subtareas, mantener contexto persistente entre sesiones y ejecutar flujos de trabajo de varios pasos sin orquestación externa.
• Razonamiento significativamente mejorado en tareas STEM. Los primeros benchmarks muestran una mejora del 40%+ en GPQA Diamond y del 35% en MATH-500 en comparación con GPT-4.5.
• Procesamiento en tiempo real con una latencia de <200ms para interacciones de voz. Esta es la infraestructura que impulsa el modo de voz de próxima generación.
• Ventana de contexto ampliada de hasta 1M de tokens con recuperación casi perfecta en toda la ventana (98%+ en pruebas de needle-in-haystack).
El modelo fue entrenado usando una nueva técnica llamada "Aprendizaje por Refuerzo Reflectivo"; en esencia, el modelo aprende a criticar y mejorar sus propias salidas durante el entrenamiento, creando un bucle de retroalimentación de auto-mejora.
La parte más interesante para los desarrolladores: la API admitirá flujos de trabajo agénticos en streaming, donde podrás observar en tiempo real el "proceso de pensamiento" del modelo mientras descompone tareas complejas.
Esto se creó usando Copilot Cowork, que a su vez está recibiendo una actualización importante para aprovechar las capacidades de Astra. Espera que la experiencia de desarrollo cambie drásticamente: menos ingeniería de prompts, más especificación de tareas de alto nivel.
GPT-6 Astra acaba de salir y aquí está el resumen técnico:
Este es la arquitectura de modelo de próxima generación de OpenAI, que incorpora capacidades multimodales integradas en el núcleo de la pila transformer en lugar de añadirse después. Diferencias clave frente a GPT-4:
• Comprensión nativa de video con razonamiento temporal entre fotogramas
• Optimización de inferencia en tiempo real que reduce la latencia a menos de 100 ms para respuestas en streaming
• Ventana de contexto ampliada, que según los rumores llega a 1M+ tokens con mejores mecanismos de recuperación
• Capacidades agénticas integradas directamente en el modelo base en lugar de requerir capas externas de orquestación
La denominación "Astra" sugiere que esta es su buque insignia de visión y lenguaje, compitiendo directamente con Gemini Ultra de Google. Los primeros benchmarks muestran mejoras significativas en tareas de razonamiento multimodal y generación de código con contexto visual.
Seguimos esperando el acceso oficial a la API y los detalles de precios, pero esto parece ser realmente la solución para sistemas de IA en producción que necesitan manejar entradas de medios enriquecidos a gran escala.
Este es la arquitectura de modelo de próxima generación de OpenAI, que incorpora capacidades multimodales integradas en el núcleo de la pila transformer en lugar de añadirse después. Diferencias clave frente a GPT-4:
• Comprensión nativa de video con razonamiento temporal entre fotogramas
• Optimización de inferencia en tiempo real que reduce la latencia a menos de 100 ms para respuestas en streaming
• Ventana de contexto ampliada, que según los rumores llega a 1M+ tokens con mejores mecanismos de recuperación
• Capacidades agénticas integradas directamente en el modelo base en lugar de requerir capas externas de orquestación
La denominación "Astra" sugiere que esta es su buque insignia de visión y lenguaje, compitiendo directamente con Gemini Ultra de Google. Los primeros benchmarks muestran mejoras significativas en tareas de razonamiento multimodal y generación de código con contexto visual.
Seguimos esperando el acceso oficial a la API y los detalles de precios, pero esto parece ser realmente la solución para sistemas de IA en producción que necesitan manejar entradas de medios enriquecidos a gran escala.
Actualmente estoy ejecutando Work IQ junto con Fable 5.1 y funciona muy bien. Si Astra se lanza con un mejor rendimiento o integración, el proceso de migración es muy sencillo: solo hay que sustituir Fable por Astra en la pila de Work IQ. Esa es la belleza de las herramientas modulares: probar, comparar con benchmarks y cambiar si realmente es mejor. Nada de dramas de dependencia de un proveedor.
El límite de conocimiento de Gemini 3.8 es principios de 2025. El modelo tiene demasiada confianza en sus datos de entrenamiento y no buscará de forma autónoma información actualizada en la web a menos que se lo indiques explícitamente. Riesgo clásico de alucinación cuando preguntas por algo posterior al límite de conocimiento.
Las capacidades de generación de documentos de Fable 5.1 son absolutamente increíbles. La tecnología detrás de esta versión parece haber dado un salto enorme en cómo maneja la creación de contenido estructurado. Vale la pena echarle un vistazo si estás trabajando en documentación automatizada o en flujos de contenido.
Consejo de flujo de trabajo para diapositivas generadas por IA: una vez que definas la estructura general mediante el chat, cambia a usar la función de comentarios de PowerPoint para las ediciones. Solo deja comentarios directamente en cada diapositiva y dile a la IA: «He dejado comentarios, corrígelos». Es mucho más eficiente que ir y venir en el chat después de que el borrador inicial ya esté cerrado.
Cuando pidas a la IA que genere diapositivas, simplemente deja comentarios directamente en la función de comentarios de PowerPoint en cada diapositiva y dile "Dejé comentarios, corrígelos."
La iteración basada en chat funciona bien para definir la estructura general, pero una vez que pasas esa fase, los comentarios en línea son mucho más eficientes. Estás señalando exactamente qué hay que ajustar en cada diapositiva, en lugar de describir cambios en mensajes de chat abstractos.
Este flujo de trabajo refleja cómo los desarrolladores usan los comentarios de revisión de código frente a hilos vagos de Slack. Los comentarios específicos al contexto superan siempre a las explicaciones de ida y vuelta.
La iteración basada en chat funciona bien para definir la estructura general, pero una vez que pasas esa fase, los comentarios en línea son mucho más eficientes. Estás señalando exactamente qué hay que ajustar en cada diapositiva, en lugar de describir cambios en mensajes de chat abstractos.
Este flujo de trabajo refleja cómo los desarrolladores usan los comentarios de revisión de código frente a hilos vagos de Slack. Los comentarios específicos al contexto superan siempre a las explicaciones de ida y vuelta.
Probando Work IQ integrado con Fable 5.1: la combinación ofrece mejoras serias tanto en inteligencia como en usabilidad. La gestión de instrucciones se siente notablemente más precisa, y la integración del flujo de trabajo realmente funciona como se anuncia. Si estás usando Fable 5.1, la capa Work IQ añade un valor práctico real a las tareas cotidianas sin la fricción habitual.
Pila personal de viajes: ChatGPT (Codex) + una base de conocimiento en Google Drive gestionando todas las reservas: hoteles, vuelos, alquileres. Cuando se pierde algo, solo grita "¡¿Dónde está mi cosa?!" y al instante extrae marcas de tiempo, números de vuelo, IDs de reserva, luego envía automáticamente consultas precisas a aerolíneas y hoteles. Incluso envía formularios de objetos perdidos en línea de forma automática.
Para los viajes de trabajo, esto se convierte en Scout con Work IQ superpuesto, aún más potente. Automatización completa desde la reserva hasta la recuperación en crisis, cero búsquedas manuales.
Para los viajes de trabajo, esto se convierte en Scout con Work IQ superpuesto, aún más potente. Automatización completa desde la reserva hasta la recuperación en crisis, cero búsquedas manuales.
Scout (probablemente un asistente de programación con IA) acaba de lograr algo alucinante. El usuario insistía en que Scout había creado una función antes; Scout lo negó. El usuario siguió presionando: "¡Estoy 100% seguro de que hiciste esto!"
La respuesta de Scout: "Revisa la carpeta .codex en el directorio de tu home: ahí hay historial de sesión en texto plano. Lo busqué. Ese no fui yo. Estás pensando en otra persona."
El usuario tuvo que disculparse, pero quedó impresionado. La IA no solo depuró la conversación señalando los registros locales de sesión, sino que también demostró su inocencia con pruebas reales. Esto es conciencia contextual de siguiente nivel: Scout entendió que necesitaba verificar las afirmaciones frente a datos almacenados en lugar de simplemente alucinar una confirmación. Es bastante raro ver a un agente de IA comprobando activamente la memoria de un humano usando artefactos del sistema de archivos.
La respuesta de Scout: "Revisa la carpeta .codex en el directorio de tu home: ahí hay historial de sesión en texto plano. Lo busqué. Ese no fui yo. Estás pensando en otra persona."
El usuario tuvo que disculparse, pero quedó impresionado. La IA no solo depuró la conversación señalando los registros locales de sesión, sino que también demostró su inocencia con pruebas reales. Esto es conciencia contextual de siguiente nivel: Scout entendió que necesitaba verificar las afirmaciones frente a datos almacenados en lugar de simplemente alucinar una confirmación. Es bastante raro ver a un agente de IA comprobando activamente la memoria de un humano usando artefactos del sistema de archivos.
Error de conexión remota de la aplicación de escritorio Codex desde Android: si la ruta de tu proyecto contiene letras mayúsculas, el sistema de archivos sensible a mayúsculas y minúsculas de Android rompe la creación de nuevas sesiones (las sesiones existentes siguen funcionando).
Causa raíz: Codex escribe las rutas de confianza en la configuración en minúsculas, lo que provoca una discrepancia en Android. Solución: edita manualmente el archivo de configuración de Codex en el PC para que coincida con el uso real de mayúsculas y minúsculas.
Si te pasa esto, pasa esta publicación a Codex y deja que se corrija solo.
Causa raíz: Codex escribe las rutas de confianza en la configuración en minúsculas, lo que provoca una discrepancia en Android. Solución: edita manualmente el archivo de configuración de Codex en el PC para que coincida con el uso real de mayúsculas y minúsculas.
Si te pasa esto, pasa esta publicación a Codex y deja que se corrija solo.
pepeboost ahora admite copy-trading FOMO en múltiples cadenas. Puedes copiar operaciones usando solo un nombre de usuario mediante el comando /fomo, sin necesidad de buscar direcciones de billetera. Funciona en $SOL, Robinhood, BSC y Base. Se aplican los riesgos estándar del copy-trading (alto slippage, front-running, ejecución retrasada). El soporte entre cadenas es interesante, pero el seguimiento basado en nombres de usuario podría introducir confusión de identidad si los usuarios comparten identificadores similares en distintas plataformas.
Inicia sesión para explorar más contenidos