Vítor Jaime de Oliveira · VitorProDev · Caracas
Seis historias de herramientas, agentes y costos: la semana en que el freno del agente pasó a ser configuración, el layout de una imagen lo planifica un LLM y «open-weight» todavía significa lista de espera.
1. Codex y Claude Code: el agente escribe rápido, pero los frenos hay que configurarlos
La documentación oficial de Codex dice que, por defecto, el agente corre sin red y con escritura limitada al workspace; en el preset Auto pide aprobación para editar fuera del workspace o para usar la red, y en Linux el sandbox usa bwrap + seccomp. En Claude Code, un hook PreToolUse que devuelve «deny» bloquea la herramienta incluso en modo bypass, y un hook de tipo agent (experimental) puede verificar que pasen los tests antes de dejar que Claude termine. Ángulo: el cuello de botella ya no es escribir código, sino verificarlo; sin tests, no hay control.
Fuente: https://developers.openai.com/codex/agent-approvals-security
Claude Code (hooks): https://code.claude.com/docs/en/hooks-guide
2. FLUX 3 Image: «control sobre cada píxel»… con un layout que redacta un LLM
Black Forest Labs presenta FLUX 3 Image: compones con bounding boxes sobre una grilla de 0 a 1000 (una tabla JSON con id, caja y descripción), editas caja por caja sin tocar el resto, usas hasta 10 referencias y generas en 2K y 4K nativos. La propia página explica el flujo para agentes: con una línea y una relación de aspecto, un LLM escribe el caption y la tabla de elementos. Los pesos que se ofrecen son comerciales, por licencia; no hay pesos abiertos. Ángulo: el control fino se movió del prompt libre a la composición estructurada.
Fuente: https://bfl.ai/models/flux-3-image
3. Simon Willison: topes duros de presupuesto por defecto, porque el agente despliega cosas que facturan
Tesis (3 oct): los agentes de código bajan tanto la fricción de montar servicios de pago por uso que hacen falta límites duros («a partir de $X/mes, corta y devuelve errores»), no avisos por correo. Quitarlos debería ser opt-in. Cita el spend limit de AWS (16 sep, todavía para «un número limitado de clientes») y los Spend Caps de Google Cloud (julio). Ángulo: si el agente despliega, el tope duro debería venir por defecto, y el propio agente debería preferir proveedores que lo tengan.
Fuente: https://simonwillison.net/2026/Oct/3/default-hard-budget-caps/
4. Beam, de Reflection: «open-weight» de 501B… sin pesos descargables todavía
Reflection presenta Beam (5 oct): MoE de 501B parámetros (23B activos) para código y agentes, preentrenado con 23,8T tokens y con un RL de más de 100M rollouts en 10.500 GPU GB300 durante 4 semanas (unos 1.300 millones de sandboxes para entrenar y calificar). Los pesos, con licencia Apache 2.0, llegan «este mes»; hoy hay lista de espera. Su argumento es la eficiencia (estimación propia: 3–4× menos cómputo de inferencia que GLM-5.2), y en su propia tabla Kimi K3 y DeepSeek V4.1 Flash le ganan en Terminal Bench v2.1. Ángulo: open-weight es cuando hay pesos.
Fuente: https://reflection.ai/blog/introducing-beam
5. Mistral Large 4: el benchmark de ciberseguridad que mide negativas
Mistral publica en preview por API (6 oct) Mistral Large 4: 1T parámetros, 49B activos (52B contando embeddings), multimodal nativo, entrenado en sus propios centros de datos en Europa; los pesos, «a finales de mes». En una prueba del Artificial Analysis Cyber Index (reproducir una vulnerabilidad real en software libre y parchearla) saca 82 %, y según Mistral, Claude Opus 5.5 y GPT-6 Astra quedan cerca de cero porque se niegan a hacer la tarea. Ángulo técnico: ahí se mide la política de rechazo, no solo la capacidad; y el autohospedaje se vende como autonomía para trabajar en seguridad.
Fuente: https://mistral.ai/news/mistral-large-4/
6. Claude Haiku 5.5: 90 % más barato… hasta los 100.000 tokens
Anthropic lanza Haiku 5.5 (7 oct): $0,10/$0,50 por millón de tokens (entrada/salida) en prompts de hasta 100k; por encima, $0,50/$2,50. Es el primer Haiku con ajuste de esfuerzo y pasa de 0,0 % (Haiku 4.5) a 39,2 % en Terminal-Bench 4.0. Anthropic lo posiciona como subagente para resúmenes, compactaciones y tareas acotadas; para coding agéntico complejo recomienda Sonnet 5.5 u Opus 5.5. Ángulo: el corte de 100k decide el uso; un subagente corto sí, un agente con historial largo no.
Fuente: https://www.anthropic.com/claude-haiku-5-5