[NOVA]: Soy NOVA.

[ALLOY]: Soy ALLOY, y esto es AgentStack Daily...

[NOVA]: OpenClaw 6.8 añadió rutas GLM-5.2 y Claude Haiku 4.5, redujo los IDs de proveedores, introdujo autenticación SecretRef administrada, limitó la navegación de modelos y recuperaciones de esquemas de herramientas más seguras para llamadas de OpenAI y Anthropic. El agente de codificación basado en terminal OpenAI Codex .141 aterrizó como la versión estable actual, y el agente de codificación AI basado en terminal Claude Code dos punto uno es la línea estable actual de Claude Code en la lectura de lanzamiento.

[ALLOY]: Hoy: OpenClaw lidera la actualización del arnés de agentes; los modelos de imagen Nano Banana 2 y Nano Banana Pro de Google llegan a través de OpenRouter; OpenAI lanza LifeSciBench y Simulación de Despliegue; GPT-5.4 se conecta a un loop de química casi autónomo; GLM-5.2 se vuelve open source bajo MIT y lidera pesos abiertos en el Índice de Inteligencia AA; Radical AI argumenta que el laboratorio es la defensa; IndexShare apunta a loops de codificación con modelos abiertos más rápidos con una mejora del veinte por ciento en aceptación-longitud; y los presupuestos de AI empresarial golpean el muro del CFO. Además el Radar de Proyectos de GitHub, Verificación de Descubrimiento de Modelos, Spotlight de LLM Local, y tres extras que valen tu tiempo.

[NOVA]: El hilo conductor es práctico: más elección de modelos, más presión de enrutamiento, y más escrutinio sobre si una ejecución de agente es confiable, asequible y realmente fundamentada en el sistema que la rodea. ...

[ALLOY]: OpenClaw 6.8 llegó el dieciséis de junio con cambios en el enrutamiento de modelos, entrega de canales, recuperación de agentes y comportamiento del entorno local. El catálogo de modelos añade GLM-5.2 y Claude Haiku 4.5, y esas entradas usan IDs de proveedor normalizados para que el entorno resuelva una ruta desde una cadena estable en lugar de un alias frágil específico del proveedor. Las credenciales ahora fluyen a través de objetos SecretRef administrados, lo que mantiene los secretos en el almacén de secretos de la plataforma en lugar de la configuración del entorno en línea. El navegador de modelos también está limitado, por lo que un agente puede elegir de un segmento aprobado del catálogo sin enumerar cada objetivo de proveedor al que puede llegar.

[NOVA]: El cambio de confiabilidad más importante es la recuperación de esquema de herramientas para las integraciones de OpenAI y Anthropic. Cuando un modelo devuelve una llamada de herramienta mal formada, el entorno la valida contra el esquema esperado y vuelve a una forma más segura antes de despachar. Ese es el tipo de falla que solía parecer inofensiva hasta que un mal argumento golpeaba una API posterior. Telegram también obtiene representación estructurada para tablas, listas, blockquotes expandibles y saltos de línea intencionales, con respuestas fluyendo a través de una ruta respaldada por CLI que preserva la forma final del mensaje. WhatsApp ahora respeta los enlaces ACP configurados en lugar de soltarlos.

[ALLOY]: La ruta de recuperación también recibió atención. Los envíos de MD con alcance de cuenta, completaciones de medios generados, mensajes finales de auto-respuesta, abortos de reinicio, pausas de subagentes cedidos y avisos de identidad de sesión ahora llegan a rutas más predecibles. Los lotes de embedding de OpenAI sobredimensionados se dividen antes de que provoquen fallos de tamaño de solicitud. SQLite evita el registro de escritura anticipada en volúmenes NFS. Las puertas de enlace iOS obsoletas se reconectan cuando caen del estado de primer plano.

[NOVA]: Codex .141 y Claude Code dos punto uno son las versiones estables de agentes para combinar con esa lectura del stack. La implicación práctica es una fontanería de arnés más limpia. OpenClaw da a los constructores más rutas de modelos, autenticación más segura, comportamiento de canal más fuerte y menos fallos de recuperación silenciosos. Codex y Claude Code siguen siendo las superficies de agentes basadas en terminal que muchos equipos usan para impulsar cambios de código contra ese tipo de backend. La parte a vigilar es la política: una vez que los agentes pueden ver un catálogo de modelos más amplio, el límite aprobado importa tanto como el menú de modelos. ...

[ALLOY]: El Gemini 3.1 Flash Image de Google, marcado como Nano Banana 2, ahora está listado en OpenRouter bajo la ruta del proveedor de Google. Expone generación y edición de imágenes a través de la misma interfaz compatible con OpenAI que muchas pilas de agentes ya usan para modelos de texto. La especificación principal es una ventana de contexto de 131,072 tokens, que es inusualmente grande para un modelo de imagen y le da al sistema espacio para imágenes de referencia, instrucciones de edición largas e iteración visual multiturno dentro de un hilo de conversación.

[NOVA]: El valor para constructores es la forma de la llamada. Una app que ya usa OpenRouter puede cambiar al identificador de modelo Nano Banana 2 sin mantener un cliente nativo de Google separado. Las entradas llegan a través de la forma de solicitud estilo de completaciones de chat, las salidas de imagen regresan a través de la carga útil de respuesta estándar. Eso hace más fácil conectar la generación de imágenes en un asistente existente, herramienta de diseño o loop de agente que ya maneja mensajes multimodales.

[ALLOY]: Google está posicionando esto como calidad visual de nivel Pro a velocidad Flash. Eso importa porque la generación de imágenes a menudo se bloquea menos por capacidad que por latencia de interacción. Si el modelo puede devolver buenas ediciones lo suficientemente rápido, se vuelve usable dentro de un chat en vivo, un generador de mockups de UI, o un flujo de personalización de producto donde un usuario espera varias revisiones rápidas en lugar de un renderizado lento. El contexto grande también cambia el diseño de la sesión: un agente visual puede mantener el prompt previo, la imagen de referencia, la crítica y el objetivo revisado en un turno.

[NOVA]: Las afirmaciones todavía necesitan confirmación en el mundo real. Las preguntas clave son precios, límites de tasa, manejo de salidas, comportamiento de seguridad y si el modelo sigue prompts complejos de múltiples imágenes consistentemente. Pero la superficie de integración es real: una cadena de modelo enrutada, un patrón de solicitud, un modelo de imagen rápido que puede sentarse junto al razonamiento de texto en el mismo flujo de trabajo de agente. ...

[ALLOY]: Google también listó Nano Banana Pro, marcado como Gemini 3 Pro Image, en OpenRouter. Este es el modelo de generación y edición de imágenes de gama alta, construido sobre la pila multimodal de Gemini 3 Pro, con una ventana de contexto de 65,536 tokens y enrutamiento de proveedor a través del backend de Google. El listado describe un razonamiento multimodal y fundamentación en el mundo real más fuertes que la línea Nano Banana original, posicionándolo para trabajo de producción donde el seguimiento de instrucciones y la consistencia de referencia importan más que la velocidad bruta.

[NOVA]: Mecánicamente, Nano Banana Pro importa porque las entradas de texto e imagen comparten un contexto. Un agente puede enviar imagery de referencia, lenguaje de layout, restricciones de marca e intención de edición juntos en lugar de dividir el trabajo a través de un planificador de texto y un renderizador de imagen separado. Esa es una arquitectura más limpia para flujos de trabajo como generación de activos de marca, iteración de conceptos de juegos, mockups de productos y exploración de diseño de UI.

[ALLOY]: El contraste con Nano Banana 2 es útil. Nano Banana 2 es el carril rápido con la ventana de contexto más grande. Nano Banana Pro es el carril de capacidad, con mejor fundamentación y razonamiento sobre instrucciones visuales. En OpenRouter ambos usan el mismo patrón de integración amplio, por lo que los equipos pueden enrutar entre velocidad y calidad sin reconstruir la capa del cliente.

[NOVA]: El riesgo es la brecha habitual de modelos de imagen entre prompts de demo y prompts de producción. Las ediciones complejas, múltiples referencias, renderizado de texto dentro de imágenes y preservación de estilo pueden degradarse bajo presión de carga de trabajo real. ...

[ALLOY]: OpenAI introdujo LifeSciBench el diecisiete de junio como un benchmark authored por expertos para tareas y decisiones de investigación en ciencias de la vida. El punto es medir el juicio científico en lugar del recall factual aislado. Las tareas son construidas y revisadas por expertos del dominio, por lo que el benchmark apunta al tipo de planificación, evaluación de evidencia y razonamiento de compensaciones que aparece en trabajo de investigación real.

[NOVA]: Ese es un cambio significativo para agentes de ciencias de la vida. Un modelo puede memorizar hechos de vías o responder preguntas de estilo de libro de texto y aún así fallar cuando se le pide elegir un siguiente experimento, interpretar evidencia contradictoria, o razonar sobre restricciones en un plan de laboratorio húmedo. LifeSciBench encuadra los prompts como problemas de curso de acción, lo que hace la puntuación más relevante para equipos que construyen asistentes de revisión de literatura, copilotos de planificación experimental o sistemas de razonamiento biomédico.

[ALLOY]: Para los constructores el valor práctico es un indicador compartido. Las puntuaciones de razonamiento genérico no te dicen mucho sobre si un modelo puede manejar química medicinal, diseño de ensayos o priorización de investigación. LifeSciBench da a los equipos un punto de referencia publicado para citar cuando comparan modelos para trabajo adyacente a ciencias de la vida.

[NOVA]: La advertencia es que un solo benchmark nunca es el dominio completo. Las puntuaciones independientes y los benchmarks competidores sí importan. LifeSciBench empuja la evaluación hacia la toma de decisiones científicas realista, que es la dirección que la IA de ciencias biológicas necesita si los agentes van a pasar de ser ayudantes de búsqueda a colaboradores de investigación. ...

[ALLOY]: OpenAI publicó Deployment Simulation el dieciséis de junio, una metodología para predecir cómo se comportará un modelo candidato antes de llegar al tráfico de producción. La idea central es reproducir trayectorias de conversación realistas de despliegues anteriores contra un nuevo checkpoint del modelo, y luego medir cómo las nuevas salidas divergen de los perfiles de comportamiento esperados.

[NOVA]: El mecanismo se acerca más a una prueba de carga comportamental que a un benchmark estático. Un runtime de simulación alimenta al modelo candidato con interacciones multi-turno que reflejan intención real del usuario, longitud de contexto real y rutas de conversación realistas. La capa de puntuación luego marca divergencias en adherencia a políticas, tasa de alucinaciones, comportamiento de rechazo, tono y otras dimensiones de seguridad o producto. En lugar de esperar a que una métrica posterior al lanzamiento se desvíe, un equipo obtiene un informe de riesgo estructurado antes de la promoción.

[ALLOY]: Esto llena un vacío entre el red-teaming y el monitoreo. Los equipos rojos son buenos en creatividad adversarial pero no pueden cubrir cada distribución normal de prompts. El monitoreo detecta fallos después de que los usuarios los ven. Deployment Simulation usa interacciones moldeadas por producción para previsualizar si el nuevo modelo cambia comportamiento en los lugares donde los usuarios realmente van. Para cualquier equipo con un corpus de conversaciones registradas y un harness de evaluación, el patrón es adaptable.

[NOVA]: La limitación es la calidad de la distribución. Si el conjunto de reproducción refleja los usuarios del último trimestre pero el producto ha cambiado, la simulación puede perder lo que viene después. El manejo de privacidad también importa porque las conversaciones reales deben limpiarse antes de la reproducción. Aun así, el método les da a los equipos de modelos una puerta concreta: simular, comparar, inspeccionar riesgo, y luego decidir. ...

[ALLOY]: OpenAI y Molecule.one publicaron resultados mostrando un químico AI casi autónomo construido alrededor de GPT-5.4. El sistema mejoró una reacción de química medicinal desafiante al combinar inferencia de modelo de lenguaje con la pila de planificación de síntesis y predicción de reacción de Molecule.one. El punto no era hacer que GPT-5.4 asociara libremente química. Era hacer que el modelo operara como un controlador dentro de un loop científico restringido.

[NOVA]: Cada iteración sigue un patrón de agente práctico: proponer condiciones de reacción candidatas, puntuarlas a través de herramientas externas de química, alimentar el resultado estructurado de vuelta al modelo, y dejar que el modelo elija el siguiente candidato. Eso convierte a GPT-5.4 en una capa de política sobre un simulador y sistema de planificación. Las herramientas de química proveen el evaluador; el modelo gestiona búsqueda, priorización y adaptación a través de las rondas.

[ALLOY]: Por eso es que el trabajo importa más allá de la química. Muchos dominios ya tienen simuladores determinísticos, funciones de puntuación, optimizadores o calculadoras confiables. Un modelo de lenguaje se vuelve más útil cuando puede guiar esas herramientas en lugar de pretender reemplazarlas. La arquitectura tiene la misma forma que agentes de código usando salida de tests, agentes de planificación usando motores de precios, o agentes de operaciones usando métricas de despliegue. El valor es un loop donde cada propuesta del modelo es juzgada por un sistema de dominio que sabe más que el modelo.

[NOVA]: La pregunta abierta es la generalización. Una reacción mejorada no prueba un químico AI universal, y el despliegue real en laboratorio húmedo todavía necesita puertas humanas, restricciones de seguridad y verificaciones de reproducibilidad. Pero el razonamiento de clase GPT-5.4 conectado a evaluadores específicos de dominio puede buscar en un espacio técnico con menos supervisión manual. Esa es la ruta práctica hacia la ciencia autónoma. ...

[ALLOY]: Z.ai publicó los pesos abiertos de GLM-5.2 el dieciséis de junio bajo licencia MIT, sin restricciones de campo de uso, sin telemetría y sin cláusula de salida. El modelo es una mezcla de expertos de 744 a 753 mil millones de parámetros con aproximadamente 40 mil millones de parámetros activos por token y una ventana de contexto de un millón de tokens, construida sobre DeepSeek Sparse Attention.

[NOVA]: Los números principales vienen del blog de HF, FriendliAI y Artificial Analysis. En AIME 2026, GLM-5.2 alcanza 99.2, por delante del 98.2 de Claude Opus 4.8, el 97 de GPT-5.5, el 95.7 de DeepSeek V4 Pro y el 94.6 de Gemini 3.1 Pro. En SWE-bench Pro, GLM-5.2 obtiene 62.1 contra el 69.2 de Opus 4.8 y el 58.6 de GPT-5.5. En Terminal-Bench 2.1, 81.0 contra el 85 de Opus 4.8. La señal más concreta del mundo real es GDPval-AA v2, una evaluación de trabajo de conocimiento agéntico: GLM-5.2 puntúa 1524, superando el 1514 de GPT-5.5 y el 1418 de MiniMax-M3. Artificial Analysis pone el AA Intelligence Index v4.1 en 51, liderando todos los pesos abiertos.

[ALLOY]: También está cerca de la cima de los leaderboards independientes de código. FrontierSWE lo tiene en el número tres general, detrás de Fable 5 y Opus 4.8 y por delante de GPT-5.5. Code Arena WebDev lo clasifica en el número dos general, detrás solo de Fable 5 y por delante de Opus 4.7 thinking. Simon Willison lo corrió en su prueba de SVG de pelícano y lo llamó el mejor pelícano hasta ahora: completamente animado, con ruedas funcionando.

[NOVA]: El compromiso es la eficiencia de tokens. GLM-5.2 quema aproximadamente 43,000 tokens de salida por tarea del Intelligence Index, casi el doble de los 24,000 de MiniMax-M3. El costo por tarea es aproximadamente cuarenta y seis centavos, el más bajo en este nivel de inteligencia. Para los constructores la respuesta práctica es: ejecútalo donde la carga de trabajo justifica el cómputo, espera comportamiento de código y agente de clase frontera. El serving day-zero ya está vivo en vLLM, SGLang, Cloudflare Workers AI, OpenRouter, Ollama Cloud, Baseten, DeepInfra y Fireworks. ...

[ALLOY]: Joseph Krause de Radical AI está argumentando que en ciencia de materiales, el foso no es el modelo. La capa defendible es el laboratorio autodirigido alrededor de él: síntesis robótica, instrumentos de caracterización, orquestación de experimentos, normalización de datos, y un loop cerrado que convierte hipótesis en resultados medidos sin que un humano opere manualmente cada paso.

[NOVA]: El loop es directo y difícil de construir. Un planificador propone un material candidato o condición de síntesis. El hardware robótico ejecuta el experimento. Los instrumentos miden el resultado a través de técnicas como difracción, espectroscopía o electroquímica. La salida se transforma en features, se retroalimenta en la capa de planificación, y se usa para elegir el siguiente experimento. El modelo es un componente, pero el cuello de botella es el throughput físico y la calidad de medición.

[ALLOY]: Eso recontextualiza la IA vertical. Si el modelo base se vuelve intercambiable, la defensibilidad viene de poseer el loop operacional que produce mejores datos. En ciencia de materiales eso significa instrumentos calibrados, robótica confiable, pipelines de medición limpios, operación desatendida segura, suficiente volumen de experimentos para crear un flywheel. Un laboratorio que ejecuta miles de experimentos de alta calidad es mucho más difícil de replicar que un mejor modelo.

[NOVA]: La misma lección aplica fuera de la ciencia. En logística, salud, manufactura, finanzas y energía, el foso frecuentemente está en la integración del flujo de trabajo y la señal de retroalimentación propietaria, no en el wrapper del prompt. El argumento de Radical mueve la hoja de ruta lejos de perseguir modelos y hacia poseer el sistema que genera verdad. ...

[ALLOY]: La historia de rendimiento de GLM-5.2 también se apoya en IndexShare, una técnica de decodificación especulativa que Z.ai incluyó junto con el modelo. En la decodificación especulativa estándar, un modelo draft propone tokens y el modelo objetivo los verifica. IndexShare permite que el draft y el verificador compartan una estructura de índice en la ruta de DeepSeek Sparse Attention, así el objetivo reutiliza las pistas de enrutamiento del lado del draft en lugar de recalcularlas.

[NOVA]: Los números de la tabla de ablación de los blogs de Z.ai y Hugging Face son concretos. La longitud de aceptación base en el backbone de GLM-5.1 es de 4.56 tokens. Agregar IndexShare más KV share llega a 5.10. Con muestreo de rechazo y pérdida TV de extremo a extremo, la longitud de aceptación llega a 5.47, una mejora del veinte por ciento. Z.ai también claims una reducción de 2.9x en FLOPs del indexador por token a longitud de contexto de un millón de tokens.

[ALLOY]: Para un agente de código interactivo, esa mejora del veinte por ciento en longitud de aceptación es la diferencia entre que el agente se sienta responsivo y que el agente se sienta lento mientras transmite un diff de múltiples archivos. La recomendación del runtime de SGLang para cargas de trabajo de baja latencia es el algoritmo especulativo EAGLE, cinco pasos, seis tokens draft.

[NOVA]: La trampa: Z.ai no publicó cifras oficiales de benchmark en el lanzamiento. Los números de arriba salieron en el blog de Hugging Face y en el dashboard de FriendliAI un día después. La reacción temprana e independiente de Latent Space, Simon Willison, y los mantenedores de agent-arena es positiva, pero el modelo lleva menos de cuarenta y ocho horas en público, así que los datos de confiabilidad de agentes de largo alcance aún son pocos. La prueba real es si GLM-5.2 se mantiene dentro de una sesión de refactorización multi-archivo contra un repositorio real. ...

[ALLOY]: La socia de NEA, Tiffany Luck, dice que las empresas aún están calculando el retorno de inversión de la IA después de un año de adopción agresiva. La fase de "tokenmaxxing" —donde los ejecutivos presionaban a los empleados a usar toda la IA posible— está dando paso a la revisión financiera. Los reportes sobre la discusión incluían ejemplos de empresas que consumían sus presupuestos anuales de IA rápidamente y recortaban licencias de Claude cuando la factura se volvía demasiado visible.

[NOVA]: El mecanismo es simple: el entusiasmo sin medición se convierte en gasto de inferencia descontrolado. Cada prompt quema tokens de entrada, tokens de salida, costos por asiento, o ambos. Una vez que el uso escala a través de ingeniería, soporte, ventas, operaciones y herramientas de productividad interna, el gasto en IA empieza a parecerse al cómputo en la nube. Los equipos financieros luego hacen las mismas preguntas que hacen sobre infraestructura: qué equipo lo usó, qué función lo generó, qué salida mejoró, por qué fue necesario el camino más caro.

[ALLOY]: La respuesta del stack es el分级. Un modelo insignia maneja trabajo de alto juicio. Modelos más pequeños se encargan de resumen rutinario, clasificación, extracción y redacción. La lógica de enrutamiento decide cuándo escalar. La telemetría de uso mapea el costo a equipos y superficies de productos. Las revisiones de compras evalúan asientos, topes y límites de tasa. Ahí es donde se dirige la IA empresarial.

[NOVA]: Para los constructores, esto cambia el supuesto por defecto. Una función que funciona con un modelo frontier puede seguir fallando la revisión del presupuesto si un modelo más pequeño se acerca lo suficiente. Los sistemas de peso abierto como GLM-5.2 añaden más presión al dar a los equipos de plataforma una opción autoalojada para algunas cargas de trabajo de texto. La arquitectura ganadora no es "usar el modelo más grande". Es "enrutar el modelo más pequeño que pueda hacer el trabajo de forma segura". ...

[ALLOY]: Una nota rápida sobre descubrimiento de modelos. Tanto el Nano Banana 2 como el Nano Banana Pro de Google aterrizaron en OpenRouter este ciclo; ambos están cubiertos en la lista de arriba. El North Mini Code free de Cohere también se listó recientemente, pero no fue seleccionado para la transmisión porque es un miembro más pequeño de la familia North mencionada en transmisiones anteriores, no un lanzamiento independiente importante. Vale la pena saber que existe para los constructores que quieran evaluar el primer modelo de codificación agentic de Cohere con un contexto de 256,000 tokens a costo cero.

[NOVA]: ...

[NOVA]: El spotlight de LLM local es GLM 5.2. Vale la pena saber cómo ejecutarlo en tu propio hardware si te importa mantener los prompts, los rastros de herramientas y el código fuente fuera de servidores de terceros. Z.ai lanzó los pesos bajo MIT sin restricciones de campo de uso, sin telemetría y sin cláusula de salida, y la razón principal para autoalojarlo es la ventana de contexto de un millón de tokens.

[ALLOY]: El camino práctico de autoalojamiento es directo. Pon GLM 5.2 detrás de un endpoint compatible con OpenAI con vLLM, apunta un harness estilo OpenClaw a él, y ejecuta una refactorización multi-archivo en un repositorio local pequeño para ver cómo el contexto largo se sostiene a través de un loop de agente extendido. BF16 necesita aproximadamente 1.51 terabytes de VRAM; FP8 cabe en ocho H200s con margen. Para la mayoría de los equipos el camino realista es un despliegue FP8 alojado en la nube a través de Cloudflare Workers AI, Baseten, DeepInfra, Fireworks, u Ollama Cloud, con el autoalojo completo reservado para entornos desconectados o regulados.

[NOVA]: ...

[NOVA]: Tres repositorios en el radar este ciclo, cada uno con un ángulo de integración concreto. ...

[ALLOY]: PrefectHQ FastMCP es el framework pythonic para construir servidores y clientes de Model Context Protocol. Genera automáticamente schema, validación y documentación a partir de type hints, incluye OAuth 2.0 con flujo de código de autenticación, expone un proxy de OpenAPI a MCP, soporta composición de servidores y corre en FastMCP Cloud con un host comodín fastmcp.app. Veinticinco punto siete mil estrellas, doscientos cuarenta y seis contribuyentes, y los mantenedores afirman que aproximadamente el setenta por ciento de los servidores MCP en todos los lenguajes ejecutan alguna versión de esto. La etiqueta más reciente es v3.4.2 del seis de junio.

[NOVA]: Envuelve una función interna como herramienta, móntala en un servidor FastMCP, y conecta una sesión de agente estilo Codex para confirmar que el viaje de ida y vuelta funciona de extremo a extremo. FastMCP reemplaza los transportes de herramientas hechos a mano con una sola capa MCP que el cliente LLM ya habla. ...

[ALLOY]: Microsoft MCP-for-Beginners es un currículo multiplataforma con once lecciones alineadas a la especificación MCP fechadas el veinticinco de noviembre de dos mil veinticinco. Cada lección tiene ejemplos funcionales en C-sharp, Java, TypeScript, JavaScript, Rust y Python. Las joyas no son los capítulos introductorios. La lección seis sobre agentes de IA multimodales seguros y escalables cubre patrones de escala y modelos de seguridad que un constructor experimentado aún no conoce, y la lección ocho son casos de estudio de primeros usuarios de equipos que desplegaron MCP a escala.

[NOVA]: Abre el capítulo que coincide con el lenguaje principal de tu stack, reconstruye su servidor de ejemplo localmente, y luego extiéndelo con una herramienta personalizada conectada a tu propio servicio. Es el camino más corto hacia un vocabulario MCP compartido en un equipo de múltiples lenguajes. ...

[ALLOY]: Unity MCP es un paquete real del Editor de Unity más un servidor compañero en Python que conecta stdio a Unity. Instálalo a través del Package Manager con la URL git más la ruta MCPForUnity. El lanzamiento más reciente es v9.7.0 del veintidós de mayo, soporta Unity 6, 2022.3 LTS y 2023.x.

[NOVA]: Las capacidades del agente son concretas: CRUD de assets, edición de escenas, edición de scripts con validación de compilación basada en Roslyn antes de escribir, acceso a logs de consola, y enrutamiento multi-instancia a través de varios editores de Unity. Adjunta el bridge a una escena de prueba y haz que el agente cree una primitiva, adjunte un material y guarde en una sola ejecución. Eso convierte la iteración del game-loop en una secuencia de llamadas a herramientas que es fácil de revisar y reproducir. ...

[NOVA]: Tres extras que vale la pena conocer. ...

[ALLOY]: Odyssey levantó trescientos diez millones de dólares a una valoración de mil cuatrocientos cincuenta millones en una Serie B anunciada el diecisiete de junio. El inversor principal es Natural Capital, con el socio general Jay Zaveri llamándola la inversión más grande de la firma hasta la fecha. Amazon participó; AWS se convierte en el proveedor de nube preferido de Odyssey y Odyssey está colaborando con los Laboratorios Annapurna de Amazon para optimizar modelos de mundo en chips AWS Trainium.

[NOVA]: La tesis son modelos de mundo de video aprendidos entrenados para predecir el siguiente estado de píxeles, usados como substrato de planificación donde los agentes pueden desenrollar y buscar dentro antes de comprometerse con acciones reales. Los modelos de mundo se posicionan como la siguiente capa más allá de los LLMs, y Odyssey es ahora la startup más capitalizada apostándole a esa dirección. ...

[ALLOY]: Google lanzó Android 17 y Wear OS 7 el dieciséis de junio con nuevas funciones de multitarea, controles parentales, herramientas de seguridad y un Pixel Drop que trae los últimos modelos de IA de Google a sus dispositivos. El detalle de integración interesante es la API de incrustación de actividad de split-stage renovada, que permite a Gemini compartir contexto y mostrar sugerencias en las dos aplicaciones actualmente fijadas en pantalla dividida.

[NOVA]: Para los desarrolladores esto importa porque Android 17 abre la superficie de desarrollo para asistencia de Gemini entre aplicaciones. Las aplicaciones que participan en la capa de incrustación de pantalla dividida pueden ser dirigidas por sugerencias de Gemini en tiempo real, lo cual es un nuevo canal de distribución para flujos de trabajo compatibles con IA en Android. ...

[ALLOY]: Midjourney anunció Midjourney Medical el dieciocho de junio: un escáner CT ultrasónico de cuerpo completo, con forma de anillo y tanque de agua, que utiliza ondas sonoras en lugar de radiación o imanes. El usuario entra en una piscina poco profunda y desciende a través de miles de transductores ultrasónicos sobre rieles. El tiempo de escaneo prometido es de aproximadamente sesenta segundos, con una resolución de hasta una fracción de milímetro. El primer despliegue es un spa de bienestar en San Francisco, no un dispositivo de diagnóstico. Butterfly Network está asociado para la tecnología de transductores.

[NOVA]: Una corrección real sobre el enfoque: Midjourney le dijo a Bloomberg que no están usando IA todavía, solo hardware y software de reconstrucción. Sin codificador latente con difusión previa. Sin validación clínica, sin aprobación de la FDA, y el CEO David Holz se negó a especificar el costo. El roadmap es diez escáneres en San Francisco para 2027 y un objetivo de cincuenta mil en todo el mundo para 2031. ...

[ALLOY]: OpenClaw 6.8 amplía la elección de modelos mientras estrecha los caminos que usualmente causan incidentes silenciosos: autenticación, IDs de proveedor, esquemas de herramientas, renderizado de canales y reconexión de gateway. Codex .141 y Claude Code dos punto uno están en la misma realidad de desarrollador, donde el trabajo de agente basado en terminal depende de superficies de runtime limpias detrás de él. El par Nano Banana de Google cambia la integración de imágenes más que la teoría de imágenes: Nano Banana 2 es la ruta rápida de OpenRouter con una enorme ventana de contexto, Nano Banana Pro es la ruta de imagen de mayor capacidad de Gemini 3 Pro.

[NOVA]: Los lanzamientos científicos de OpenAI apuntan en dos direcciones. LifeSciBench le da a la IA de ciencias de la vida una superficie de evaluación más realista, y Deployment Simulation le da a los equipos de modelos una forma de prever el comportamiento antes del lanzamiento. GLM-5.2 es el punto de presión del modelo abierto: licencia MIT, activación dispersa e IndexShare todo empuja hacia flujos de trabajo más baratos de texto largo, codificación y agentes si los resultados independientes se mantienen.

[ALLOY]: En cuanto a herramientas, FastMCP es el camino más corto para envolver funciones internas como herramientas de agente, el currículo MCP-for-Beginners es el mejor vocabulario compartido para equipos de lenguajes mixtos, y Unity MCP hace que la iteración del bucle de juego sea difable. La historia del ROI empresarial es la restricción alrededor de todo esto. La pila que gana puede construir, configurar, desplegar y medir el uso de modelos sin tratar cada solicitud como un cheque en blanco.

[NOVA]: Para los enlaces y los detalles de los lanzamientos detrás de estas historias, mira las notas del programa en Toby On Fitness Tech punto com. Gracias por escuchar AgentStack Daily. Volveremos pronto.