Editorial history · Page 1
AI news archive
News, explainers, and technical notes published throughout RICLAB’s editorial history, ordered from newest to oldest.
AI news archive
Page 1 / 18
MiniMax M2.7: un modelo orientado a la autoevolución e ingeniería de software
MiniMax presenta M2.7, diseñado para operar agentes autónomos, optimizar su propio entorno de ejecución y alcanzar un 56.22% en el benchmark SWE-Pro.
Xiaomi publica la serie MiMo-V2: arquitectura de 1T parámetros, modelo multimodal Omni y motor TTS
Xiaomi lanza tres modelos fundacionales enfocados en la orquestación de agentes: MiMo-V2-Pro (1T parámetros), MiMo-V2-Omni (multimodalidad nativa) y MiMo-V2-TTS. Soportan contextos de 1M de tokens.
Kimi k2.5: Multimodalidad nativa y orquestación paralela mediante Agent Swarm
Moonshot AI libera Kimi k2.5, entrenado con 15T tokens mixtos y una ventana de contexto de 256k. Introduce Parallel-Agent Reinforcement Learning (PARL) para coordinar hasta 100 sub-agentes, reduciendo la latencia de ejecución en tareas complejas mediante paralelismo masivo.
DeepSeek-OCR 2: Arquitectura Visual Causal Flow y codificador basado en LLM
DeepSeek-AI presenta DeepSeek-OCR 2, que incorpora DeepEncoder V2. Este modelo sustituye a CLIP por una arquitectura de lenguaje compacta que reorganiza los tokens visuales mediante un flujo causal, alcanzando un 91,09 % de precisión en OmniDocBench v1.5.
MiniMax M2.1: Modelo MoE de 230B parámetros
MiniMax libera M2.1 con arquitectura Mixture of Experts (10B activos). Supera a Claude Sonnet 4.5 en SWE-bench Verified y presenta OctoCodingBench para evaluar cumplimiento de instrucciones de proceso.
Liquid AI publica LFM2.5-1.2B-Thinking: modelo híbrido de razonamiento para ejecución local
Liquid AI presenta LFM2.5, un modelo híbrido de 1.17B parámetros optimizado para inferencia local. Genera trazas de pensamiento, opera con 900 MB de RAM y supera a Qwen3-1.7B en benchmarks matemáticos.
Agentes y Tool Use: Arquitectura ReAct y Function Calling
Análisis de la arquitectura de agentes autónomos basada en el paradigma ReAct y la capacidad de Function Calling Se examina la formalización matemática del bucle de razonamiento-acción y la implementación de esquemas JSON para la ejecución determinista de herramientas.
Zhipu AI presenta GLM-4.7: mejoras en coding, agentes y modos de razonamiento continuo
Zhipu AI (z.ai) introduce GLM-4.7, reportando un 73.8% en SWE-bench Verified y un 41.0% en Terminal Bench 2.0. El modelo integra "Preserved Thinking" para mantener el contexto de razonamiento en agentes de codificación y ofrece soporte nativo para despliegue local con vLLM.