La línea del día recorre los nuevos modelos técnicos de un laboratorio, la ampliación de la familia de aceleradores de octava generación de un proveedor de nube, un modelo fundacional de robótica orientado a la manipulación diestra, un modelo ligero pensado para la ejecución de agentes y un cambio en la vía de compra empresarial: Anthropic publicó el 9 de noviembre Claude Fable 5.2 y Claude Mythos 5.2, el mismo modelo subyacente, con mejoras en programación, razonamiento y visión, salidas hasta un 30% más rápidas que 5.1 y un precio inferior al de la generación anterior. Google, el mismo día, en una nota de Amin Vahdat, presentó TPU 8tx y TPU 8i Max y amplió la línea TPU de octava generación a cuatro sistemas en un solo año. NVIDIA reveló en la Conference on Robot Learning (CoRL) GR00T 2, un modelo abierto de acción sobre el mundo de frontera construido sobre Cosmos, y habló de herramientas de simulación y evaluación, entre ellas Isaac Lab 3.0. Meta lanzó Muse Ember, su modelo Muse más pequeño y eficiente, para llamadas a herramientas, subtareas de programación, enrutado, extracción y análisis de documentos largos. OpenAI incluyó ChatGPT Enterprise en AWS Marketplace, de modo que las organizaciones puedan comprar y gestionar el producto con su relación existente de compra y facturación de AWS.

1. Anthropic lanza Claude Fable 5.2 y Claude Mythos 5.2

El 9 de noviembre de 2026, Anthropic publicó Claude Fable 5.2 y Claude Mythos 5.2 y dijo que los modelos están diseñados para abordar los desafíos técnicos más arduos. La compañía escribió que son el mismo modelo subyacente: Fable tiene salvaguardas fuertes de ciberseguridad y biología, lo que le permite ofrecerlo a todos los usuarios; las organizaciones que persiguen aplicaciones beneficiosas en ciberseguridad o investigación biomédica pueden solicitar Mythos a través de los programas de verificación de ciencias de la vida y de ciberseguridad, recientemente ampliados.

Anthropic dijo que Fable 5.2 y Mythos 5.2 muestran mejoras en ámbitos como la programación, el razonamiento y la visión, generan salidas hasta un 30% más rápidas que Claude Fable 5.1 y Claude Mythos 5.1 y están disponibles a un precio más bajo: 8 dólares por millón de tokens de entrada y 40 dólares por millón de tokens de salida. Un modo rápido opcional acelera la generación de tokens hasta unas 2,5 veces y cuesta 16 dólares por millón de tokens de entrada y 80 dólares por millón de tokens de salida.

En las pruebas previas a la publicación, Anthropic citó ejemplos que presentó como ilustración de las capacidades de los modelos: los ingenieros los usaron para completar migraciones de software que de otro modo habrían sido inviables; los modelos diseñaron desde cero tres dispositivos electrónicos que funcionan; resolvieron dos problemas abiertos de la física de los agujeros negros; avanzaron de forma sustancial en evaluaciones de robótica; y un equipo de unos 1000 agentes de Fable 5.2 formalizó la demostración del último teorema de Fermat en 30 horas con mínima intervención humana. En el mismo montaje, Opus 5.5 completó alrededor del 26% de la formalización a las 18 horas.

Las pruebas que comunicó Anthropic —con salvaguardas activas salvo indicación contraria— incluyen FrontierCode 2.0 en esfuerzo Xhigh con 49,1%, que la compañía dijo que era la puntuación más alta de cualquier modelo publicado que hubiera probado; FrontierSWE v2 con 69,9%; AutomationBench con 51,4%; Terminal-Bench-Science 0.1 con 74,6% para Fable y 75,3% para Mythos; CyScenarioBench con 76,3% para Mythos; CVE Rediscovery con 89,6% para Mythos; OSWorld 2.1 (parcial) con 89,3%; RoboDojo Sim con 64,9%; Humanity’s Last Exam con herramientas con 74,2%; y Remote Labor Index en esfuerzo High con 41,3%.

Anthropic recomendó empezar por Claude Opus 5.5, su motor cotidiano más sólido, para la mayor parte del trabajo de programación y de conocimiento, y subir a Fable o Mythos —o bajar a Claude Sonnet 5.5 o Claude Haiku 5.5— según el alcance y la complejidad de la tarea. Fable 5.2 también puede actuar como Advisor, al que consultan modelos más pequeños ante problemas más difíciles, o como Orchestrator, que delega tareas más simples en modelos más pequeños.

En materia de seguridad, la compañía dijo haber aplicado sus protecciones más fuertes hasta la fecha contra ataques de destilación y que los datos recolectados por destiladores se han reducido entre un 90% y un 99%; preserved thinking se aplica ahora a todas las cuentas. Durante el entrenamiento, Anthropic limitó deliberadamente los avances en capacidades de investigación que más directamente podrían acelerar el desarrollo de la inteligencia artificial —incluida la optimización de núcleos de aceleradores y las mejoras de arquitecturas de grandes modelos de lenguaje— a cerca del nivel de Opus 5.5, al tiempo que dejó intactas capacidades relacionadas como la programación agéntica, el desarrollo de hardware y la investigación en interpretabilidad. Enterprise Frontier Safeguards está ahora en beta privada con clientes como Bridgewater, Salesforce y Stripe.

Claude Fable 5.2 está disponible hoy en plataformas que incluyen Amazon Web Services, Google Cloud y Microsoft Azure, con el identificador claude-fable-5-2. Mythos se ofrece a través de los programas de verificación; los clientes de Claude Enterprise también pueden usar Claude Security, impulsado ahora en parte por Mythos 5.2.

Clave: Anthropic ha dividido un mismo modelo subyacente en Fable para uso general y Mythos para organizaciones verificadas, ha unido un precio más bajo y una salida más rápida al trabajo técnico más difícil, y ha mantenido en torno al nivel de Opus 5.5 las capacidades más susceptibles de acelerar el propio desarrollo de la inteligencia artificial, al tiempo que sigue recomendando Opus 5.5 como opción cotidiana.

2. Google presenta TPU 8tx y TPU 8i Max y amplía la octava generación a cuatro sistemas en un año

El 9 de noviembre de 2026, Amin Vahdat, vicepresidente sénior y tecnólogo jefe de inteligencia artificial e infraestructura de Google, escribió que la compañía presenta TPU 8tx y TPU 8i Max y amplía la cartera TPU de octava generación a cuatro sistemas en un solo año: 8t para entrenamiento a gran escala, 8i para razonamiento en tiempo real, el nuevo 8tx para inferencia confidencial y segura además de entrenamiento a pequeña escala, y 8i Max para ventanas de contexto masivas y lo que Google llamó la mayor densidad de cómputo por rack. Vahdat escribió que las TPU tienen ya casi 100 clientes externos, incluidos laboratorios de frontera, firmas de negociación, minoristas y universidades. The Verge informó el mismo día sobre el posicionamiento de los dos nuevos sistemas. El blog también mencionó una emisión a las 9 de la mañana, hora del Pacífico, ese mismo día.

Sobre TPU 8tx, Google dijo que el sistema incorpora cómputo confidencial en la capa de hardware y mantiene protegidos y aislados los datos sensibles y los pesos del modelo incluso mientras se usan. Está construido sobre el mismo silicio que 8t, se combina con anfitriones AMD EPYC de quinta generación y adopta la red Boardfly creada para el razonamiento en tiempo real, lo que ofrece hasta unas 2 veces menos latencia que 8t con una penalización de rendimiento casi nula. La compañía dijo que las organizaciones pueden afinar modelos con datos privados, destilar modelos grandes en otros más pequeños y entrenar agentes con aprendizaje por refuerzo en un solo sistema, sin migrar datos sensibles entre clústeres separados.

Sobre TPU 8i Max, Google dijo que combinó dos chips TPU 8i de baja latencia en un solo encapsulado, lo que duplica el cómputo, la SRAM y el ancho de banda de memoria de alto ancho de banda (HBM) respecto a TPU 8i, de modo que los centros de datos puedan desplegar más potencia de cálculo por superficie y por vatio y las ventanas de contexto grandes no se detengan ante el muro de la memoria.

En software, Google dijo haber liberado TorchTPU para que el código de PyTorch y los modelos de Hugging Face se ejecuten de forma nativa en TPU; un conjunto de agentes TPU está en vista previa; presentó XLA Serving Engine y Agent Compute Engine; y está abriendo TPU Sync, descrito como la capa de estado del modelo para clústeres TPU. Cloud Pathways ya está disponible de forma general en Google Kubernetes Engine, al igual que el corte dinámico de GKE.

Clave: En lugar de esperar a la siguiente generación de silicio, Google ha recortado dos sistemas nuevos a partir de los mismos chips de octava generación: uno al envolver con cómputo confidencial la inferencia y el entrenamiento a pequeña escala, y otro al encapsular dos chips juntos para perseguir el contexto largo y la densidad del rack.

3. NVIDIA revela en CoRL GR00T 2, un modelo abierto de acción sobre el mundo construido sobre Cosmos

El 9 de noviembre de 2026, NVIDIA presentó GR00T 2 en la Conference on Robot Learning (CoRL) de Austin, Texas. El blog de la compañía lo describió como un modelo abierto de acción sobre el mundo de frontera construido sobre NVIDIA Cosmos, capaz de predecir a la vez el vídeo futuro y las acciones del robot. La página de investigación dijo que el modelo se entrenó con datos diversos de robots y de personas; la mezcla de preentrenamiento incluye 402.730 horas de vídeo humano egocéntrico, 10.184 horas de demostraciones con pinza de mano en 2.897 tareas y 23.500 horas de teleoperación robótica, con 100.000 horas de datos humanos egocéntricos de código abierto publicadas como Human-1M-100K.

Las métricas que citó NVIDIA incluyen completar 40 de 50 tareas evaluadas al menos una vez sin demostraciones específicas de la tarea, y una tasa media de éxito del 71% con una demostración por tarea, que sube al 95% con cinco. La página de investigación también señaló un 40% de éxito medio en un entorno de cero ejemplos, y dijo que los agentes pueden usar una interfaz de programación de aplicaciones para encadenar habilidades y recuperarse de errores. En torno a la cifra del 95%, informaciones que citan materiales de investigación de NVIDIA dijeron que las tareas evaluadas se seleccionaron entre aquellas que el modelo podía aprender con cinco episodios a una tasa de éxito de al menos el 80%, de modo que ese promedio debe leerse junto con este filtro.

Los socios que prueban el modelo incluyen a Nexuni para el manejo robótico de la colada, a Foxconn para la automatización de fábricas de servidores y a Siemens en casos de uso industriales.

NVIDIA también publicó Isaac Lab 3.0 con un backend Newton, que permite al marco de simulación modelar objetos deformables y otra física más compleja. La compañía dijo que, en una prueba visual de manipulación diestra, Isaac Lab 3.0 con Newton alcanzó hasta unas 2,5 veces el rendimiento de entrenamiento de Isaac Lab 2.3 con PhysX. AlphaNIST usa una sola política para aprender las 20 tareas del tablero de ensamblaje del NIST y supera el 98% de éxito de entrenamiento, frente a alrededor del 81% de políticas separadas por tarea, con unas 39 veces menos tiempo de GPU. La compañía también presentó pruebas industriales como DexBench y VABAR, y Graph-as-Policy (GaP), un marco de robótica agéntica desarrollado con UC Berkeley.

Clave: NVIDIA ha reunido en un modelo abierto el «ver qué ocurre a continuación» y el «decidir cómo moverse», y ha usado grandes cantidades de vídeo humano en primera persona para cubrir huecos en las demostraciones de robots, al tiempo que comunica altas tasas de éxito con pocos ejemplos que vienen acompañadas de una nota sobre cómo se seleccionaron las tareas evaluadas.

4. Meta lanza Muse Ember, un modelo ligero para la ejecución de agentes

El 9 de noviembre de 2026, Meta presentó Muse Ember y lo describió como el modelo Muse más pequeño y eficiente, pensado para la ejecución de razonamiento complejo y para el trabajo que los agentes repiten todo el día: llamadas a herramientas, subtareas de programación, enrutado, extracción y análisis de documentos largos. La compañía afirmó que Muse Ember ofrece más inteligencia por dólar que Claude Haiku 5.5 o GPT-6 Luna en cualquier ajuste de razonamiento, y que se sitúa en la frontera de eficiencia de la clasificación de Artificial Analysis. TechCrunch informó del lanzamiento el mismo día y señaló que Ember está pensado para emparejarse con el Muse Wonder de mayor tamaño dentro de un arnés agéntico.

Para indicaciones de hasta 200K tokens, el precio es de 0,10 dólares por millón de tokens de entrada, 0,004 dólares por millón de tokens de entrada en caché y 0,50 dólares por millón de tokens de salida; las indicaciones más largas cuestan 0,30, 0,012 y 1,50 dólares. El modelo tiene una ventana de contexto de 1 millón de tokens y puede producir hasta 512K tokens de salida, con soporte nativo de texto, imágenes, audio y vídeo. Está disponible como muse-ember-1.0 en Muse Code y Meta Model API, además de en Google Cloud y Oracle Cloud.

Los resultados que citó Meta al máximo esfuerzo de razonamiento incluyen AutomationBench-AA con 37,8, frente a 13,9 de Haiku y 20,2 de Luna; Agents’ Last Exam con 61,6; Terminal-Bench 4.0 con 40,9; Coding Agent Index-AA con 46; OSWorld 2.1 parcial con 69,5; y un índice de Artificial Analysis de 36. La compañía dijo que Muse Ember cuesta unos 0,14 dólares por tarea de Artificial Analysis, frente a unos 2,39 dólares de Muse Spark 1.3.

Al situar el modelo, Meta escribió que «Muse Wonder planifica, Muse Ember gestiona el volumen». Dijo que Ember es el primer modelo entrenado con Muse Wonder Full y que las evaluaciones del Meta Superintelligence Scaling Framework hallaron que permanecía por debajo de los umbrales de alto riesgo del marco. Socios como Box, Cline y Cloudflare comentaron pruebas tempranas sobre contenidos empresariales, programación de subagentes y cargas de alto rendimiento; Cloudflare dijo que funcionó hasta un 30% más rápido en la cola de latencia que el modelo comparable que probó.

Clave: Meta no pide a Ember que desbanque a su modelo insignia más potente; coloca el nuevo sistema en una división del trabajo —Wonder planifica, Ember ejecuta a volumen— y compite en inteligencia por dólar y coste por tarea, más que en las puntuaciones máximas por sí solas.

5. OpenAI incluye ChatGPT Enterprise en AWS Marketplace

El 9 de noviembre de 2026, OpenAI dijo que ChatGPT Enterprise está ahora disponible a través de AWS Marketplace. La compañía escribió que el listado ofrece a las organizaciones una forma más sencilla de descubrir, comprar y gestionar ChatGPT Enterprise con su relación existente de compra y facturación de AWS, y de aplicar el gasto elegible a sus compromisos con AWS. La oferta incluye ChatGPT, ChatGPT Work, Codex y dots; la información del listado indica que los precios se fijan mediante ofertas privadas.

OpenAI dijo que los clientes que compran a través de AWS Marketplace reciben los mismos modelos, funciones y características disponibles directamente de OpenAI, con las novedades publicadas al mismo tiempo. Los productos se presentan como complemento de los modelos de OpenAI ya disponibles en Amazon Bedrock: los desarrolladores pueden construir aplicaciones y agentes con esos modelos en Bedrock, mientras que los equipos de la empresa usan ChatGPT Enterprise en el trabajo diario. Los clientes elegibles también pueden acceder a ChatGPT for Healthcare y ChatGPT for Financial Services a través de AWS Marketplace.

Clave: Esto no es tanto un lanzamiento de modelo como la apertura de una vía de compra: sitúa el ChatGPT empresarial en la factura de compromisos de nube que las organizaciones ya pagan y reduce la fricción de adquisición, en lugar de publicar una tarifa pública.

---

En una frase: Anthropic publicó Claude Fable 5.2 y Mythos 5.2, el mismo modelo subyacente, con Fable disponible de forma general y Mythos limitado a organizaciones verificadas, y dijo que las salidas son más rápidas que las de 5.1 y que los precios son más bajos; Google presentó TPU 8tx para inferencia confidencial y TPU 8i Max para ventanas de contexto masivas; NVIDIA reveló en CoRL el modelo de acción sobre el mundo GR00T 2 e Isaac Lab 3.0; Meta lanzó Muse Ember, un modelo ligero para la ejecución de agentes; y OpenAI incluyó ChatGPT Enterprise en AWS Marketplace para que el gasto elegible pueda computar para compromisos de nube ya existentes.