Resumen IA: GPT-6 Astra, Fable 5.1 y Muse Spark 1.3

Seis modelos de cuatro laboratorios en 72 horas

Entre el 1 y el 3 de septiembre publicaron modelos nuevos Anthropic, Google, Meta y OpenAI. Seis lanzamientos en tres días.

En tres de los cuatro casos el modelo llega partido en dos versiones: una abierta a cualquiera y otra con mitigaciones más permisivas, reservada a organizaciones admitidas en un programa. Eso es lo que más cambia para quien contrata, porque la versión que aparece en los titulares no siempre es la que puedes usar.

GPT-6 Astra cruza un umbral que OpenAI se puso a sí misma

OpenAI publicó GPT-6 Astra el 3 de septiembre. Es el primer modelo de la casa que supera el nivel "crítico" en la categoría de ciberseguridad de su Preparedness Framework, el marco interno con el que clasifica el riesgo de cada modelo antes de publicarlo.

Qué significa en la práctica: con el acceso adecuado, el modelo encuentra y explota vulnerabilidades desconocidas en sistemas endurecidos, con poca ayuda humana. OpenAI reporta puntuación perfecta en ExploitBench y dos vulnerabilidades de día cero descubiertas durante las pruebas.

La versión pública rechaza las tareas ofensivas avanzadas, incluidas las pruebas de concepto. Las mitigaciones flexibles se reparten por el programa Daybreak, solo a organizaciones verificadas.

Contexto de 1.050.000 tokens, salida máxima de 128.000 y corte de conocimiento el 30 de abril de 2026. Los números y el precio completo están en el artículo dedicado.

Fable 5.1 baja un 75% el precio de la caché

Anthropic publicó Claude Fable 5.1 y su gemelo Mythos 5.1 el 1 de septiembre. Son el mismo modelo con distinto nivel de salvaguardas: Mythos va solo a programas de acceso verificado y sus mitigaciones están pensadas para trabajo en ciberseguridad y ciencias de la vida.

El cambio con efecto inmediato en la factura es la caché. Las lecturas cacheadas pasan a 0,25 dólares por millón de tokens, un 75% menos. La entrada sigue en 10 dólares por millón y la salida en 50.

Anthropic estima un ahorro del 25% en cargas de trabajo normales y de hasta el 45% en trabajo agéntico, donde el mismo contexto se relee muchas veces. Si tienes un agente que arrastra un system prompt largo en cada paso, ahí es donde se nota.

Muse Spark 1.3 hace lo mismo con menos tokens

Meta publicó Muse Spark 1.3 el 2 de septiembre. La mejora que más destaca Meta es de consumo: un 20% menos de llamadas a herramientas y un 25% menos de tokens que la versión 1.2 para el mismo trabajo.

Tiene 1.048.576 tokens de contexto y admite entrada de texto, imagen y vídeo. La recuperación de contexto largo llega al 98,5% en MRCR. Aparece en el puesto 6 de 636 modelos del Artificial Analysis Intelligence Index.

Sigue siendo propietario. Meta anunció en agosto que publicaría pesos abiertos de Muse Spark y a día de hoy ni los de 1.2 ni los de 1.3 están disponibles. Lo miramos con detalle en el repaso de pesos abiertos.

Gemini 3.8 Flash sube el listón y después el precio

Gemini 3.8 Flash salió el 2 de septiembre con 90,8% en Terminal-Bench 2.1 (frente al 81,6% de la 3.7) y una velocidad de entre 302 y 313 tokens por segundo. La variante Cyber va por el programa Fairwind. Lo analizamos entero en este artículo de la semana pasada.

El detalle a apuntar en el calendario: 0,75 y 3,75 dólares por millón son precio de lanzamiento hasta el 31 de diciembre. El 1 de enero de 2027 pasan a 1,50 y 7,50. Si estás dimensionando un presupuesto anual con las cifras de hoy, te va a faltar la mitad.

Los precios después de la semana

Astra aplica un multiplicador de contexto largo: si una petición supera los 272.000 tokens de entrada, entrada y caché se duplican y la salida se multiplica por 1,5 para toda la petición, no solo para el exceso.

La horquilla entre el modelo más barato y el más caro de la gama alta está hoy en 119 veces. La elección de modelo pesa más en la factura que casi cualquier optimización de prompt. Tenemos la comparativa viva en benchmarks.

Tres cosas que se rompen al actualizar

Fable 5.1 trae tres cambios que rompen código existente:

• El uso forzado de herramientas devuelve error 400. Donde antes pasabas tool_choice con "any" o con un nombre de herramienta, ahora hay que usar el modo automático con validación estricta.
• Los bloques de razonamiento son de una sola dirección. Fable 5.1 lee los de modelos anteriores, pero ningún modelo anterior lee los suyos. Si tienes un enrutador que reparte turnos entre modelos, revísalo.
• Editar turnos anteriores invalida los bloques de razonamiento de esa conversación.

Gemini 3.8 Flash también rompe: thinking_budget se sustituye por thinking_level, el nivel mínimo desaparece y da error si lo pides, y temperature, top_p, top_k y candidate_count dejan de aceptarse.

Qué mirar esta semana

Revisa si alguna de tus integraciones usa uso forzado de herramientas o los parámetros de muestreo de Gemini, porque son fallos que aparecen en producción y no en desarrollo.

Mide cuántos de tus tokens son lecturas de caché antes de decidir si el recorte de Anthropic te compensa. Si tu carga es mayoritariamente entrada nueva, el 75% no te toca.

Y si estás comparando modelos, comprueba la versión del benchmark antes que el número. Esta semana han convivido resultados de Terminal-Bench 2.1 y 4.0 en los mismos titulares y no son la misma prueba. Las herramientas del catálogo y la ficha de cada modelo indican con qué versión se midió.