Artículo de invitado de **Andy Warfield**, ingeniero del equipo de **S3** en **AWS**, publicado el **26 de agosto de 2026** en *All Things Distributed*, el blog de **Werner Vogels**, quien lo presenta en unas líneas firmadas «--W»: **3554 palabras** según la página. El texto sirve de vehículo para el anuncio de que **DuckLabs**, el equipo detrás de **DuckDB**, se incorpora a **AWS**. (A) La tesis: la informática de sistemas consiste en buscar el compromiso elegante frente a una «física» cambiante —las proporciones entre velocidad de memoria, red y cómputo— y esa física ha cambiado. Warfield cuantifica la brecha: una **m1.xlarge** de 2007 ofrecía **15 GB de RAM**, **4 núcleos virtuales** y **~1 Gb/s** de red; una **m8g.48xlarge** actual ofrece aproximadamente **50×** más en cada uno de los tres aspectos. El crecimiento de los conjuntos de datos, por su parte, sigue una distribución cuya cola está formada por volúmenes muy grandes. (B) La consecuencia: el procesamiento distribuido —**MapReduce**, los **RDD** de **Spark**— se diseñó bajo las restricciones de E/S de principios de la década de 2000, y buena parte del trabajo que se le asignaba ya no necesita salir de la aplicación. De ahí el motor embebido, de tipo biblioteca en proceso, que se ejecuta en el espacio de direcciones de la aplicación, del que **DuckDB** es el ejemplo. Warfield ancla esto en el artículo *Scalability! But at what COST?* (2015) y en el epígrafe de **Paul Barham**: «Puedes tener una segunda computadora una vez que hayas demostrado que sabes usar la primera.» Formula una salvedad explícita: «Cuando un trabajo realmente necesita mil máquinas, necesita mil máquinas.» El corpus ya contiene [[vogels-tech-predictions-2026-allthingsdistributed-2025-11-25]] del mismo blog y [[anthropic-self-service-data-analytics-claude-agentic-stack-2026-06-03]] sobre analítica de autoservicio.
#DuckDB#DuckLabs#adquisición de AWS
Andy Warfield · ingénieur du service S3 chez AWS · en billet invité sur *All Things Distributed* ; introduction de Werner Vogels · CTO d'Amazon.
Página de producto oficial de **DeepSeek**, publicada el **13 de agosto de 2026**, **sin firma**, ~450 palabras, que anuncia el lanzamiento en *developer preview* de **DeepSeek Harness** (`dsh`) — un harness de agente de codificación **de código abierto bajo licencia MIT**, cuyo repositorio se abrió el mismo día. Una tesis de tres palabras, repetida en el título y en la descripción del repositorio: *« Everything is a plugin »*, junto a una segunda promesa, *« Every run is traceable »*. La página enuncia la ecuación *« AGENT = MODEL + HARNESS »* y enumera las capacidades intercambiables — *« models, tools, skills, sessions, sandboxes, storage, loops, scheduling, and the UI »*. Se lanzan cuatro modos: **Standard** (agente de codificación completo), **Code** (herramientas expuestas mediante el *Code Mode SDK*, que permite al modelo componer operaciones de varios pasos dentro de un programa TypeScript), **Minimal** (*« two-tool coding agent with persistent bash and str_replace_editor »*, explícitamente *« for benchmarking models in a minimal environment »*), y **Creator** (inspección en tiempo de ejecución, pruebas de plugins en memoria). La sustancia técnica reside en el repositorio, no en la página: `docs/architecture.md` enuncia un invariante de registro — *« Model-visible means logged. Anything that reaches a model request must be reconstructable from the log, and a runtime invariant asserts it »* — y declara que *« there is no privileged core to patch »*. El núcleo técnico no pertenece a DeepSeek: DSH está construido sobre **Cordis** (el proyecto `cordiverse`, un tercero), **vendorizado** en `vendor/` con un manifiesto y un procedimiento de sincronización, y la página sitúa el *« Cordis paper »* al mismo nivel de navegación que "GitHub" y "Developer docs". Se lanzan dos adaptadores LLM — `dsh-llm-deepseek` y `dsh-llm-pi-ai`, un adaptador multiproveedor genérico. El repositorio advierte en mayúsculas: *« THERE WILL BE COMPATIBILITY-BREAKING CHANGES »*, y `CLAUDE.md` especifica que `SESSION_FORMAT_VERSION` permanece en `0` *« with no compatibility promise »*, con backends que rechazan los formatos antiguos en disco. Cronología: DSH se lanza el mismo día en que **DeepSeek-V4-Pro alcanza la GA**, tres días antes de que entre en vigor un nuevo calendario de precios de la API el **16 de agosto de 2026 a las 16:00 UTC**, con tarifas de hora punta/valle y un descuento de hora valle del **−50 %**.
#DeepSeek Harness#dsh#harness de agente
**DeepSeek** (DeepSeek AI, laboratoire chinois) · en tant qu'institution. Page produit **non signée** : aucun auteur · aucun ingénieur mis en avant · aucun billet de blog ni papier technique associé. Le « nous » n'apparaît qu'une fois · en dernière phrase — *« We look forward to exploring the limits of intelligence with developers worldwide »*. Publiée le **13 août 2026**. La page est rendue en JavaScript : `curl` sur l'URL renvoie **HTTP 202 avec un corps vide** · le texte n'existant qu'après exécution du bundle. Deux documents de politique sont liés en pied de page — *Safe Use Policy* et *Data Processing Statement*.
Anuncio de benchmark de **Artificial Analysis** (plataforma independiente de evaluación de modelos de IA, vía X/Twitter + página del modelo): **GLM-5.2** de **Z.ai** (Zhipu AI, @Zai_org) se convierte en **el modelo de pesos abiertos líder** y asciende al **puesto n.º 3 de la clasificación general** de **GDPval-AA**, un benchmark del mundo real para *trabajo intelectual económicamente valioso* (tareas de largo horizonte, multiturno, agénticas). GLM-5.2 obtiene **1524 Elo**, solo por detrás de **Claude Fable 5 (1783)** y **Claude Opus 4.8 (1615)**, y a la par de **GPT-5.5 (xhigh, 1509)**. Supera con amplio margen al siguiente mejor modelo de pesos abiertos (**MiniMax-M3, 1408**), así como a numerosos modelos propietarios: **Gemini 3.5 Flash (1357)**, **Qwen 3.7 Max (1289)**, **Muse Spark (1158)**. Las tareas son genuinamente agénticas: **~31 turnos por tarea** de media en **1,999 enfrentamientos**. La misma clasificación se mantiene en el **Artificial Analysis Intelligence Index** (1.º entre los modelos de pesos abiertos), el **Agentic Index** (n.º 3) y **AA-Briefcase** (n.º 3, por delante de GPT-5.5 xhigh, solo por detrás de Fable 5). Dato destacado: un modelo de **pesos abiertos** bajo **licencia MIT**, **MoE con 753 mil millones de parámetros / 40 mil millones activos**, **contexto de 1M de tokens**, con un precio de **$1.40/$4.40 por 1M de tokens** de entrada/salida, rivaliza con la frontera propietaria en trabajo agéntico — un avance real para los modelos abiertos.