El ataque comenzó a través de un dataset malicioso que explotó dos rutas de ejecución de código dentro del sistema de procesamiento de datos de Hugging Face, permitiendo al agente iniciar la intrusión.

Una vez dentro, el atacante ejecutó decenas de miles de acciones en entornos temporales (sandboxes) para recopilar credenciales y avanzar progresivamente hacia sistemas con mayores privilegios.

Hugging Face respondió utilizando sus propias herramientas de IA para analizar el incidente, registrando más de 17.000 eventos, reconstruyendo los nodos afectados y rotando todas las credenciales comprometidas.

La compañía afirmó que no encontró evidencias de manipulación en los modelos públicos ni en los proyectos alojados en Spaces, aunque reconoció que no ha podido determinar qué modelo de lenguaje (LLM) impulsó el agente responsable del ataque.

Anthropic había planteado retirar temporalmente Claude Fable 5 de los planes de suscripción, pero retrasó esa decisión tres veces en cinco semanas debido a la elevada demanda y a problemas de capacidad.

Finalmente, la compañía confirmó que los usuarios de Max y Team Premium seguirán teniendo acceso al modelo, aunque limitado al 50 % de la cuota de uso incluida en cada plan.

Los clientes de los planes inferiores recibirán un crédito único de 100$ antes de que el acceso a Claude Fable 5 pase a un modelo de pago por uso. Anthropic reconoció que la demanda ha sido "difícil de predecir" y calificó la situación como frustrante, asegurando que está ampliando su infraestructura de cómputo para mejorar la disponibilidad.

La decisión llega en un momento de creciente competencia en la IA generativa. Mientras Sam Altman criticaba públicamente la gestión del acceso por parte de Anthropic en la red social X, rivales como Moonshot AI acaban de lanzar Kimi K3, y OpenAI continúa ampliando los límites de uso de su modelo GPT-5.6 Sol, intensificando la competencia entre los principales laboratorios de IA.

El nuevo sistema de evaluación prioriza la fiabilidad del modelo y, a continuación, analiza la calidad del trabajo realizado, la capacidad de escalar y el coste total de utilización, en lugar de considerar los tokens como el producto principal.

Según OpenAI, este enfoque permite comparar modelos de forma más precisa, centrándose en el valor que generan para el negocio y no solo en el precio de cada consulta.

Como ejemplo, la compañía utilizó el benchmark DeepSWE para tareas de programación. En esa prueba, GPT-5.6 Sol obtuvo una puntuación 2,8 puntos superior a Claude Fable 5, mientras que el coste estimado de su uso mediante API fue un 36,2 % inferior.

Sarah Friar resumió la filosofía del nuevo marco con una pregunta clave: "¿El valor del trabajo que completa la IA crece más rápido que el coste de producirlo?". La propuesta llega en un momento en el que muchas empresas buscan reducir el gasto en IA sin sacrificar rendimiento.

Funcionarios del Departamento de Comercio, la NSA y la Casa Blanca llevan analizando estas medidas desde 2025, con el objetivo de reducir los riesgos de seguridad asociados a modelos de IA extranjeros.

Entre las propuestas estudiadas figuran sanciones a compañías chinas, advertencias oficiales sobre posibles riesgos de seguridad y una orden ejecutiva que haría responsables a las empresas estadounidenses que ofrezcan infraestructura o alojamiento para estos modelos.

Según las fuentes, el respaldo a endurecer las restricciones aumentó tras el lanzamiento de Kimi K3 por parte de Moonshot AI y diversos cambios de personal dentro de la Casa Blanca que modificaron el equilibrio en la política tecnológica.

En lugar de una prohibición total, la estrategia podría apoyarse en restricciones a las compras públicas, amenazas de sanciones y advertencias sobre posibles puertas traseras (backdoors) en modelos chinos. El objetivo sería elevar el riesgo regulatorio para desincentivar su adopción por parte de las empresas y, al mismo tiempo, reforzar la posición de proveedores estadounidenses como Google, OpenAI y Anthropic.

Frozen v2 incorpora de forma permanente en el propio silicio parte de la arquitectura de los modelos Gemini, reduciendo la cantidad de cálculos y el movimiento de datos necesarios para generar respuestas.

Los ingenieros de Google estiman que este diseño podría procesar entre seis y diez veces más tokens por unidad de energía que las TPU más recientes de la compañía, mejorando significativamente la eficiencia del hardware.

La principal limitación es que Frozen v2 solo funcionaría con modelos Gemini que mantengan la misma arquitectura base, por lo que no sería un acelerador de propósito general ni compatible con cualquier modelo de IA.

Google prevé desplegar este chip alrededor de 2028. Frozen v2 no sustituirá a las TPU, sino que complementará la familia de chips personalizados de la compañía para aliviar la creciente demanda interna de capacidad de cómputo, una escasez que incluso ha llevado a Google Cloud a limitar parte de la capacidad disponible para clientes externos.