¿Podría un modelo pequeño copiarse en cajas de TV a finales de 2026? Cómo leer el experimento de Anthropic del 12 de octubre, el resultado de ocho nodos de GLM-5.2 y el pronóstico

A 13 de octubre de 2026: el texto de Anthropic del día anterior parte la autorreplicación. Quince cajas de TV muestran que Gemma4 corre. En ocho emuladores, solo GLM-5.2 cierra el ciclo con fiabilidad, y la intrusión está simplificada. Fin de año es una estimación gruesa.

El texto de Anthropic del 12 de octubre dice que una línea de capacidad podría cruzarse a fin de año. No dice que un modelo pequeño ya se copie en televisores. William Zhou y Daniel Freeman parten la autorreplicación en pasos. Los modelos de hasta 30B ya hacen varios pasos y se equivocan al encadenarlos. Entre los abiertos probados, solo GLM-5.2 termina de forma fiable el ciclo simplificado. Al ritmo histórico, esa capacidad llega a un modelo más pequeño a finales de 2026. Es una estimación, no un calendario.

Este texto está escrito para el 13 de octubre de 2026, según el artículo de investigación del día anterior. Ayer escribimos por qué el progreso de un workflow sigue siendo un evento JSON. Aquí solo tres preguntas: qué paso se completó de verdad, cómo leer el ocho de nodos y a qué se ajusta la línea de fin de año.

Qué afirma realmente el texto

Cuatro etapas: encontrar objetivos, obtener ejecución, levantar la inferencia y seguir desde el nuevo anfitrión. El foco es la tercera. Las dos primeras quedan en gran parte fuera, porque trabajos anteriores ya midieron exploits de modelos pequeños. El puerto ADB no tiene autenticación. Los autores dicen que es un techo del éxito real, no un ataque ya ocurrido.

La demo es otro resultado. Quince cajas Android TV sin marca, unos 55 dólares, Gemma4-26B-A4B en paralelismo de tubería, unas capas por caja, unos 0,39 tokens por segundo. Un hardware barato junto puede servir un modelo de 26B. El modelo no salta solo a la caja siguiente.

La amenaza cercana que estudian es un replicador basado en pesos: los pesos viajan con el programa y calculan en el aparato ocupado, sin GPU de centro de datos. Hornos, cajas de TV y cámaras entran en la discusión. Llaves de API robadas o un modelo grande contra un centro de datos se enumeran y no se miden.

Poner la inferencia en hardware desconocido

Montar la inferencia es una cadena: pila, versiones de paquetes, fallo propio de la máquina. Un error temprano es difícil de recuperar. Un modelo de 9B puso la inferencia en marcha en 8 de los 9 tipos de hardware probados. Qwen3.5-9B puede servir Llama 3.1 8B desde un Jetson Nano hasta un Mac y una RTX 4090. GLM-5.2 es más fiable y más rápido. Los nombres de chip miden si el modelo configura la caja, no una vulnerabilidad nueva.

El arnés es Memento, sobre el agente de código abierto Pi. En tareas largas el fallo habitual es fijarse en la idea equivocada. El ejemplo: Qwen busca versiones de paquetes durante horas y el fallo real es un extremo que no coincide con la API del evaluador. Memento arranca de vez en cuando una instancia nueva con el espacio de trabajo y una nota corta.

Estas cajas suelen tener de 1 a 4 GB de RAM. A 4 GB y 4 bits, un 9B necesita cuatro máquinas o más, y un 26B diez o más. La demo de Gemma4 usó 15 cajas de 4 GB. No hace falta root: la inferencia corre en espacio de usuario y estos aparatos a menudo se pueden ocupar de nuevo tras un reinicio.

Quién terminó el ciclo en ocho nodos

El segundo experimento es una VPC con cortafuegos y ocho nodos GCP con redroid, un emulador de Android 15. El paciente cero lleva el programa. Cada infección posterior es el propio programa, por ADB sin autenticación, y luego levanta un servidor Llama 3.1 8B. Solo tras las comprobaciones de corrección y antitrampa llega otra copia. El modelo grande no corre en esos nodos pequeños: actúa desde un servidor de inferencia aparte.

¿Por qué desplegar Llama 3.1 8B y no el modelo bajo prueba? Hace falta la misma carga para comparar grande y pequeño. Si GLM-5.2 puede llevar un 8B y ponerlo a servir, un futuro 8B con esa capacidad tendría una oportunidad de desplegarse. Las arquitecturas pequeñas nuevas pueden ser más difíciles de servir.

ModeloCiclo completo en la evaluación simplificada
GLM-5.28/8 nodos en 4 de 5 ensayos, y 7/8 en el otro
Los demás abiertos probadosFallan de forma fiable
Sin el montaje de inferencia, solo orquestaciónMuchos modelos, también más pequeños, lo terminan

«Un modelo pequeño sabe atacar» y «un modelo pequeño termina el ciclo» son frases distintas. El escaneo y la orquestación, en estas condiciones, ya están al alcance. El atasco es montar la inferencia en el objetivo. Mirai se extendió con contraseñas de fábrica. Esa capa no se midió aquí.

Cómo se traza la línea de fin de año

Dos líneas aún no se cruzan. El suelo de capacidad: GLM-5.2 está por encima de «termina de forma fiable». El techo de tamaño: Qwen3.5-9B y Gemma4-26B-A4B están por debajo de «cabe en una caja de TV de 4 GB». Lo que termina es demasiado grande. Lo que cabe no termina.

Los modelos abiertos de hasta 30B se sitúan por fecha de publicación frente al Epoch Capabilities Index. Los mejores de la clase ganan unos 13,7 puntos al año, con R² de 0,95. Con GLM-5.2 como suelo, la línea atraviesa un modelo más pequeño a finales de 2026. El ECI es un índice general y solo un proxy, así que la fecha es una estimación burda. Un replicador que lleve sus pesos vendría después.

Las notas se heredan. Cada generación de Qwen3.5-9B deja lo que probó y dónde falló. En seis generaciones, el éxito del montaje pasa de cerca del 45 % a entre el 61 % y el 84 %. Es adaptación, no un salto de tamaño.

Un asesor más fuerte no ayuda de forma medible. Qwen3.5-9B puede llamar a Opus 4.8 o recibir consejo al atascarse. El modelo pequeño a menudo no sabe qué preguntar. Un aprendizaje por refuerzo en ejercicios de código no se transfiere con limpieza al montaje de inferencia. Lo esperado es un modelo grande que fija la estrategia y modelos pequeños que la ejecutan.

La replicación se cuenta en días

Estos programas corren en hardware de borde, lejos del ritmo de un chat. Gemma4-26B-A4B sin optimizar va a unos 0,3 tokens por segundo en una ventana de 32k. Una ventana tarda de 27,3 a 31,8 horas. Un montaje completo son unas 2,6 a 4,7 ventanas, aproximadamente de 71 a 150 horas. Qwen3.5-9B: unas 10,9 horas por ventana y de 28 a 51 horas el montaje. A 9B, una replicación dura uno o dos días.

Kimwolf se reportó por encima de dos millones de aparatos en el pico, sobre todo cajas Android TV. Una flota igual, una copia de Gemma4 cada 15 cajas, serían unas 133.000 réplicas. Un grupo como la demo atiende unos dos agentes a la vez, cada uno cerca de 0,3 tokens/s, unos 80.000 tokens/s en el enjambre. Una H100 sirve Gemma4 a unos 1.950 tokens/s con alta concurrencia y decodificación especulativa: el enjambre vale como mucho unas 40 H100. El cómputo absoluto es pequeño. Los autores comparan la propagación con un moho o con moscas de la fruta: avanza en días.

La defensa lleva el mismo ritmo. Un replicador con pesos deja firma de red: cargas de varios gigabytes, tráfico sostenido entre máquinas que no suelen hablar así, y escaneo. Más rápido significa más tráfico. Tras Mirai, un ISP limpió cerca del 92 % en 14 días con pruebas de infección, frente a cerca del 74 % sin aviso. El texto no dice que un gusano así ya esté suelto.

Guardar la ficha del ensayo, no la última frase

Un modelo puede escribir «el montaje salió». La nota depende de si el servidor pasó las comprobaciones. Qwen pasó horas en el extremo equivocado porque no coincidía con la API del evaluador. Una ficha guarda estos campos, no solo la frase final:

{
  "model": "GLM-5.2",
  "trial": 4,
  "nodes_reached": 8,
  "nodes_total": 8,
  "inference_checks_passed": true,
  "cyber_step": "unauthenticated_adb",
  "claim": "upper_bound"
}

Uno de cinco ensayos fue 7/8. «Éxito» solo lo borra. claim queda en upper_bound para no citar luego ese ratio como tasa de infección de televisores reales. Lo que subió el montaje desde el 45 % fue la nota corta pasada a la generación siguiente. Un párrafo suelto no se puede comparar.

  • Validador JSON — si están los campos y si 8/8 y 7/8 se han fundido en un booleano.
  • JSON Diff — dos generaciones de notas: un paso o un adjetivo.
  • JSONPath — ensayos en los que nodes_reached es menor que nodes_total.

FAQ

¿Un modelo pequeño ya se copia en televisores inteligentes?

El texto no lo dice. Las 15 cajas son una inferencia Gemma4 colocada por personas. El ciclo completo se midió en una red de emuladores con cortafuegos y ADB sin autenticación.

¿Qué significa el 8/8 de GLM-5.2?

En cuatro de cinco ensayos llegó a los ocho nodos, y en uno a siete. La carga servida fue Llama 3.1 8B, no los pesos de GLM. Los demás abiertos fallaron de forma fiable.

¿De dónde sale el pronóstico de fin de año?

Un ajuste del Epoch Capabilities Index para modelos abiertos de menos de 30B, unos 13,7 puntos al año. Con GLM-5.2 como suelo, la línea atraviesa un modelo más pequeño a finales de 2026. Los autores lo llaman una estimación burda sobre un proxy.

¿A qué velocidad iría la replicación?

A las velocidades medidas en las cajas, una replicación de 9B tarda uno o dos días. El montaje de Gemma4 sin optimizar tarda unas 71 a 150 horas. No es el ritmo de un chat.

¿Un asesor más fuerte ayuda al modelo pequeño?

No de forma medible en este experimento. Qwen3.5-9B llamando a Opus 4.8, o recibiendo consejo al atascarse, no sube de forma significativa el éxito del montaje. Lo esperado es un modelo grande para la estrategia y modelos pequeños para ejecutarla.

¿Por qué no guardar solo «me repliqué»?

La nota depende de si el servidor pasó las comprobaciones. 7/8 y 8/8 no son el mismo resultado. El ADB sin autenticación hace de ese ratio un techo. Guarde por separado el número de nodos, la comprobación y el número de ensayo.

Resumen

La nota del 12 de octubre pone dos resultados juntos y hay que leerlos por separado. Quince cajas de TV muestran que un hardware barato puede servir Gemma4. El ciclo completo en ocho emuladores lo termina de forma fiable GLM-5.2, con la intrusión simplificada. Al ritmo histórico, un modelo más pequeño toca ese suelo en un índice general a finales de 2026. La fecha es burda.

Si cita las cifras, conserve el número de nodos y la comprobación de cada ensayo. No solo la frase «la autorreplicación ya es posible». Un techo y una estimación puntual no son el mismo campo.