Juan Carlos Giraldo Cardozo

Docente Universidad de Cordoba

[Google Gemini @GeminiApp]

With Gemini 4 Argon, you can use Canvas to turn dense PDFs into interactive, animated web apps you can explore at your own pace.

[fofr @fofrAI]

Argon has this amazing natural understanding of the world. It can do so many things from first principles.

Here's a pelican riding a bike, using fourier epicycles.

Video made by Argon.
Time-synced Lyria 3.5 music prompted by Argon.

[Andrej Karpathy @karpathy]

Dusting off this tweet from April because this gap in shared understanding of LLM capability is *widening*. It's now less "two groups of people speaking past each other" and more a sharp funnel.

- Napkin math somewhere around 6B people (~75% of the population) have barely come in contact with LLMs at all.
- Around 1-2B (~20%) are casual and infrequent users of free-tier ChatGPT-like products. This group sees derpy chatbots and treats them a bit like a better Google search, a writing aid, or etc. Maybe an agent tries to book you a flight. I have non-tech friends who (reasonably, imo) say they have not much use for it at all. Even many professionals outside of math&code are in this tier. For example, execs and many other functions spend a lot of their time talking to other people, so while they understand what is happening intellectually, it is still second-hand and a bit abstract.
- Now we get to professional use of frontier-grade LLMs in math&code. Somewhere around 20M people (0.2%) see first-hand that large, complex projects that used to take them weeks/months can now be completed by agents with a prompt. Building apps, copying apps, translating apps, decompiling apps from binaries... This has all happened very quickly and recently - less than 1 year ago, I was writing code manually by hand, typing memorized computer code commands into a code editor character by character, occasionally pressing Tab to autocomplete a little chunk of code.
- And finally we get to the ~5,000 people (~0.00006%) with access to frontier-grade systems internally. The external world has seen the preview. It looks like swarms of thousands of agents collaborating over weeks on software mega projects: minting zero days, running cyber attacks and defenses at machine speeds, discovering new science, advancing the frontier of mathematics. Things that would have taken top professionals in the industry years of work. Meanwhile, human review and comprehension are starting to fall behind. For example, people are still involved in the "archeology" of the OpenAI-HF incident from many months ago. Mathematicians may be poring over the 722 manuscripts on frontier mathematics for a while.

The funnel is driven by a combination of factors:
1. The impact scales with ambition, problem size, and horizon. A question with a paragraph answer barely stresses the system. You need a reservoir of big, difficult problems that you really care about. This aspect drives the consumer / professional dimension of the funnel.
2. The jaggedness of the system (which I have written about a lot separately). Capability peaks in domains that are digital, verifiable and economically valuable. This is because LLM capability emerges from reinforcement learning on verifiable rewards on a curated environment mixture driven by revenue potential. This aspect primarily drives the area (e.g. math&code) dimension of the funnel.
3. Access. Free-tier, paid-tier, internal.

So this is the weirdness of the moment. The general public has mostly not interacted with these systems. When they have, it looks like a derpy chatbot. The majority of professionals still see only a modest uplift. And a small sliver of professionals are experiencing the vertigo of the curve going vertical. And it is all happening at the same time.

[Xiaomi MiMo @XiaomiMiMo]

Introducing Xiaomi MiMo-V2.6 — Pro & Flash.

Frontier intelligence, all the modalities, built in public.

🔹 Two omnimodal models, advancing through scaled reinforcement learning
🔹 Pro performs on par with Claude Opus 5 and GPT-5.6 Sol across most agent benchmarks
🔹 Pro scores 46 on the Artificial Analysis Intelligence Index — the highest among open-source models
🔹 Stronger coding, computer use, 3D reasoning and creative capabilities
🔹 Open model weights, technical report, RL environments and training code

Blog：https://t.co/JGdwC9Ymvj

[OpenAI Developers @OpenAIDevs]

Build a plugin once and use it across compatible agent clients.

Introducing Agent Plugins, an open standard developed with @awsdevelopers, @cursor_ai, @github, @code, and @vercel that packages Agent Skills and supports MCP server configurations in a shared format.

[Carlos Santana @DotCSV]

Pangolín surfeando con Minimax H3! 🌊

Que este vídeo con esta calidad (a 1080p) salga directamente de mis GPUs es chocante la verdad, gratamente sorprendido con este modelo!

[Demis Hassabis @demishassabis]

I’ve been working towards AGI my whole life, and as we enter this pivotal moment, I’m stepping into a new role as Chair of Google DeepMind & Chief Scientist of Alphabet. This will allow me to focus on long-term strategy, and accelerating scientific breakthroughs, including leaning into my work at Isomorphic to help cure disease.

I’m excited that @koraykv will be stepping up to lead GDM as SVP, alongside @joshwoodward and our exec team. I could not be more excited and confident about our amazing next chapter! 🚀

https://t.co/2WtlIIlTUa

[Google @Google]

Today we’re expanding the Gemini family with three new models built to be faster, more token efficient, and reliable at scale.

Meet the new Gemini models ↓

[Anthropic @AnthropicAI]

We’ve received notice that the Department of Commerce has lifted export controls on Claude Fable 5 and Mythos 5.

We'll begin restoring access tomorrow, and will share an update soon.

We’re grateful to our users for their patience, and to everyone who worked with us on redeploying the models.

[Gemini Notebook @Gemini_Notebook]

Introducing a more powerful NotebookLM 🚀

Massive upgrades deliver agentic capabilities in chat, more advanced reasoning, and a suite of new output formats. Tackling complex, multi-step research problems has never been easier.

Rolling out now to Google AI Ultra subscribers.

[Carlos Santana @DotCSV]

El paradigma de ingesta del segundo cerebro de Karpathy, donde tienes una carpeta donde echar tus datos en crudo y que luego un agente procesa y estructura para agregarla a una wiki o segundo cerebro, es un patrón escalable a otras tantas aplicaciones.

Yo en mi caso por ejemplo ya tenía creada una aplicación financiera que usaba un sistema similar: mis extractos bancarios, facturas, datos traídos de APIs, modelos de impuestos en pdf... todo en crudo en una carpeta. Con la idea de luego llamar a un agente que trabaje en dar orden y forma a esos datos (una única vez) para procesarlos adecuadamente de cara a que luego lo consuma una aplicación (en este caso en vez de Obsidian, un front-end).

Se me antoja como un nuevo tipo de aplicación con un patrón arquitectónico que funciona por poner en su diseño a un agente que cada cierto tiempo sale a pasear para dar orden al caos de la carpeta de datos. No es un script determinista que sepas que va a funcionar siempre igual, con lógicas encorsetadas a formatos concretos, sino que tiene la flexibilidad de comerse y procesar cualquier dato crudo que pongas en la carpeta.

Y donde además cualquier dato alimenta al sistema y lo mejora para hacerlo crecer.

Además, obviamente los agentes no sólo actúan como procesadores de esa información sino que luego se nutren de todo el sistema para poder hacerle consultas mucho más completas o hacer crecer tu aplicación con cada nuevo dato crudo que se agrega.

Estamos empezando a diseñar software alrededor de datos caóticos, confiando en las capacidades de una nueva capa agéntica. El usuario no se adapta al software sino que el software se adapta al caos del usuario.

So good

[Juan Carlos Giraldo Cardozo @jucagi]

@zan2434 @eddiejiao_obj @drewocarr Super genial!! éxitos con esta iniciativa. 😀👍

[Andrej Karpathy @karpathy]

Personal update: I've joined Anthropic. I think the next few years at the frontier of LLMs will be especially formative. I am very excited to join the team here and get back to R&D. I remain deeply passionate about education and plan to resume my work on it in time.

[EL MERIDIANO @elmeridiano_co]

#Córdoba | Crece la indignación en la vereda Trementino Arriba, en el municipio de Pueblo Nuevo, por el vertimiento de residuos con posibles químicos en una represa de la zona, situación que mantiene en alerta a sus habitantes. De momento se habla que la responsabilidad sería de una empresa de hidrocarburos.

Los pobladores, que cuestionaron al conductor de un carro cisterna el pasado 8 de abril, aseguran que los olores son intensos, persistentes y prácticamente insoportables, afectando la vida diaria de las familias. “No se puede ni respirar con tranquilidad”, relatan algunos residentes, quienes advierten que la situación se viene presentando desde hace varios días sin una respuesta efectiva.

La comunidad cuestiona la aparente falta de control y vigilancia frente a este tipo de prácticas, que, según denuncian, se estarían realizando sin ningún tipo de tratamiento ni supervisión ambiental. Temen que los vertimientos estén contaminando el agua y el suelo, lo que podría desencadenar afectaciones graves en la salud de niños, adultos mayores y población en general. #ElMeridianoTeUbica @MinAmbienteCo @CorporacionCVS

[Informa Cosmos @InformaCosmos]

🇧🇷 | Brasil lanza la nueva marca turística Amazonia con un logo cuyas letras fueron extraídas de imágenes satelitales del río Amazonas.

[Elon Musk @elonmusk]

Engineering is real magic

[Andrej Karpathy @karpathy]

LLM Knowledge Bases

Something I'm finding very useful recently: using LLMs to build personal knowledge bases for various topics of research interest. In this way, a large fraction of my recent token throughput is going less into manipulating code, and more into manipulating knowledge (stored as markdown and images). The latest LLMs are quite good at it. So:

Data ingest:
I index source documents (articles, papers, repos, datasets, images, etc.) into a raw/ directory, then I use an LLM to incrementally "compile" a wiki, which is just a collection of .md files in a directory structure. The wiki includes summaries of all the data in raw/, backlinks, and then it categorizes data into concepts, writes articles for them, and links them all. To convert web articles into .md files I like to use the Obsidian Web Clipper extension, and then I also use a hotkey to download all the related images to local so that my LLM can easily reference them.

IDE:
I use Obsidian as the IDE "frontend" where I can view the raw data, the the compiled wiki, and the derived visualizations. Important to note that the LLM writes and maintains all of the data of the wiki, I rarely touch it directly. I've played with a few Obsidian plugins to render and view data in other ways (e.g. Marp for slides).

Q&A:
Where things get interesting is that once your wiki is big enough (e.g. mine on some recent research is ~100 articles and ~400K words), you can ask your LLM agent all kinds of complex questions against the wiki, and it will go off, research the answers, etc. I thought I had to reach for fancy RAG, but the LLM has been pretty good about auto-maintaining index files and brief summaries of all the documents and it reads all the important related data fairly easily at this ~small scale.

Output:
Instead of getting answers in text/terminal, I like to have it render markdown files for me, or slide shows (Marp format), or matplotlib images, all of which I then view again in Obsidian. You can imagine many other visual output formats depending on the query. Often, I end up "filing" the outputs back into the wiki to enhance it for further queries. So my own explorations and queries always "add up" in the knowledge base.

Linting:
I've run some LLM "health checks" over the wiki to e.g. find inconsistent data, impute missing data (with web searchers), find interesting connections for new article candidates, etc., to incrementally clean up the wiki and enhance its overall data integrity. The LLMs are quite good at suggesting further questions to ask and look into.

Extra tools:
I find myself developing additional tools to process the data, e.g. I vibe coded a small and naive search engine over the wiki, which I both use directly (in a web ui), but more often I want to hand it off to an LLM via CLI as a tool for larger queries.

Further explorations:
As the repo grows, the natural desire is to also think about synthetic data generation + finetuning to have your LLM "know" the data in its weights instead of just context windows.

TLDR: raw data from a given number of sources is collected, then compiled by an LLM into a .md wiki, then operated on by various CLIs by the LLM to do Q&A and to incrementally enhance the wiki, and all of it viewable in Obsidian. You rarely ever write or edit the wiki manually, it's the domain of the LLM. I think there is room here for an incredible new product instead of a hacky collection of scripts.

[Vicent Gadea | IA @vicentgadea]

Os dejo aquí las dos cosas por si queréis profundizar:

📘 Informe completo de Finlandia
https://t.co/TNt4mrS64D

📩 Suscripción a mi newsletter, GadeIA
https://t.co/cee6dy5bgw

Ahí sigo desarrollando este tipo de cuestiones sobre IA, aprendizaje, evaluación, liderazgo y toma de decisiones en centros y universidades.

[Google en español @googleespanol]

Si los resúmenes de vídeo en @NotebookLM cambiaron tu forma de estudiar, prepárate para cambiar tu forma de crear contenido. 🍿

Llegan los Resúmenes en Video Cinematográfico.

✅ Libre de marcas de agua.
✅ Alta fidelidad de imagen y movimiento.
✅ Acceso directo en web y móvil.

[Vicent Gadea | IA @vicentgadea]

⚠️ Segundo aviso de la semana para centros educativos y universidades.

Creo que muchas instituciones siguen pensando la IA como una capa para generar materiales más rápido.

El problema es que ya están apareciendo proyectos que apuntan a algo bastante más profundo. Pasar de contenidos estáticos a experiencias de aprendizaje orquestadas con agentes.

He estado probando OpenMAIC, un proyecto open source impulsado desde la Tsinghua University, y lo interesante no es que cree unas diapositivas o un resumen más.

Lo interesante es otra cosa.

Detrás hay un paper académico que plantea el paso de los MOOC tradicionales a lo que llaman MAIC, una especie de aula aumentada con agentes de IA que busca combinar escalabilidad con adaptabilidad. Además, el proyecto tiene repositorio público en GitHub y demo abierta.

Con un solo prompt puede estructurar una sesión entera y montar un entorno de aprendizaje interactivo con varios elementos a la vez.
Un agente que explica.
Otros agentes que acompañan la discusión (tus compañeros).
Quizzes adaptativos.
Pizarra.
Flujo de contenidos.
Dinámica de interacción en tiempo real.

Es decir, no estamos hablando solo de usar IA para preparar clases.
Estamos empezando a ver sistemas capaces de orquestar experiencias de aprendizaje.

Y esto ya no se mueve solo en el terreno del hype. El paper habla de experimentos preliminares en Tsinghua y de más de 100.000 registros de aprendizaje de más de 500 estudiantes, aunque conviene leerlo como un trabajo inicial, no como una verdad definitiva cerrada.

Todavía hay mucho que madurar:
- Calidad pedagógica.
- Fiabilidad.
- Criterio didáctico.
- Sesgos.
- Supervisión docente.
- Carga cognitiva.
- Privacidad.
Pero, aun así, la señal me parece clarísima.

El diseño de experiencias de aprendizaje ricas, interactivas y personalizables va a volverse mucho más accesible.
Y cuando eso ocurra, la pregunta para un centro o una universidad no será si usa IA.

La pregunta será otra.

Qué valor diferencial aporta tu institución cuando crear una experiencia formativa técnicamente solvente empieza a costar mucho menos que antes.

Porque entonces habrá que repensar muy bien cosas como el papel del docente, el diseño instruccional, la tutorización, la evaluación y la estrategia institucional que da sentido a todo eso.

No creo que la tecnología sustituya una buena educación.
Pero sí creo que va a poner bajo presión a las instituciones que sigan confundiendo innovación con añadir herramientas sueltas sin rediseñar el modelo.

Esto no va de probar una plataforma.
Va de entender hacia dónde se mueve el aprendizaje.

¿Tu institución está explorando estas posibilidades desde una lógica estratégica o todavía desde la curiosidad individual?

En el primer comentario dejo el acceso a todos los recursos.

#edtech #IA #OpenMAIC #liderazgo