Empleados de Amazon se burlan de la IA de la empresa en Slack y la llaman 'Sloppenheimer'
Los empleados de Amazon tienen un canal de Slack dedicado a memes donde se burlan y se quejan del defectuoso producto de codificación de IA de la empresa, según un informe de 404 Media. El contenido del canal incluye chistes sobre que los resultados de la IA son 'slop' y referencias a 'Sloppenheimer' —una combinación de 'slop' y 'Oppenheimer'— para describir los fracasos de la IA.
Esta cultura interna de ridículo existe a pesar del optimismo público del CEO Jeff Bezos de que la IA llevará a 'ganancias de productividad sin precedentes'. Los empleados contradicen directamente esa narrativa, compartiendo memes que destacan la ineficacia de la IA y los intentos fallidos de la empresa por motivar la adopción de herramientas de IA.
El informe señala que Amazon no está sola: los empleados de Google también han compartido internamente memes sobre cómo su IA 'apesta', incluso mientras el CEO de Google afirma que el 75% del código de la empresa es generado por IA. La desconexión entre el mensaje ejecutivo y la realidad de los desarrolladores parece generalizada.
En otro incidente, Amazon cerró una tabla de clasificación interna de IA después de que los empleados admitieran haber hecho trampa para subir puestos. Este patrón sugiere problemas sistémicos con la calidad de las herramientas de IA y la confianza de los empleados en las grandes empresas tecnológicas.
📖 Lee la fuente completa: HN LLM Tools
👀 Ver también
La Plataforma de IA de Palantir Utilizada para el Rastreo de Ayuda a Gaza en el Centro de Coordinación Dirigido por EE. UU.
Palantir Technologies tiene un escritorio permanente en el Centro de Coordinación Civil-Militar liderado por Estados Unidos en el sur de Israel, proporcionando la arquitectura tecnológica para rastrear la entrega y distribución de ayuda a Gaza mediante vigilancia con drones e integración de datos.
Máquina de Flujo de Estado: Arquitectura No Transformadora Mantiene un 62% de Precisión en Secuencias Largas Mientras los Transformadores Caen al 2%
Un investigador ha desarrollado State Flow Machine (SFM), una arquitectura alternativa que utiliza ranuras de memoria explícitas en lugar de cabezas de atención, logrando un 62% de precisión en una tarea sintética de seguimiento de estado de programa a 4× la longitud de entrenamiento, donde los transformadores caen al 1,9-3,1%. El modelo se ejecuta en un solo NPU Huawei Ascend 910 ProA.
Actualización del Rendimiento de Inferencia de MLX: Puntos de Referencia y Características de Abril de 2026
El rendimiento de inferencia de MLX ha mejorado significativamente, con Qwen3.5-35B-A3B alcanzando 71.8 tokens/segundo en contexto de 4K y nuevas características como Predicción Multi-Token y SpecPrefill proporcionando aceleraciones de 2.3x a 5.5x para modelos grandes.
Los Registros de Sesión del Agente de Codificación se Almacenan Localmente, Podrían Habilitar el Entrenamiento Federado Abierto
Los agentes de codificación como Claude Code y Codex CLI almacenan registros detallados de sesiones localmente, incluyendo tareas, razonamiento, llamadas a herramientas y respuestas del entorno. Una publicación de Reddit propone usar estos datos mediante aprendizaje federado para crear un equivalente abierto a los conjuntos de datos de entrenamiento propietarios.