1. Mistral lanza Shieldstral, un modelo multimodal de moderación de 3B
Shieldstral simplifica el despliegue de barreras de seguridad al unificar conjuntos de datos heterogéneos en un único modelo adaptable a políticas. En lugar de codificar reglas o ajustar clasificadores por separado, los desarrolladores pueden pasar directrices personalizadas en lenguaje natural directamente en el prompt. Esto permite que los criterios de moderación se actualicen instantáneamente a medida que cambian los contextos de despliegue o las directrices de la comunidad.
- • Shieldstral es un clasificador de seguridad multimodal de 3B parámetros con pesos abiertos, lanzado bajo la licencia Apache 2.0.
- • El modelo plantea la moderación como una tarea de preguntas y respuestas, aceptando políticas en lenguaje natural durante la inferencia.
- • Está diseñado para ejecutarse en una sola GPU NVIDIA de 16 GB y iguala o supera a modelos de protección hasta 7 veces más grandes.
- • Genera una puntuación de seguridad continua mediante la normalización softmax de logits de sí/no en una sola pasada.
- • Shieldstral es miembro inaugural de la Open Secure AI Alliance.
Los desarrolladores pueden implementar una moderación de contenido altamente flexible y adaptable a políticas para texto e imágenes de forma local en una sola GPU de 16 GB.
2. Liquid AI lanza LFM2.5-2.6B con 128K de contexto
El último lanzamiento de Liquid AI apunta a la creciente demanda de modelos ligeros y capaces de actuar como agentes que pueden ejecutarse en hardware local. Aunque el modelo destaca en llamadas a herramientas y tareas estructuradas de agentes, los creadores desaconsejan explícitamente su uso para tareas complejas o que requieran mucho conocimiento. El pequeño tamaño de la versión GGUF lo hace muy adecuado para la integración en móviles y escritorio.
- • LFM2.5-2.6B cuenta con 2.69 mil millones de parámetros y una ventana de contexto de 128K.
- • El modelo está post-entrenado para flujos de trabajo de agentes de varios pasos y admite llamadas a herramientas, pero no se recomienda para codificación agente.
- • Una versión oficial GGUF Q4_K_M está disponible con aproximadamente 1.67 GB, requiriendo menos de 2.5 GB de memoria durante su funcionamiento.
- • El rendimiento reportado en CPU incluye 30 tokens/s en un teléfono, 113 tokens/s en un Ryzen AI Max+ 395 y 220 tokens/s en un M5 Max.
- • Obtiene 77.83 en ToolSandbox, 59.17 en IFBench, 56.88 en BFCLv4 y 59.41 en LiveCodeBench.
Los desarrolladores pueden ejecutar flujos de trabajo de agentes y tareas de llamadas a herramientas de forma local en dispositivos de borde y hardware de consumo.
3. MiniMax H3 ocupa el primer lugar en los benchmarks de edición de video de Artificial Analysis
Tras su lanzamiento el 31 de julio, el modelo multimodal MiniMax H3 ha sido evaluado por Artificial Analysis, convirtiéndose en el primer modelo abierto en encabezar sus rankings de edición de video. Además de este liderazgo, el modelo obtuvo el segundo lugar en texto a video y el tercero en imagen a video, confirmando su posición competitiva frente a alternativas propietarias.
- • MiniMax H3 es el primer modelo abierto en ocupar el primer lugar en edición de video según Artificial Analysis.
- • El modelo ocupa el segundo lugar en texto a video y el tercero en imagen a video según Artificial Analysis.
- • Estos rankings siguen al lanzamiento inicial del modelo el 31 de julio.
Los desarrolladores ahora cuentan con datos de benchmarks independientes que confirman que el recientemente lanzado MiniMax H3 es un modelo abierto de alto rendimiento para tareas de edición y generación de video.
4. inclusionAI lanza los pesos abiertos de Ling-3.0-flash
La familia de modelos Ling-3.0-flash amplía el modelo anterior Ling-2.6-flash, ofreciendo una arquitectura de mezcla de expertos (MoE) masiva con activación altamente dispersa. Al integrar la capacidad de razonamiento directamente en la plantilla de chat como un interruptor por solicitud, los desarrolladores no necesitan gestionar SKUs de modelos separados para aprovechar el razonamiento. La cuantización oficial FP8 reduce significativamente la barrera de hardware, bajando el requisito de memoria a 128 GB.
- • Ling-3.0-flash cuenta con 127.5B de parámetros totales con 5.1B de parámetros activos por token.
- • El modelo se basa en la arquitectura BailingMoeV3, utilizando 512 expertos con 8 expertos activos.
- • La versión BF16 requiere aproximadamente 255 GB de memoria, mientras que la versión oficial FP8 requiere 128 GB.
- • La capacidad de 'razonamiento' (Thinking) se implementa como un interruptor por solicitud dentro de la plantilla de chat y está activada por defecto.
- • Los modelos se lanzan en Hugging Face bajo la licencia MIT.
Los desarrolladores obtienen acceso a un modelo MoE de pesos abiertos altamente eficiente con razonamiento integrado que puede ejecutarse localmente.
5. Keyv y utilidades de caché comprometidas en un ataque masivo a la cadena de suministro
Este ataque a la cadena de suministro altamente sofisticado, denominado 'Shai-Hulud', representa una amenaza inmediata para el ecosistema de JavaScript y Node.js. Debido a que los paquetes maliciosos se publicaron con procedencia válida directamente desde la cuenta del mantenedor comprometido, es posible que los controles de seguridad automatizados estándar no los hayan bloqueado inicialmente. Los desarrolladores deben verificar inmediatamente sus archivos de bloqueo (lockfiles) en busca de keyv y utilidades de caché relacionadas, y rotar cualquier secreto expuesto.
- • El 4 de agosto de 2026, los atacantes comprometieron la cuenta de GitHub del mantenedor de keyv e inyectaron un gusano de robo de credenciales.
- • El ataque comprometió al menos 434 paquetes en 1381 versiones, representando más de 2 mil millones de instalaciones mensuales.
- • Se publicaron archivos maliciosos, incluyendo un dropper (setup.mjs) y una carga útil (Math_Symbol.js), en npm con procedencia válida.
- • El malware recolecta tokens de npm, tokens de GitHub, credenciales de AWS, secretos de Kubernetes, tokens de HashiCorp Vault y tokens de Stripe/Slack.
- • El gusano se autorreplica utilizando tokens de npm robados para volver a publicar paquetes infectados y tokens de GitHub robados para inyectar ganchos maliciosos.
- • Los datos se exfiltran a repositorios públicos de GitHub o a un dominio de respaldo gestionado mediante un contrato inteligente de Ethereum.
Los desarrolladores deben auditar inmediatamente sus árboles de dependencias y rotar todas las claves API, tokens de npm y credenciales en la nube.
6. Un estudio de Databricks destaca el rendimiento del arnés de codificación minimalista 'Pi'
La filosofía de diseño de Pi desafía la tendencia de marcos de agentes cada vez más complejos. Al mantener las definiciones de herramientas y los prompts del sistema por debajo de los 1,000 tokens, reduce la probabilidad de confusión del modelo y disminuye drásticamente el consumo de tokens. La exitosa implementación de Shopify del bucle autónomo pi-autoresearch demuestra que un conjunto de herramientas altamente restringido aún puede impulsar optimizaciones de rendimiento masivas en bases de código del mundo real.
- • Pi es un arnés de codificación minimalista que cuenta con solo cuatro herramientas y un prompt del sistema de menos de 1,000 tokens.
- • Un estudio de Databricks mostró que Pi, combinado con Opus 4.8, logró la tasa de éxito general más alta a un costo menor que Claude Code y Codex.
- • Pi envió aproximadamente 3 veces menos contexto por turno, lo que resultó en menos ejecuciones y menores costos de API.
- • Shopify desarrolló la extensión pi-autoresearch usando Pi, logrando pruebas unitarias 300 veces más rápidas y un montaje de componentes React un 20% más rápido.
- • La baja huella de contexto del arnés lo hace muy adecuado para modelos locales con ventanas de contexto más pequeñas.
Los desarrolladores pueden construir agentes de codificación más fiables y rentables adoptando un diseño de arnés minimalista.
7. Warp lanza la CLI independiente Warp Agent
La CLI Warp Agent lleva el poder de los agentes de IA nativos de terminal a los desarrolladores, independientemente de su emulador de terminal preferido. Al utilizar la infraestructura existente de Warp, la herramienta resuelve el punto de fricción común de ejecutar agentes en servidores remotos al manejar la multiplexación de sesiones de forma nativa. Su capacidad para interactuar con aplicaciones de terminal de pantalla completa como Python y SQLite abre potentes flujos de trabajo de automatización local.
- • Warp Agent CLI es una herramienta independiente compatible con Ghostty, iTerm 2, VS Code y terminales nativas de Windows/Mac.
- • La CLI está construida sobre la infraestructura de terminal de Warp, permitiendo la multiplexación de sesiones nativa y la ejecución remota de agentes.
- • Admite la orquestación de múltiples agentes, transferencia de agentes en la nube y control de aplicaciones de terminal interactivas como sqlite y python.
- • La herramienta cuenta con enrutamiento automático de modelos entre modelos de frontera y de pesos abiertos.
- • El precio comienza en $18/mes por $20 de inferencia, con opciones para créditos ad hoc o traer sus propias claves API.
Los desarrolladores pueden ejecutar agentes de IA basados en terminal en máquinas remotas sin instalar binarios remotos.
8. Cursor lanza plugins para Google Workspace
Estos nuevos plugins amplían las capacidades de Cursor más allá de la edición de código local, permitiendo a los desarrolladores cerrar la brecha entre su base de código y la documentación del equipo. Al permitir la interacción directa con Google Workspace, los plugins agilizan los flujos de trabajo que implican referenciar o actualizar documentos compartidos, hojas de cálculo y otras herramientas colaborativas.
- • Cursor lanzó nuevos plugins de Google Workspace en el Cursor Marketplace.
- • Los plugins permiten que el editor Cursor interactúe directamente con las aplicaciones de Google Workspace.
- • Las acciones admitidas incluyen leer, escribir y realizar tareas en toda la suite de Workspace.
Los desarrolladores que usan Cursor ahora pueden integrar su entorno de codificación directamente con Google Workspace para automatizar tareas administrativas y de documentación.
9. Orchard: Un marco de agentes nativo de Kubernetes de código abierto
Orchard aborda la fragmentación en el desarrollo de agentes al desacoplar la lógica central del agente y las recetas de entrenamiento de la infraestructura subyacente. Al proporcionar un servicio de entorno estandarizado y nativo de Kubernetes, permite a los desarrolladores escalar flujos de trabajo de aprendizaje por refuerzo y destilación de trayectorias sin reescribir código para diferentes arneses de ejecución.
- • Orchard es un marco de modelado de agentes de código abierto construido sobre un servicio de entorno nativo de Kubernetes.
- • El marco expone primitivas genéricas sin asumir un arnés, entrenador, backend de inferencia o dominio de tarea específico.
- • Proporciona un sustrato único para la destilación de trayectorias, despliegues de aprendizaje por refuerzo en política y evaluaciones.
- • Los conjuntos de datos, las recetas de entrenamiento y los protocolos de evaluación permanecen totalmente portátiles entre diferentes proyectos y dominios.
Los desarrolladores pueden construir, entrenar y evaluar agentes utilizando un sustrato único que mantiene los conjuntos de datos y las recetas portátiles entre diferentes backends.
10. Kiro lanza un arnés de agentes ligero del lado del servidor
Al separar el entorno de ejecución del agente de la interfaz de usuario, la arquitectura de Kiro permite a los desarrolladores actualizar e iterar sobre los comportamientos del agente sin necesidad de volver a desplegar aplicaciones del lado del cliente. La interfaz de protocolo definida garantiza que los clientes CLI, web e IDE puedan interactuar sin problemas con la misma base de código de agente subyacente.
- • El arnés de agentes de Kiro opera como un proceso ligero del lado del servidor que se ejecuta junto a las bases de código.
- • La interacción y presentación del usuario son gestionadas por clientes IDE, CLI y Web.
- • El servidor y el cliente se comunican exclusivamente a través de una interfaz de protocolo definida.
- • El arnés admite funciones de IDE agente, incluyendo especificaciones, dirección y ganchos.
Los desarrolladores pueden construir herramientas de codificación agente donde la lógica del agente evoluciona independientemente de las aplicaciones cliente.
11. LM Studio prioriza al agente Bionic en la renovación de su sitio web
Tras el lanzamiento en julio del agente de IA Bionic, LM Studio ha actualizado su sitio web para hacer de Bionic la descarga principal, relegando la aplicación original a un enlace en el pie de página. Este cambio indica un giro estratégico hacia flujos de trabajo de agentes, recibiendo la aplicación original solo actualizaciones de mantenimiento menores.
- • LM Studio ha reemplazado los enlaces de descarga principales del sitio web para apuntar al agente Bionic.
- • La aplicación original de LM Studio ahora solo es accesible a través de un enlace en el pie de página del sitio web.
- • La aplicación original solo está recibiendo actualizaciones menores, lo que genera preocupaciones sobre su soporte a largo plazo.
- • Este movimiento sigue al lanzamiento inicial de Bionic el 16 de julio de 2026.
Los desarrolladores que dependen de la aplicación original de LM Studio ahora deben navegar por una nueva interfaz centrada en el arnés de agentes Bionic a medida que la empresa cambia su enfoque de distribución.
12. PR oficial de llama.cpp integra el almacenamiento en caché de expertos MoE basado en mapas de calor
Basándose en los esfuerzos previos de la comunidad para optimizar la inferencia MoE mediante la gestión dinámica de expertos en VRAM, una nueva solicitud de extracción (#26563) para el repositorio oficial de llama.cpp introduce una función de mapa de calor. Este mecanismo rastrea y almacena en caché los expertos utilizados con frecuencia en la memoria de la GPU, ofreciendo un enfoque más integrado que los forks experimentales reportados anteriormente. Aunque esto acerca la optimización a la base de código principal, sigue siendo una PR experimental con limitaciones de hardware específicas.
- • La solicitud de extracción de GitHub #26563 introduce una función de mapa de calor para rastrear y almacenar en caché los expertos MoE utilizados con frecuencia en VRAM.
- • Este desarrollo marca la transición del almacenamiento en caché dinámico de expertos desde forks experimentales al proyecto oficial llama.cpp.
- • Las pruebas en Qwen3.6-35B-A3B con 8 GB de VRAM mostraron aumentos de rendimiento de 1.68 veces para Q2_M y 2.07 veces para cuantizaciones Q5_K_P.
- • La función está actualmente limitada al soporte solo para CUDA y decodificación de un solo token.
- • No es una mejora universal, ya que ralentizó modelos más grandes como Qwen3.5-122B-A10B y Laguna-S-2.1.
- • La PR es actualmente una rama no fusionada y puede causar una ligera variación en la salida.
Esta PR lleva el almacenamiento en caché dinámico de expertos a la base de código principal de llama.cpp, proporcionando potencialmente una ruta estandarizada para que los desarrolladores logren aceleraciones de hasta 2 veces en hardware con memoria limitada.
13. llama.cpp añade muestreo acelerado por GPU para predicción de múltiples tokens
Basándose en las mejoras de rendimiento de MTP anteriores, una nueva solicitud de extracción de llama.cpp (#25532) mueve la fase de muestreo directamente al backend de la GPU. Esto reduce la sobrecarga de transferencia de datos entre CPU y GPU, lo que resulta en ganancias de rendimiento de hasta el 8% en hardware moderno como la RTX 5090, mejorando aún más la eficiencia de la inferencia local habilitada para MTP.
- • La solicitud de extracción de GitHub #25532 mueve el muestreo MTP a la GPU.
- • Las pruebas en una Nvidia RTX 5090 mostraron un aumento del 8% en tokens por segundo para Qwen3.6:35b.
- • Las ganancias de rendimiento dependen del hardware, con tarjetas más antiguas como la Tesla P40 viendo un aumento del 4%.
- • La tasa de aceptación para MTP permanece sin cambios por este cambio de backend.
Esta optimización proporciona un impulso de rendimiento adicional para los desarrolladores que ya utilizan MTP, reduciendo específicamente la latencia al descargar tareas de muestreo a la GPU.
14. Soup CLI permite el ajuste fino de modelos 8B en GPUs de portátiles de 4 GB
Soup simplifica el flujo de trabajo de post-entrenamiento local al consolidar la configuración en un solo archivo YAML. Al transmitir las capas del modelo base secuencialmente desde la RAM del sistema, evita las limitaciones de VRAM que normalmente impiden que los modelos 8B se entrenen en hardware de grado de consumo. La inclusión de algoritmos modernos de alineación de preferencias como DPO y SimPO la convierte en una herramienta altamente versátil para la personalización de modelos locales.
- • Soup es una herramienta CLI de código abierto bajo licencia Apache-2.0 para el ajuste fino y post-entrenamiento de LLMs.
- • La herramienta utiliza 'Exact Layer Streaming' para transmitir el modelo base congelado desde la RAM del host a la GPU una capa de decodificador a la vez.
- • En una GPU de portátil RTX 3050 (4 GB VRAM), Llama-3.1-8B-Instruct con cuantización NF4 logró 119.6 tokens/s con 3.32 GB de memoria máxima.
- • La versión 0.72.4 admite ajuste fino supervisado y pérdidas de preferencia, incluyendo DPO, ORPO, SimPO y KTO.
- • El proyecto es mantenido por Alpamys Makazhan y se basa en un preprint de 2026 publicado en Zenodo.
Los desarrolladores pueden ajustar modelos 8B específicos para tareas localmente en hardware de portátil estándar sin alquilar costosas GPUs en la nube.
15. La cuantización de 2 bits de DeepSeek-V4-Flash logra un 100% en el benchmark SQL
Este resultado de benchmark destaca el potencial de los modelos de pesos abiertos fuertemente cuantizados cuando se combinan con motores de inferencia personalizados. Al lograr una puntuación perfecta en una tarea compleja de razonamiento SQL, la cuantización de 2 bits de DeepSeek-V4-Flash demuestra que la cuantización extrema no destruye necesariamente las capacidades de razonamiento, lo que la convierte en una opción viable para integraciones locales de agentes de bases de datos.
- • DeepSeek-V4-Flash es el primer modelo local probado en lograr una puntuación del 100% en el benchmark de razonamiento SQL de 25 pruebas del autor.
- • La configuración utilizó un GGUF IQ2_M personalizado en GPUs duales RTX 3080, 96 GB de RAM y un Ryzen 9800X3D.
- • Un motor ds4 modificado logró 300 tokens/s de prefill y 11-12 tokens/s de generación, superando al llama.cpp principal.
- • Anteriormente, solo los modelos propietarios Opus 4.7 y GPT-5.5 habían logrado una puntuación perfecta en este benchmark.
Los desarrolladores pueden ejecutar tareas de razonamiento SQL altamente precisas localmente utilizando modelos fuertemente cuantizados y motores de inferencia optimizados.
16. VIDRAFT publica una receta de optimización de inferencia rápida para Gemma
El lanzamiento de esta receta de optimización proporciona un plano práctico para los desarrolladores que buscan autoalojar Gemma 4. Al centrarse en el ajuste a nivel de software en lugar de costosas actualizaciones de hardware, la guía demuestra cómo extraer el máximo rendimiento de instancias de nube estándar como las que cuentan con la NVIDIA A10G.
- • VIDRAFT publicó la configuración exacta y la receta de optimización de su envío verificado Fast Gemma.
- • La configuración ejecutó el modelo Gemma 4 E4B en una sola GPU NVIDIA A10G rentable.
- • La documentación detalla optimizaciones específicas a nivel de software utilizadas para maximizar el rendimiento.
Los desarrolladores pueden aplicar optimizaciones de software verificadas para maximizar el rendimiento de tokens por segundo de Gemma 4 en GPUs de nube económicas.
17. Una nueva configuración de producción aumenta el rendimiento de DeepSeek-V4-Flash en AMD MI300X
Basándose en las soluciones de software iniciales para la compatibilidad con FP8 en la AMD MI300X, una nueva configuración de producción ahora permite que el modelo DeepSeek-V4-Flash-0731 de 304B parámetros se ejecute completamente en HBM. Al utilizar vLLM ROCm nightly y AITER 0.1.19, esta configuración logra velocidades de prefill sin caché de 6,988 a 7,019 tokens por segundo, un aumento sustancial sobre los 2,699 tokens por segundo reportados anteriormente. La configuración también introduce una estrategia KV híbrida, descargando entradas de caché de prefijo desalojadas a la memoria de la CPU.
- • Logra de 6,988 a 7,019 tokens por segundo, frente a los 2,699 tokens por segundo reportados anteriormente.
- • Utiliza vLLM ROCm nightly y AITER 0.1.19 con parches personalizados para FP8 y enrutamiento MoE.
- • Implementa una estrategia KV híbrida con 20 GB de caché de GPU y 96 GiB de descarga a CPU.
- • Ejecuta el modelo DeepSeek-V4-Flash-0731 de 304B parámetros en una sola AMD MI300X.
Este desarrollo permite un rendimiento de inferencia significativamente mayor para modelos a gran escala en GPUs empresariales individuales, haciendo que el alojamiento local de alto rendimiento sea más práctico.
18. GPT-5.6 Sol aumenta el consumo de tokens y añade tarifas de escritura en caché
El lanzamiento de GPT-5.6 Sol continúa la tendencia de la industria de aumentar los costos de los modelos de IA de frontera. Basándose en los aumentos de costos observados con GPT-5.5, esta nueva versión consume más del doble de tokens por sesión y añade un cargo por escritura en caché, impactando aún más los presupuestos de los desarrolladores para flujos de trabajo de codificación de alto volumen.
- • GPT-5.6 Sol consume más del doble de tokens por sesión en comparación con GPT-5.5.
- • El aumento de 2.25 veces en el uso de tokens conduce a un aumento proporcional en los costos de API.
- • Se ha introducido un nuevo cargo por escritura en caché, que no estaba presente en GPT-5.5.
- • El valor efectivo de las cuotas existentes basadas en tokens se reduce en más del 50 por ciento.
Los desarrolladores que migran a GPT-5.6 Sol deben tener en cuenta un aumento de 2.25 veces en los costos basados en tokens y gestionar nuevas tarifas de escritura en caché, intensificando la presión financiera sobre los flujos de trabajo de desarrollo de agentes.
19. Investigación independiente valida a DeepSeek V4-Flash como el modelo más rentable
Basándose en el lanzamiento de la beta pública de la API de DeepSeek V4-Flash el 31 de julio, nuevos datos de una firma de investigación independiente confirman la posición del modelo como la opción más rentable para tareas de alto volumen. El análisis destaca un diferencial de costos de 105 veces frente a Claude Fable 5 de Anthropic, proporcionando a los desarrolladores una validación empírica para enrutar flujos de trabajo a la arquitectura V4-Flash para optimizar el gasto en API.
- • Una firma de investigación independiente identifica a DeepSeek V4-Flash como el modelo más rentable.
- • El modelo es 105 veces más barato de ejecutar que Claude Fable 5 de Anthropic.
- • Esta validación sigue al lanzamiento de la beta pública de la API gestionada V4-Flash el 31 de julio.
Esta validación independiente proporciona a los desarrolladores un punto de referencia claro para justificar la migración de tareas de alto volumen desde modelos de frontera como Claude Fable 5 a DeepSeek V4-Flash para obtener ahorros de costos significativos.
20. Cómo Replit, Kilo Code y Symbotic gestionan los presupuestos de agentes de IA
A medida que los agentes de IA manejan una parte creciente del trabajo de desarrollo, las empresas se enfrentan a facturas de API disparadas. Para combatir esto, los equipos se están alejando de un enfoque de modelo único, desplegando en su lugar puertas de enlace (gateways) de múltiples modelos que enrutan las tareas dinámicamente según la complejidad. Además, implementar una puntuación de riesgo automatizada en las solicitudes de extracción (pull requests) generadas por agentes ayuda a equilibrar la velocidad con la supervisión humana, asegurando que los recursos costosos solo se utilicen cuando sea necesario.
- • Kilo Code recomienda usar modelos de frontera costosos para la arquitectura inicial y cambiar a modelos de pesos abiertos más baratos para tareas posteriores.
- • Replit utiliza un sistema basado en agentes para asignar puntuaciones de riesgo a las solicitudes de extracción, determinando cuándo se requiere intervención humana.
- • Kilo Code admite más de 500 modelos en su puerta de enlace para desacoplar el software de proveedores de modelos específicos.
- • Symbotic implementó niveles de costos mensuales para los empleados y una herramienta de gestión para monitorear las solicitudes de extracción y las tendencias de uso.
- • Replit expandió los agentes más allá de la ingeniería, lo que provocó un enrutamiento estricto de modelos para evitar el uso de modelos de frontera para tareas simples.
Los desarrolladores pueden implementar patrones arquitectónicos probados para evitar facturas de API descontroladas por agentes de codificación autónomos.