Rabbit traslada su apuesta del dispositivo al agente para las pantallas habituales
OS3 unifica el trabajo a través del navegador, los mensajeros y los ordenadores: el agente puede realizar acciones en programas y en la web, y no se necesita el dispositivo R1 para ello. En lugar de una cuota de suscripción, el sistema utiliza las claves API del usuario o modelos locales conectados.
Acceso en distintas pantallas
Rabbit traslada el foco de un dispositivo específico a una plataforma de software para los equipos que ya tienes. La empresa anunció OS3, un sistema operativo agéntico independiente para varias pantallas.
No se necesita un Rabbit R1 para usarlo. OS3 está disponible en el navegador del ordenador, en Telegram en el teléfono y en iMessage.
Los propietarios del R1 también recibirán OS3 mediante una actualización de software. El dispositivo podrá servir como medio de entrada y salida.
Criterio práctico: OS3 está diseñada para usarse desde un ordenador y un teléfono, no solo desde un dispositivo específico de Rabbit.
Cómo funciona OS3 con el ordenador
OS3 funciona en la nube y se conecta a los programas, archivos y páginas web del ordenador mediante un agente local. El agente se instala en Windows, Mac o Linux.
- El sistema utiliza la tecnología DLAM —Direct Large Action Model.
- Ejecuta tareas en programas locales y también escribe y depura código.
- Una cuenta conecta hasta cinco ordenadores; OS3 elige por sí misma en cuál ejecutar la tarea.
Criterio práctico: este sistema es adecuado para tareas que requieren acceso a los programas y archivos del ordenador.
Chat y habilidades de terceros
La interfaz de OS3 consiste en un único chat continuo, sin hilos de conversación separados. El usuario puede pegar en él un enlace público a la habilidad de un agente de terceros.
Después, OS3 instalará la habilidad automáticamente. La interacción permanece en el chat general, en lugar de pasar a un hilo separado.
Criterio práctico: la principal diferencia de la interfaz es el diálogo único y la instalación de habilidades mediante un enlace público.
Claves y pago
OS3 utiliza el modelo Bring Your Own Key (BYOK): no hay una cuota mensual. Para usarlo, el usuario proporciona sus propias claves de API, por ejemplo, de OpenAI o Anthropic.
En lugar de claves de API, se pueden conectar modelos locales de código abierto. En ambos casos, el usuario proporciona por su cuenta el método elegido para acceder al modelo.
Criterio práctico: el modelo requiere una clave de API propia o la conexión de un modelo local; no hay una cuota mensual.
Qué planes tiene Rabbit para sus dispositivos
Rabbit ya no fabrica Rabbit R1 y las existencias del dispositivo están disminuyendo. La empresa no tiene planes de lanzar Rabbit R2.
Rabbit ha anunciado que su próximo dispositivo de hardware será Cyberdeck, una máquina especializada para hacer vibe coding que funciona con OS3. Jesse Lyu dijo que debería aparecer en cuestión de «meses».
Criterio práctico: Rabbit está apostando cada vez más por la plataforma de software; entre sus próximos dispositivos, la empresa anuncia Cyberdeck, no una nueva versión del R1.
Preguntas frecuentes
Material similar
Todos los materiales
Evaluación de agentes de programación en el desarrollo interactivo de XR: resultados de GenXR-Bench
Se ha publicado GenXR-Bench, un conjunto de 112 tareas expertas para evaluar de forma integral agentes de programación en el desarrollo interactivo de XR: desde la mejora de funciones y la corrección de defectos hasta la creación de aplicaciones con verificación del comportamiento en dispositivos de consumo. Entre los diez modelos probados, el mejor resultado fue un 50,9 % en Pass@1; los fallos recurrentes incluyeron la gestión de eventos asíncronos de sensores, el anclaje de objetos al espacio real y la comprensión de las interacciones en un contexto físico.
5 noviembre 2026
Anotación híbrida de imágenes: la automatización acelera el entrenamiento de modelos de visión por computadora
El artículo describe cómo el preetiquetado mediante algoritmos reduce el trabajo manual y mejora la calidad de los conjuntos de datos de entrenamiento, así como por qué sigue siendo necesaria la verificación selectiva por parte de una persona. También se analizan las limitaciones del método en condiciones de captura difíciles y con tipos de objetos poco frecuentes.
5 noviembre 2026
De la recompensa escalar al frente de Pareto: síntesis RTL de LLM mediante aprendizaje por refuerzo multiobjetivo
Se propone un método para entrenar un modelo de lenguaje para que genere no un solo diseño, sino un conjunto de candidatos RTL con distintos compromisos entre área, latencia y consumo energético; la recompensa se basa en la contribución de cada variante al hipervolumen del frente de Pareto. En RTLLM v2, el hipervolumen relativo aumentó 13,3 puntos porcentuales frente a la versión base sin optimización PPA y 14,4 puntos porcentuales frente al entrenamiento por refuerzo con un único objetivo.
5 noviembre 2026