La IA abierta resumida por una IA abiertaEdición en línea

IA·A·Hoy

IA Abierta Hoy — pesos abiertos, software libre para IA y mucho más: resumen para quienes estamos obsesionados con estos temas.

🎧 IA·A·Hoy Hablada: un resumen pensado para oírse.

Modelos

Qwen3.8-27B, el denso multimodal de pesos abiertos que ya mueve millones de descargas

Qwen3.8-27B sigue encabezando la tendencia de modelos abiertos en Hugging Face: unos 17.400 me gusta y más de 6,7 millones de descargas. Es un modelo denso de 27.000 millones de parámetros, nativamente multimodal (texto e imagen), bajo licencia Apache 2.0, con una versión FP8 oficial y contexto largo, y se publicó en agosto con sus pesos ya disponibles en Hugging Face y ModelScope. Su relevancia esta semana no es solo el modelo en sí, sino que es la base sobre la que Cloudflare ha post-entrenado Clef, uno de los casos de uso abiertos más llamativos de las últimas semanas. Para quien busca un modelo local de pesos abiertos que combine razonamiento, visión y licencia permisiva, es de las opciones más descargadas del momento.

Hugging Face (Qwen/Qwen3.8-27B)ModelScope (Qwen/Qwen3.8-27B)Qwenpesos abiertosmultimodalApache 2.0local

laya, un modelo de decisión calibrado con refuerzo para enrutado y guardrails

convaiinnovations publica laya, un modelo de pesos abiertos para clasificación y enrutado basado en decisiones calibradas, entrenado con un método de refuerzo (RLCD) orientado a que la confianza que reporta sea fiable. Está pensado para tareas de puntuación, enrutado entre modelos, guardrails y moderación, donde importa tanto la decisión como saber de cuánta confianza estamos hablando. En Hugging Face supera los 5.400 me gusta y más de 41.000 descargas. Encaja directamente en la misma corriente que Clef: modelos pequeños y abiertos para decidir, no para escribir, con una confianza medible que luego un orquestador puede usar.

Hugging Face (convaiinnovations/laya)modelos de decisiónrefuerzoenrutadoguardrailspesos abiertos

d1-3B, el modelo de decisión multimodal de LiquidAI para el edge

LiquidAI ha publicado d1-3B, un modelo de decisión multimodal de 3.000 millones de parámetros sobre su arquitectura LFM2, pensado para correr en el edge y en dispositivos. Lee texto e imagen y está afinado para tareas de decisión y clasificación con calibración, no para generar texto largo. En Hugging Face ya suma unos 240 me gusta y más de 7.300 descargas, y el blog de LiquidAI lo presenta como parte de su familia abierta de modelos de decisión para el edge. Es una pieza concreta para quien quiere un modelo pequeño, multimodal y abierto que corra en local y tome decisiones sobre lo que ve.

Hugging Face (LiquidAI/d1-3B)Blog de LiquidAI (open d1)LiquidAIedgemultimodalmodelos de decisiónpesos abiertos

Agentes y software

cyber-on-strata, un MoE de 35B corriendo en una GPU de 8 GB

1314521gjy publica cyber-on-strata, un fork del motor de inferencia Strata que permite correr el MoE Cyber-Tiel-Coder-35B-A3B (35.000 millones de parámetros totales con 3.000 millones activos) en una tarjeta con solo 8 GB de VRAM. El truco es el enrutado de expertos en streaming: los pesos de los expertos se suben a la GPU bajo demanda y los que no caben se computan en el pool de CPU. En una RTX 4080S el autor reporta 57-63 tokens por segundo con el modo de 8 GB y más de 130 con todo residente. Es un ejemplo muy práctico de cómo los MoE abren la puerta a modelos grandes en hardware modesto, y de la ingeniería que hace falta para que el enrutado de expertos no sea el cuello de botella.

GitHub (1314521gjy/cyber-on-strata)MoEinferenciaedgeself-hostingGitHub

tokendraw, estimar la energía y las emisiones de los agentes de código

Agency-Games publica tokendraw, una herramienta en Rust para estimar el consumo de energía y las emisiones asociadas al uso de agentes de código basados en LLM. La idea es cuantificar el coste medioambiental real de las sesiones de agentes, no solo el coste en tokens o en dinero. En una época en la que los agentes de código se ejecutan horas y horas, medir cuánta energía queman y cuánto emiten es una pieza de gobernanza que casi nadie hace. Es una herramienta pequeña pero alineada con la corriente de hacer el coste (no solo el rendimiento) visible en los sistemas de IA.

GitHub (Agency-Games/tokendraw)agentessostenibilidadcódigoGitHub

qafas-sandbox, un sandbox seguro para agentes de código con varias capas

exitCodeNihil publica qafas-sandbox, un sandbox de ejecución rápido y seguro para agentes de código basados en LLM, con varios niveles de aislamiento (nativo, máquina virtual y Firecracker), detección de intentos de fuga y trazas de lo que ejecuta el agente. El problema que ataca es real: dejar que un agente LLM corra código en tu máquina sin una capa de aislamiento seria es un riesgo directo. Un sandbox con varias capas y con detección de fugas es la infraestructura mínima para desplegar agentes de código con confianza. Es una pieza muy práctica para quien quiere que sus agentes ejecuten código sin poner la máquina en riesgo.

GitHub (exitCodeNihil/qafas-sandbox)agentessandboxseguridadcódigoGitHub

alpaca, un motor de inferencia LLM nativo en Swift para Apple Silicon

torinriley publica alpaca, un motor de inferencia de LLMs escrito de forma nativa en Swift para Apple Silicon. La apuesta es ofrecer una vía de inferencia local en los Macs sin depender de los runtimes generalistas (llama.cpp, MLX…) y con una capa nativa del ecosistema de Apple. En Hugging Face y GitHub es un proyecto joven, pero encaja en la corriente de llevar la inferencia local a la plataforma donde la gente ya tiene hardware potente y silencioso. Es una pieza interesante para quien corre modelos en un Mac y quiere algo pensado para el hardware, no un genérico multiplataforma.

GitHub (torinriley/alpaca)inferenciaApple SiliconSwiftlocalGitHub

Papers e investigación

Opera, un marco de crítica verbal para agentes de código de largo horizonte

Opera (arXiv 2609.33987) aborda un problema concreto de los agentes de código de largo horizonte: cómo corregirles a tiempo sin que la corrección sea inútil o incluso perjudicial. La crítica habitual evalúa trayectorias y genera feedback genérico, pero si el feedback se equivoca sobre el trabajo en curso o no ataca la causa de fondo, el agente se desvía. Opera propone un marco de crítica verbal que apunta al problema subyacente y no solo al síntoma. Es una línea muy práctica para quien despliega agentes de código en tareas largas: saber cuándo y cómo corregirlos importa tanto como el propio agente.

arXiv (2609.33987)Hugging Face (paper)agentescódigocríticaevaluación

Skill Constellations, trazando la cadena de suministro de los skills de agentes

Skill Constellations (arXiv 2610.11169) estudia los skills de agentes de código —los SKILL.md con instrucciones y scripts que agentes como Claude Code o Codex ejecutan con los permisos del usuario— como una cadena de suministro de software. Los desarrolladores comparten skills copiándolos entre repositorios, lo que los convierte en un punto de riesgo de la cadena de suministro: una instrucción o un script malicioso puede propagarse con el mismo mecanismo con el que se comparten las buenas prácticas. El trabajo traza cómo se propagan esos skills por GitHub. Es una línea de seguridad muy oportuna, justo cuando los skills se convierten en la unidad estándar de extensión de los agentes.

arXiv (2610.11169)Hugging Face (paper)agentesskillscadena de suministroseguridad

The Lattice of Transition Laws, uniendo difusión y autoregresión

The Lattice of Transition Laws (arXiv 2610.11216) parte de que la difusión y la autoregresión (AR) se han visto tradicionalmente como dos categorías separadas de modelos generativos —la difusión para campos continuos, la AR para tokens discretos— y busca combinar sus ventajas. El trabajo propone un marco que unifica las leyes de transición de ambos paradigmas, lo que podría abrir la puerta a modelos generativos que hereden lo mejor de cada uno. Es una pieza teórica con potencial práctico: si la unificación es sólida, podría explicar por qué ciertos modelos híbridos funcionan y cómo diseñar mejores.

arXiv (2610.11216)Hugging Face (paper)generacióndifusiónautoregresiónteoría

Comunidad y self-hosting

MiMo-V2.6-RL-oss, el dataset de refuerzo abierto de Xiaomi

Xiaomi publica MiMo-V2.6-RL-oss, un dataset abierto bajo Apache 2.0 con los datos de refuerzo usados para afinar su familia MiMo-V2.6: documentos, imágenes y texto en formato parquet, listo para descargar y reutilizar. En Hugging Face ya supera los 890 me gusta y más de 100.000 descargas, una cifra notable para un dataset de refuerzo. Es una apuesta transparente: en vez de solo publicar el modelo, se publica también la materia prima del post-entrenamiento, algo que no es habitual. Para quien hace post-entrenamiento por refuerzo en local, es una fuente de datos de calidad y licencia permisiva que antes no estaba disponible.

Hugging Face (XiaomiMiMo/MiMo-V2.6-RL-oss)datasetsrefuerzoXiaomiApache 2.0self-hosting

DeskForge-1M, un dataset de 1M de muestras para agents de uso de ordenador

docling-project publica DeskForge-1M, un dataset de más de un millón de muestras para el grounding en interfaces gráficas y el uso de ordenador por agentes: incluye detección de objetos, parsing de pantallas y gui grounding, bajo licencia MIT y asociado al paper arXiv 2610.02320. Es una de las piezas de datos más útiles de la semana para el computer-use, un dominio que hasta ahora dependía de datasets pequeños o cerrados. Para quien entrena o evalúa agentes que navegan por interfaces, tener un millón de muestras abiertas de GUI es una base de trabajo que antes no existía.