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

NVIDIA y AI4Bharat: Nemotron-pretraining-Indic-v1, 2,8 billones de tokens indios con pipeline de datos abierto

NVIDIA y AI4Bharat publican Nemotron-pretraining-Indic-v1, un corpus de preentrenamiento de 2,8 billones (2.8 T) de tokens para las lenguas del sur de Asia, y —lo más importante para la comunidad— el pipeline abierto de generación de datos con el que se produjo: un proceso transparente que va de documentos fuente en inglés a textos en lenguas indicas. Es un caso de referencia de cómo se hace un corpus de preentrenamiento serio y reproducible, y abre la puerta a fine-tunings y auditorías sobre cómo se construyen los datos. Ya está disponible en Hugging Face junto a la línea Nemotron.

Blog (Hugging Face)Datasets de NVIDIAopen-datapretrainingnvidiaai4bharatindic-languages

Unlimited-OCR de Baidu: un VLM de OCR multilingüe bajo MIT, con 1,5 millones de descargas

Baidu libera Unlimited-OCR, un modelo de visión-lenguaje (VLM) para OCR multilingüe, bajo licencia MIT y con código propio (custom code). Con casi 4.800 likes y más de 1,5 millones de descargas, ya es uno de los modelos de OCR abiertos más descargados, y viene con su propio paper (arXiv 2606.23050). Para quien trabaja con documentos, escaneos o capturas en varios idiomas, es el punto de entrada de la semana a un OCR que se corre en local.

Hugging FacearXivocrvision-languagemultilingualmitbaidu

MiniCPM-V 4.7 (35B-A3B y 1B) de OpenBMB: el MoE multimodal on-device, Apache 2.0

OpenBMB actualiza la familia MiniCPM-V a la 4.7, con dos tamaños: un MoE de 35B totales con 3B activos y una versión de 1B, ambos multimodales y bajo Apache 2.0, orientados explícitamente a equipos on-device. La idea de siempre de la línea: un modelo de visión-lenguaje que cabe en móviles y edge, con calidad suficiente para asistentes locales, documentación y visión. Un candidato serio para quien quiere un ojo local sin nube.

Modelo 35B-A3BModelo 1Bmultimodalmoeon-deviceapache-2.0openbmb

humanizer de jialinyyzz: un fine-tune de Gemma 4-12B que 'des-robotiza' el texto (Apache 2.0, GGUF)

jialinyyzz/humanizer es un fine-tune de Gemma 4-12B, en GGUF y Apache 2.0, especializado en reescribir texto para que suene menos generado: parafraseo, transferencia de estilo y depuración de los tics típicos de los modelos (más de 1.900 likes). Es el tipo de modelo pequeño y barato que encaja perfecto en una tubería de contenido autohospedada: antes de publicar, el texto pasa por el 'humanizador' local.

Hugging Facefine-tuninggemma-4ggufstyle-transferlocal-llm

Agentes y software

DeepSeek-V4.1-Flash-1017 en dos DGX Spark: TensorFold TP2, scripts y resultados de lucataco

Poniendo los pies en la tierra del modelo de la portada: lucataco/DeepSeek-V4.1-Flash-2x-DGX-Spark documenta DeepSeek-V4.1-Flash-1017 corriendo en dos NVIDIA DGX Spark (GB10) con TensorFold y paralelismo tensorial 2, incluyendo la corrección del chat template y medidas de velocidad y calidad. Es el tipo de repositorio que la comunidad busca el primer día de un lanzamiento: cómo se sirve en hardware que la gente puede tener, no solo en un clúster.

GitHubdeepseekdgx-sparkinferencetensor-foldtrending

vramkit: compresión de VRAM para inferencia, con KV-cache int8 'casi sin pérdida' por canal

SRKRZ23/vramkit ataca el coste de memoria de la inferencia por dos frentes: un codificador de pesos sin pérdidas que reduce un 33 % frente a la cuantización a 4 bits (y supera a zstd en pesos reales de Qwen), y una compresión de la caché KV que se integra en PyTorch. El hallazgo central: cuantizar las keys del KV por canal (no por token) da un int8 casi sin pérdida, con +0,1 % de perplejidad real y el doble de cabida. Funciona en ROCm, CUDA, MPS y CPU.

GitHubinferencevramkv-cachequantizationpytorch

konsey-cli: un 'consejo' de varios modelos de LLM sobre los agentes que ya pagas

slmndrmz1134/konsey-cli monta un consejo (en el estilo del llm-council de Karpathy) sobre los agentes CLI que ya tienes: Codex, Antigravity, OpenCode, Claude Code. En Python estándar, listo para Windows, y con un skill para Claude Code. La idea: en vez de confiar en un solo modelo, que varios opinen y se contrasten entre sí —una forma barata de reducir el sesgo de un único LLM en decisiones importantes.

GitHubagentsllm-councilclimulti-model

awesome-llm-on-anything: LLMs locales en hardware que no debería poder con ellos

emrehangorgec/awesome-llm-on-anything es una lista curada (ya en tendencia de GitHub) de modelos de lenguaje corriendo localmente sobre hardware 'que no debería poder': consolas, SBCs, portátiles antiguos, hardware embebido. Es el tipo de recurso que captura el espíritu del ecosistema de pesos abiertos: cada día, el modelo cabe en más cosas.

GitHubawesomelocal-llmedgecurated

Papers e investigación

semCER: un carácter de error no es igual que otro (OCR pesado por severidad)

Nguyen y Zang muestran que la tasa de error de caracteres (CER), la métrica estándar de OCR, trata un simple typo y un nombre equivocado igual de mal. Introducen semCER, que mantiene la alineación y el denominador del CER pero carga cada edición según su severidad semántica. Publicar la semana de la llegada de Unlimited-OCR de Baidu, encaja perfecto: se necesitan métricas que midan el daño real, no solo la distancia edit.

arXivocrevaluationmetricsresearch

Copy-Paste Language Models: mejorar el copia-y-pega en contexto con modelado explícito

Godey y Artzi desmontan la intuición de que los transformers copian bien de su propio contexto: muestran que la capacidad de copy-paste de los LLMs se puede mejorar con un modelado explícito del copiado, y proponen CPLMs (Copy-Paste Language Models). Relevante para tareas donde el modelo debe replicar fragmentos exactos —extractos, código, tablas— y para entender un fallo silencioso que los benchmarks rara vez miden.

arXivHugging Face Papersarchitecturecopy-pastetransformersresearch

LeanPRM: supervisión de proceso anclada en Lean para verificar pruebas matemáticas paso a paso

LeanPRM aborda el cuello de botella de verificar las pruebas matemáticas largas que los sistemas de IA ya saben escribir: un verificador aprendido que comprueba el paso a paso, entrenado sin etiquetar la corrección de cada paso a mano, anclando la supervisión al verificador formal Lean. Es la vía para que las pruebas generadas dejen de depender de un auditor humano o de un checker lento.

arXivmathprocess-supervisionleanproofsresearch

Comunidad y self-hosting

deepseek-local-guide-ru: la guía completa (en ruso) para correr DeepSeek en local

En tendencia de GitHub, justxor/deepseek-local-guide-ru es la guía completa en ruso para instalar y correr DeepSeek en local (V4 y R1) en PC, Mac y servidor: Ollama, llama.cpp, LM Studio, vLLM, Open WebUI, API, RAG, agentes, fine-tuning y las mejores trucos. Un buen recordatorio de que el ecosistema de pesos abiertos no es solo en inglés: la documentación comunitaria se está globalizando rápido, y con la V4.1 de hoy el repos tiene nuevo oxígeno.

GitHubdeepseekself-hostingguidecommunityrussian

llm-inference-hosting: cómo dimensionar tu servidor para el modelo, y no pagar por GPUs ociosas

qfc50785/llm-inference-hosting es una guía práctica (nueva en tendencia) sobre hosting de inferencia: cómo dimensionar un servidor para el modelo concreto, comparar costes reales y no pagar por GPUs que duermen. Para quien da el salto de la tarjeta de sobremesa al servidor propio, es el tipo de hoja de ruta que evita el error clásico: comprar potencia que el modelo nunca va a llenar.

GitHubself-hostinginferencesizingcosts

EgoDemo de LightwheelAI: video egocéntrico público con trazabilidad, para IA encarnada

LightwheelAI/EgoDemo publica un conjunto de datos de vídeo egocéntrico (demostraciones humanas) con énfasis en la trazabilidad (provenance) de cada toma. Para la IA encarnada —robótica, asistentes con visión en primera persona—, datos de demo en primera persona con procedencia clara es lo que falta para entrenar y auditar; un paso más en la infraestructura de datos abiertos más allá del texto.

Hugging Facedatasetsegocentric-videoembodied-aiprovenance