{
  "date": "21 de octubre de 2026",
  "weekday_long": "miércoles",
  "edition": "Edición nº 24",
  "tagline": "IA de pesos abiertos y software libre, cada mañana",
  "lead": {
    "title": "TorchTPU es abierto: Google y Hugging Face convierten la TPU en un dispositivo PyTorch más, y vLLM y SGLang ya corren sobre ella",
    "summary": "Google ha abierto el código de *TorchTPU*, un backend nativo de PyTorch para las *TPU*, y lo ha aliado con Hugging Face para que los modelos open-weight del *Hub* se ejecuten sobre él tal cual: *Transformers*, *Diffusers* y *Kernels* corren en TPU «como lo harían sobre CUDA», sin una API propietaria intermedia. La jugada llega apenas dos días después del *TorchNeuron* para Trainium de la edición de ayer, y cierra el triángulo de la semana: el ecosistema de modelos abiertos ya no necesita un idioma por hardware, y los motores de inferencia *vLLM* y *SGLang* también pasan a correr sobre TPU mediante PyTorch estándar. El anuncio en el blog de PyTorch destaca que *TorchTPU* adapta las APIs de precisión de PyTorch (fp8, int8, bf16) al hardware de TPU, y el de Google Cloud subraya que la idea es que «la TPU sea simplemente otro *device*». Para quien autohospeda, el mensaje de fondo es el mismo que el de *TorchNeuron*: la barrera de integrar un acelerador no-NVIDIA en la pila estándar sigue cayendo, y esta vez la nube implicada es la de Google, que además abre los kernels y las recetas.",
    "tags": ["torchtpu", "tpu", "google-cloud", "pytorch", "open-source", "vllm", "sglang", "hugging-face"],
    "links": [
      {"label": "Blog de Hugging Face (TorchTPU)", "url": "https://huggingface.co/blog/hf-torchtpu"},
      {"label": "Google Cloud: TorchTPU is now open source", "url": "https://cloud.google.com/blog/topics/ai-infrastructure/torchtpu-is-now-open-source-run-native-pytorch-on-tpus"},
      {"label": "Blog de PyTorch (Introducing TorchTPU)", "url": "https://pytorch.org/blog/introducing-torchtpu/"}
    ]
  },
  "sections": [
    {
      "title": "Modelos",
      "notes": [
        {
          "title": "Muse-Spark-Open de Meta: un MoE multimodal de 816B (42B activos) en pesos abiertos, con recetas BF16 y NVFP4",
          "summary": "Meta estrena *Muse-Spark-Open* (meta-models/Muse-Spark-Open-816B-A42B), la versión de pesos abiertos de *Muse Spark*: un *mixture-of-experts* multimodal con ~816B de parámetros totales y 42B activos por token, posicionado por el propio fabricante como su mejor modelo open-weight estadounidense y con fortaleza marcada en código y agentes. Meta publica las dos recetas de ejecución que importan para el self-hosting —*BF16* y *NVFP4*—, así que un *workstation* con suficiente VRAM (o un despliegue multi-acelerador) puede llevarlo a producción sin una capa de traducción. *NVIDIA-NeMo AutoModel* ya lo lista en su cobertura de visión-lenguaje, y la carta de modelo lo compara a esfuerzo de razonamiento alto contra varios rivales. Es el tipo de fichaje que redefine el techo de lo que un equipo puede correr sobre hardware propio.",
          "tags": ["meta", "muse-spark", "moe", "multimodal", "open-weights", "nvfp4", "bf16"],
          "links": [
            {"label": "Hugging Face (modelo)", "url": "https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B"},
            {"label": "Meta AI: Build with Muse Spark Open", "url": "https://dev.meta.ai/resources/blog/build-with-muse-spark-open"}
          ]
        },
        {
          "title": "LTX-2.5 de Lightricks: un «world model» de video con pesos abiertos, para correr y fine-tune en tu propio hardware",
          "summary": "*Lightricks/LTX-2.5* es el modelo de video más descargado del día en Hugging Face (2,04M de descargas, 8.650 likes) y se presenta como un *world model* de pesos abiertos «construido para ejecución local y *fine-tuning*»: genera video y audio sincronizados en una pasada, soporta escenas *multi-shot*, puede editar *footage* real y exporta *EXR* de calidad de cine. Lo que lo distingue entre la oleada de generadores de video es la intención explícita de uso local — con una variante *Diffusers* y un *Space* de demo —, no un *endpoint* cerrado. Para la comunidad que genera video local, es el caso de la semana: el peso, la licencia y las recetas van al *Hub* para que puedas descargarlo, correrlo y ajustarlo sin depender de una API.",
          "tags": ["video", "ltx-2.5", "lightricks", "open-weights", "world-model", "diffusers", "local"],
          "links": [
            {"label": "Hugging Face (LTX-2.5)", "url": "https://huggingface.co/Lightricks/LTX-2.5"},
            {"label": "LTX (modelo)", "url": "https://ltx.io/model/ltx-2-5"}
          ]
        },
        {
          "title": "drama-3 de Fish Audio: TTS multivoz y emocional, con español entre los idiomas soportados",
          "summary": "*fishaudio/drama-3* es un modelo *text-to-speech* multimodal de *Fish Audio* con generación de habla emocional, edición de audio y *multi-speaker*, y lista idiomas que van del inglés, chino y japonés al **español**. Está en el *trending* de modelos (847 likes) y apunta a un nicho muy concreto: síntesis de voz con control emocional y varios hablantes en la misma pista, algo que el *TTS* genérico de *LLM* no cubre. Para quien hace *podcasts*, doblaje o *voice* de *self-hosting*, es la alternativa de la semana a las voces monolíticas, y el hecho de que el español esté entre las etiquetas de idioma lo hace directamente relevante para este diario.",
          "tags": ["text-to-speech", "fish-audio", "drama-3", "multi-speaker", "emotional", "es"],
          "links": [
            {"label": "Hugging Face (drama-3)", "url": "https://huggingface.co/fishaudio/drama-3"}
          ]
        }
      ]
    },
    {
      "title": "Agentes y software",
      "notes": [
        {
          "title": "TokenSpeed: un motor de inferencia MIT «de velocidad de la luz», construido para la carga de trabajo de los agentes de código",
          "summary": "*lightseekorg/Tokenspeed* es un motor de inferencia *LLM* bajo licencia *MIT* diseñado explícitamente para la carga de trabajo de los *coding agents*: sus autores argumentan que los agentes generan *workloads* de inferencia «inusualmente exigentes» (muchas llamadas cortas, *decoding* especulativo, lotes de 4/8/16) y que un motor genérico los maltrata. La arquitectura separa un *control plane* en C++ de un *execution plane* en Python, y un sistema de *kernels* en capas con API pública y centralizada; en sus mediciones declara un ~9-11 % por encima de *TensorRT-LLM* en *workloads* agénticos. Ya lo integran como *plugin* de motor proyectos como *EAGLE-4* (decoding especulativo). Es el tipo de pieza de infraestructura que la gente que autohospeda motores de inferencia debería tener en la lista de la semana.",
          "tags": ["inference", "tokenspeed", "lightseek", "mit", "speculative-decoding", "coding-agents"],
          "links": [
            {"label": "GitHub (TokenSpeed)", "url": "https://github.com/lightseekorg/tokenspeed"}
          ]
        },
        {
          "title": "Airlink: un espacio de trabajo en vivo donde tus agentes trabajan contigo en tiempo real (self-hosted, MIT)",
          "summary": "*MemoAir-labs/Airlink* es un espacio de trabajo en vivo y autohospedado donde agentes de IA trabajan junto a tu equipo en tiempo real: docs, hojas y *slides* en vivo, un navegador compartido, un escritorio Linux y *full-duplex* por voz, y puedes traer *Claude Code*, *Codex*, *Gemini CLI* o cualquier *LLM*. Es *open source* y *MIT*. El interés no está en el «cuánto hace» sino en la arquitectura: un *workspace* donde la *colaboración* persona-agente es el objeto central, no un *chat* lateral. Para quien está montando una pila de agentes *self-hosted*, es el ejemplo de la semana del paso del «un agente por tarea» al «un espacio de trabajo compartido».",
          "tags": ["agents", "workspace", "airlink", "self-hosting", "mit", "real-time"],
          "links": [
            {"label": "GitHub (Airlink)", "url": "https://github.com/MemoAir-labs/Airlink"}
          ]
        },
        {
          "title": "nexa-bridge: tu *vLLM* y *Ollama* desde detrás de NAT, sin abrir puertos, como un proxy OpenAI en Rust",
          "summary": "*NexaEthos/nexa-bridge* (Rust) resuelve un problema clásico del *self-hosting* de modelos: exponer un *vLLM*, *Ollama*, *LM Studio* o *llama.cpp* que está detrás de NAT sin abrir puertos. Es un proxy compatible con la API de OpenAI y un túnel saliente que además hace *load balancing* entre varios servidores GPU, con app de escritorio y un comando para montar el servidor. Es exactamente el tipo de herramienta que convierte «tengo un modelo en mi casa» en «puedo llamarlo como si fuera una API de la nube», y en la semana del *TorchTPU* de la portada encaja con el hilo de la semana: bajar la fricción de correr y exponer modelos propios.",
          "tags": ["self-hosting", "rust", "nat", "openai-compatible", "vllm", "ollama", "tunnel"],
          "links": [
            {"label": "GitHub (nexa-bridge)", "url": "https://github.com/NexaEthos/nexa-bridge"}
          ]
        }
      ]
    },
    {
      "title": "Papers e investigación",
      "notes": [
        {
          "title": "CoEvo-RSI: cuando la *harness* evoluciona, ¿qué modelo debería acompañarla? (15 upvotes, lo más votado del día)",
          "summary": "Su, Zhang, Shao y Pang (arXiv 2610.25078, el paper más votado de la lista) estudian la *co-evolución* *model-harness*, un paradigma emergente para agentes de *self-improvement* recursivo (RSI) que evolucionan a la vez su *scaffold* de ejecución y sus capacidades intrínsecas. El punto que levantan: el *misalignment* «cuerpo-cerebro» es persistente y a menudo se pasa por alto — el *harness* puede mejorar mientras el modelo no sigue, o al revés, y el par no converge de forma pareja. Es el paper de la semana para quien orquesta agentes que se mejoran a sí mismos: la pregunta ya no es «¿mejo el modelo o mejo el *harness*?» sino «¿evolucionan juntos, y en qué orden?».",
          "tags": ["agents", "recursive-self-improvement", "harness", "co-evolution", "research"],
          "links": [
            {"label": "Hugging Face Papers", "url": "https://huggingface.co/papers/2610.25078"}
          ]
        },
        {
          "title": "«Más memoria, peores agentes»: reproducción de errores y *anti-persistencia* en la memoria externa de LLMs",
          "summary": "Wang, Panaganti y Zhou (arXiv 2610.27406) atacan la suposición cómoda de que más memoria externa mejora a un *LLM agent*: los agentes pueden mejorar entre tareas almacenando *experiencia* de sus propias ejecuciones en memoria externa y reutilizarla, pero el paper identifica un fallo de diseño — la *reproducción de errores* y la *anti-persistencia*, donde la memoria retiene lo que no debe o descarta lo que debería. Es el contrapunto empírico de la semana al «*agente con memoria*» como bala de plata: el *diseño* de qué se retiene y de qué se purga importa más que la cantidad almacenada. Directamente relevante para quien monta agentes con *RAG* o memoria *vectorial*.",
          "tags": ["agents", "memory", "rag", "anti-persistence", "research"],
          "links": [
            {"label": "Hugging Face Papers", "url": "https://huggingface.co/papers/2610.27406"}
          ]
        },
        {
          "title": "Specter: inferencia de MoE rápida por *offloading* especulativo multi-paso habilitado por cuantización",
          "summary": "Wang, Hou, Xia y Wang (arXiv 2511.14102) atacan el cuello de botella clásico de los *MoE*: los *experts* no caben en un solo acelerador y *ofloading*los a memoria de host crea un *bottleneck* de *PCIe I/O*, porque el *routing* dependiente de los datos deja las transferencias en el *critical path*. *Specter* lo resuelve con *offloading* especulativo multi-paso habilitado por cuantización. En la semana de un *MoE* de 816B como la *Muse-Spark* de la sección de Modelos, este es el ladrillo de inferencia que importa: cómo hacer que un modelo que no cabe en la VRAM siga siendo rápido, y no solo «cabe pero va lento».",
          "tags": ["inference", "moe", "offloading", "quantization", "pcie", "research"],
          "links": [
            {"label": "Hugging Face Papers", "url": "https://huggingface.co/papers/2511.14102"}
          ]
        }
      ]
    },
    {
      "title": "Comunidad y self-hosting",
      "notes": [
        {
          "title": "AnyLanguageModel 1.0: un año de modelos locales en Apple, con swift-huggingface 1.0 y swift-xet 1.0",
          "summary": "*Hugging Face* estrena *AnyLanguageModel 1.0* tras un año y «decenas de releases», acompañado por *swift-huggingface 1.0* y *swift-xet 1.0*: una API de un solo sitio para modelos locales y remotos en plataformas Apple. El repositorio lo define como un *drop-in replacement* compatible con la API del *Foundation Models framework* de Apple, con soporte para proveedores de modelos personalizados, y los modelos locales corren por *Core ML* o *MLX* para privacidad y *offline*. Es el *milestone* de la semana para quien lleva modelos abiertos a Mac: la pila Swift de HF madura a 1.0 y se integra con el framework de modelos de Apple en vez de pelear contra él.",
          "tags": ["apple", "mlx", "core-ml", "anylanguagemodel", "swift-huggingface", "local", "hugging-face"],
          "links": [
            {"label": "Blog de Hugging Face (AnyLanguageModel 1.0)", "url": "https://huggingface.co/blog/anylanguagemodel-1-0"},
            {"label": "GitHub (AnyLanguageModel)", "url": "https://github.com/huggingface/AnyLanguageModel"}
          ]
        },
        {
          "title": "MPS en PyTorch 2.15: el backend *Metal* que usan los Macs para correr modelos abiertos, mejorado",
          "summary": "El blog de Hugging Face documenta las mejoras del backend *MPS* (*Metal Performance Shaders*) en *PyTorch 2.15*, el camino por el que los usuarios de *Apple silicon* corren modelos abiertos en su propio hardware. Es la contrapartida de Apple al *TorchTPU* de la portada: mientras Google abre el camino para la TPU, el equipo de HF sigue puliendo el *backend* nativo para el *Mac*, que es donde mucha de la comunidad *self-hosted* del *LocalLLaMA* tiene su *workstation*. Menos estrellas que un anuncio de modelo, pero el *backend* sobre el que corre la mitad de la inferencia local del mundo *Apple*.",
          "tags": ["apple", "mps", "pytorch", "metal", "self-hosting", "backend"],
          "links": [
            {"label": "Blog de Hugging Face (MPS in PyTorch 2.15)", "url": "https://huggingface.co/blog/mps-pytorch-2-15"}
          ]
        },
        {
          "title": "MuckScraper: un agregador de noticias *self-hosted* con puntuación de sesgo y resumen por un LLM local",
          "summary": "*grregis/MuckScraper* es un agregador de noticias autohospedado que agrupa fuentes, puntúa el *sesgo* de cada artículo y genera resúmenes con un *LLM* local (la nota de HN lo subraya: «un *LLM* no es una fuente de verdad, así que correlo localmente»). Es el ejemplo de la semana de la *aplicación* *self-hosted* de la semana: no es un *wrapper* de API, es una herramienta que corre en tu máquina y usa tu propio modelo para el análisis. Encaja con el hilo recurrente de la comunidad *LocalLLaMA* — *feeds* de noticias, *briefings* y agregadores que ponen tu modelo local a trabajar en algo útil, no en un *chat*.",
          "tags": ["self-hosting", "news", "llm", "rss", "local-llm", "bias"],
          "links": [
            {"label": "GitHub (MuckScraper)", "url": "https://github.com/grregis/MuckScraper"}
          ]
        }
      ]
    }
  ],
  "colophon": {
    "title": "IA Abierta Hoy",
    "short_title": "IA*A*Hoy",
    "made_with": [
      "el skill iaahoy-daily-edition (https://github.com/jgbarahbot/iaahoy-daily-edition) — recolección, curado y publicación",
      "el skill espanish-podcast (https://github.com/jgbarahbot/espanish-podcast) — el podcast en audio"
    ],
    "fineprint": "Contenido generado automáticamente a partir de fuentes públicas por Hermes, usando Qwen3.8-27B, para que lo disfrutes y te sea útil."
  }
}
