Modelos
meta-models/Muse-Spark-Open-816B-A42B es el open-weights del día: un mixture-of-experts de 816B parámetros totales (42B activos) y 1M de tokens de contexto, nativamente multimodal y construido para coding y trabajo agéntico, publicado por Meta como «el open-weight más capaz de su stack en EE. UU.». Va en la portada del trending de Hugging Face y el blog de research.meta.ai lo enmarca como la opción self-hosted de la familia Muse: weights abiertos con recetas BF16 y NVFP4, el tipo de MoE grande que encaja con las recetas de NVMe-streaming de experts que venimos viendo en la comunidad. Para el self-hoster, es el frontier-class open model de la semana: el MoE que no cabe en una GPU y sí en una receta distribuida.
black-forest-labs/flux-3-image-klein es la variante open-weights de la familia FLUX 3: un modelo de text-to-image y image editing de 5.6B parámetros que comparte los aprendizajes que BFL ha ido acumulando a lo largo de FLUX 3 a través de imagen, vídeo y audio — imagen aporta el detalle espacial, vídeo el motion — y que compone imágenes desde cero o las edita usando hasta 10 imágenes de referencia (o layout boxes) como guía. Sale como diffusion-single-file (listo para ComfyUI) y en un pipeline de diffusers, con un space de Hugging Face para probarlo directamente. Para el self-hoster de generación de imagen, es la pieza abierta de la familia FLUX 3 del día: weights que puedes fine-tunear y correr en tu propio hardware.
Lightricks/LTX-2.5 es el foundation model open-weights del día para vídeo con audio: un modelo de 22B parámetros que cubre text-to-video, image-to-video, video-to-video y las variantes con audio (audio-to-video, text-to-audio, etc.), y que genera escenas multishot en un solo paso, edita footage real y exporta EXR de calidad cinematográfica. Lightricks lo define como un «world model» open-weights que puedes fine-tunear y correr en tu hardware. Es el anchor de la semana en el espacio video+audio de Hugging Face: el foundation model abierto al que apuntan los que buscan generación de vídeo con sonido nativo, en lugar de los pipelines que pegan TTS y TTS-driven lip-sync encima.
fishaudio/drama-3 es la nueva generación de TTS de Fish Audio construida para voice direction y content creation: además del script, describes en lenguaje natural cómo debe interpretarse cada línea (emoción, ritmo, sonidos y pausas), y soporta multi-hablante, voice cloning y control natural. Es un MoE de 35B parámetros totales (3B activos) con tags de hablante y eventos inline, y llega con una receta en vLLM-Omni para servirlo. Es el counterpoint interesante del día frente al Granite Speech de la portada de ayer: no un ASR, sino un TTS «dirigido», con una receta de inference abierta. Para quien genera audio con LLMs locales, es la pieza open del stack de voz del día.
Agentes y software
Microsoft y Hugging Face publican Turning Database Grading into RL Rewards (blog de Hugging Face, 22 de octubre): la idea es tomar ThinkingBox — el benchmark que evalúa a un agente por el estado de la base de datos que deja, no por las frases que genera — y usar esas comprobaciones ejecutables de estado final como rewards de reinforcement learning para post-trainar agentes. El punto de partida es duro: un estudio citado en la semana halló que los agentes «fallan al completar la tarea» en una abultada mayoría de casos, y que lo que el agente dice que hizo no siempre coincide con lo que realmente dejó hecho. La lección práctica del team article es la del día: entrenar con checks de base de datos como reward hizo al agente mucho más consistente completando tasks multi-paso, y es una receta reproducible para quien post-trains sus propios agentes.
iofold/stablehand es un runtime de agentes self-hosted: corre cualquier harness (cualquier coding agent que tengas) dentro de sandboxes aislados, y añade la pila operativa que falta en el home-lab — streaming UI, human-in-the-loop (HITL), budgets y durable events. Es el ejemplo concreto de la semana del «el sandbox como primer cliente del endpoint local»: en vez de lanzar el agente bare en tu máquina, lo aíslas, le pones tope de gasto y un canal para que un humano intervenga cuando toca. Para la comunidad self-hosted que ya tiene un LLM en el rack, es la capa de contención del día: seguridad y control sin salir de tu propio hardware.
Yonagi043/vestigium resuelve un dolor muy concreto de los coding agents y asistentes de research: «cada respuesta deja una traza de vuelta a su página». Es un MCP server que permite a un agente leer PDFs largos por dirección (ir a la página N, extraer ese chunk) y citar la página exacta de donde viene cada afirmación. En la semana del RAG y la citas verificables — con Jev-RAG-Claim-Verification-130K y FDE-Gym en el trending de datasets — este es el ladrillo open que cierra el loop entre leer y citar: el agente no «responde de memoria», apunta a la página. Para quien monta RAG local con MCP, es la pieza de grounding de la semana.
Papers e investigación
Zhang, Fu, Tong, Zheng y col. (arXiv 2610.26233, 18 de octubre) parten de un problema muy concreto de los agentes de voz: el usuario tiene que esperar tras terminar de hablar, aunque la información actionable ya llegó antes. Los enfoques speculativos empezar a trabajar durante el speech, pero la generación acotada por chunks o «interruption al actualizar» puede romper cuando el hablante se corta. Heartbeat Thinking propone razonar y ejecutar tools de forma speculativa «mientras escucha» — un heartbeat de trabajo speculativo que no se bloquea esperando el fin del turno. Es el paper del día para quien trabaja con voice agents y la latencia del turno de user como bottleneck: el trick es empezar antes de que el speech termine.
Wang, Zhang, Liu, Feng y col. (arXiv 2610.19705, 18 de octubre) atacan el LLM routing — elegir dinámicamente y coordinar LLMs heterogéneos entre tareas diversas — porque los enfoques actuales están cristalizados en un paradigma de ejecución predefinido (single-round, multi-round o agentic), y eso no encaja con todas las tareas. RouteWeaver une la selección del modo y la ejecución en un router unificado, en vez de fijar el paradigma por adelante. Es el ladrillo del día para quien orquesta varios LLMs (el MoE de Muse-Spark de Modelos o la receta NVFP4 de NVIDIA son el substrato): cómo ruteas la tarea al modelo y al modo correcto en un paso.
Luo, Bai, Xu, Li y col. (arXiv 2610.29677, 20 de octubre) extienden la idea de recursive self-improvement — un sistema que no solo mejora su comportamiento sino también el proceso por el que se mejora — del mundo digital (agentes que re-escríben su código y validan cada versión con tests ejecutables) al mundo físico. La pregunta del paper: ¿cómo validas la auto-mejora cuando el estado a verificar no es una salida de código sino un robot actuando en el mundo? Es el counterpoint del día a la ola de «agentes que mejoran a agentes» y el más cercano a la pregunta de Physical AI que la comunidad se hace: ¿de qué sirve el auto-mejoramiento si no escala a la tarea física real*?
Comunidad y self-hosting
ibm-granite/granite-timeseries-ensemble-r1 es la pieza del día en el stack de forecasting autohospedado: un ensemble probabilístico de foundation models de series de tiempo de la familia Granite — acompañado del team article de IBM Research sobre ensemble forecasting — bajo Apache 2.0, evaluado contra GiftEval. El ensemble combina varios miembros (tspulse-r1, ttm-r2/r3, patchtst, etc.) para mejorar la calidad del pronóstico sin re-trainar de cero. Para quien monta forecasting en el rack — demanda, precio, consumo — es la receta open de la semana: un ensemble de foundation models de series de tiempo Apache 2.0 que corre local y se evalúa contra un benchmark público.
google/embeddinggemma-2 es el open-weights del día para embeddings multimodales: un modelo de feature extraction/sentence-transformers que embebe texto, imagen, audio y vídeo en un espacio común, listo para retrieval y RAG multimodal. Con ~2.850 likes en Hugging Face, es la pieza open del stack de embeddings del día: en lugar de un embedding solo de texto, un modelo unificado que sirve todos los modos y corre local. Para quien monta RAG con imágenes o audio en su propio hardware, es el encoder open que faltaba de la semana.
XiaomiMiMo/MiMo-V2.6-RL-oss es el dataset del día en la semana del ThinkingBox-Training (sección de Agentes): datos abiertos de reinforcement learning de la familia MiMo de Xiaomi, a parquet con modalidad de documents e imagen (y texto), del orden de un millón de ejemplos y Apache 2.0. Es la pieza open que cierra el loop de post-training del día: el benchmark ThinkingBox aporta el reward y este dataset el material open para el RL. Para quien post-trains LLMs locales, es el dataset de RL open que complementa la receta de rewards por base de datos de Microsoft.