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

Kimi K3.1 Pro: la variante K3 con la atención MLA sustituida por dispersa

Moonshot ha publicado la primera variante «Pro» de la familia K3: las capas de atención plena MLA se sustituyen por DSA, una variante de atención dispersa. El modelo es multimodal (texto e imagen de entrada), se distribuye con tensores comprimidos a 8 bits y en una docena de días ha acumulado más de 2.000 «me gusta» y 41.000 descargas. Es una de las nuevas arquitecturas que ya soporta llama.cpp v1.0.0.

El K3.1 Pro es la variante Pro de la familia K3, y la diferencia —según la ficha y la lista de arquitecturas del llama.cpp v1.0.0— está en la atención: las capas de atención plena de la K3 original, basadas en la atención latente multi-cabeza (MLA, de «multi-head latent attention»), se sustituyen por DSA, una variante de atención dispersa que solo calcula una fracción de las claves por consulta. El resultado es un coste menor en las secuencias largas y un servicio más rápido, de ahí el prefijo «Pro»: la misma familia, con la parte cara de la atención rediseñada. La ficha declara el par image-text-to-text —acepta texto e imagen y produce texto— y distribuye los pesos como tensores comprimidos a 8 bits.

El repositorio público se mueve rápido: creado el 2 de noviembre, suma ya 2.050 «me gusta» y más de 41.000 descargas, y entra de lleno en el nuevo estable del motor local de referencia. Un detalle que no pasa desapercibido al público self-hosting: la licencia no es una estándar —la ficha declara una licencia propia, «kimi-k3.1-pro»—, de modo que se trata de pesos abiertos con términos de uso propios, no de un modelo plenamente abierto como Apache 2.0. Vale la pena leer las condiciones antes de usarlo en un producto.

Idol: de una foto a un 3D Gaussian splat de un millón de puntos

Sperid Labs ha publicado Idol, un modelo que convierte una única imagen de un objeto —una foto, un render, una imagen generada— en un 3D Gaussian splat de hasta 1.048.576 gaussianas, incluidas las caras que la imagen original no mostraba. Corre en una GPU de consumo con 7,2 GB de VRAM en menos de 2 segundos y da de salida el formato .ply estándar del mundo 3DGS.

La receta de Idol: se toma una imagen de un objeto (una foto, un render, una imagen generada), se elimina el fondo, se enmarca el sujeto y se generan hasta 1.048.576 gaussianas que describen el objeto en tres dimensiones, incluidas las partes que la imagen original no mostraba. La salida es un archivo .ply estándar de 3D Gaussian Splatting (3DGS), el formato más extendido para representar escenas en tiempo real, así que el resultado se usa directamente en los visores y motores habituales de 3DGS. El modelo corre en GPU de consumo: 7,2 GB de VRAM y menos de 2 segundos por objeto.

Apache 2.0, código en GitHub (idol-sdk, el SDK del modelo) y una demo pública en Hugging Face Spaces: la combinación lo convierte en nota para el público self-hosting, porque el ciclo completo —de la foto de producto al activo 3D— se hace sin rigs de captura ni estudio. El equipo publica una página de proyecto con los detalles técnicos. En el panorama de pesos abiertos es una pieza pequeña pero interesante: la generación de 3D a partir de una sola imagen sigue siendo un terreno en construcción, y estas cifras apuntan a que empieza a ser práctica.

Inkling 2 Small: el MoE multimodal de Thinking Machines con pesos abiertos

La familia Inkling 2 de Thinking Machines gana una variante «Small»: un modelo multimodal generalista (texto e imagen de entrada, texto de salida) de arquitectura MoE, publicado con pesos abiertos bajo Apache 2.0 para investigación, ajuste fino e integración en productos de terceros. La ficha aporta checkpoints NVFP4 y MXFP8, un playground y la libreta de Tinker.

El Inkling 2 Small apunta al desarrollador que construye: sistemas agénticos y uso de herramientas, asistentes de código, chatbots y generación aumentada por recuperación (RAG, de «retrieval-augmented generation»). El modelo acepta texto e imagen y genera texto; la ficha declara capacidad multilingüe general además del inglés. La familia viene de la línea Inkling —la misma que el Inkling 975B que aparece en las comparaciones de la portada de hoy— y esta variante «Small» va dirigida a quien quiere ajustar o integrar en casa sin el peso del modelo insignia.

Pesos abiertos bajo Apache 2.0: la ficha es explícita en que la intención es «apoyar la investigación, el ajuste fino y la integración en productos de terceros». Los detalles que ahorran tiempo: checkpoints cuantizados en NVFP4 y MXFP8 —los dos formatos de baja precisión que las GPU actuales de NVIDIA usan de forma nativa—, un playground para probarlo, y la libreta de Tinker con recetas para ajustar el modelo con el propio marco de la empresa. Con 269 «me gusta» en diez días es un lanzamiento callado, sin benchmarks para hacer ruido, pero con licencia completa y receta completa, que para el público self-hosting es exactamente lo que cuenta.

Agentes libres

BotPsy: el asistente personal on-device con menos de mil millones de parámetros

Tether AI Research ha publicado BotPsy, un modelo de 0.8B basado en Qwen3.5-0.8B para un nicho claro: el asistente personal que corre en el propio dispositivo. La empresa lo presenta como el mejor en uso de herramientas y flujos agénticos entre los modelos de menos de 1.2B parámetros que han probado, con licencia Apache 2.0 y cobertura de ocho dominios, de la investigación en la web al control de dispositivos y vehículos.

La motivación la escribe la propia empresa en el blog: los LLM en la nube cuestan por llamada, dependen de un proveedor y plantean problemas de privacidad, y el caso de uso de asistente personal —el que más tráfico continuo tiene— es el que más lo padece. BotPsy va en la otra dirección: un modelo de 800 millones de parámetros, sobre la base Qwen3.5-0.8B, ajustado con SFT (de «supervised fine-tuning») en cuatro etapas para que sea una máquina de llamada de herramientas y de flujos agénticos que vive en el dispositivo.

La afirmación es fuerte y bien acotada: el mejor uso de herramientas y la mejor capacidad agéntica entre todos los modelos de menos de 1.2B parámetros que han evaluado, lo que en la práctica son modelos que corren en un teléfono o en un portátil sin servidor. Los ocho dominios entrenados: búsqueda y research en la web; viajes y vida diaria; comercio y finanzas; operaciones de negocio y soporte al cliente; control de dispositivos y vehículos; archivos y documentos; calendario; y correo y mensajería. Apache 2.0, pesos en Hugging Face y blog con la metodología: una nota para quien construye asistentes on-device.

Octomind: el agente de código en un binario de Rust cuya política vive en TOML, no en prompts

Octomind es un harness de agentes de código de código abierto empaquetado como un único binario estático de Rust: da a cualquier LLM las herramientas para trabajar en un repositorio (archivos, shell, búsqueda, subagentes vía MCP) y puede correr como CLI interactiva, por stdin, como daemon, servidor WebSocket o agente ACP dentro del editor. Su diferencia: en vez de parar y preguntar al humano antes de cada paso arriesgado, escribe la política como guardas en TOML y un modelo supervisor que planifica y comprueba el trabajo.

La mayoría de los agentes de código se detienen y preguntan al humano antes de cada paso arriesgado: funciona en el teclado, pero bloquea el trabajo en un CI o en segundo plano. Octomind toma esa política y la escribe: guardas en TOML que definen qué puede el agente hacer sin preguntar, más un modelo supervisor que planifica el trabajo y comprueba el resultado, de modo que la misma sesión pueda correr sin supervisión. El harness es un único binario estático —un binario, un fichero de configuración—, cualquier modelo por detrás, y todas las herramientas expuestas por MCP: leer y editar archivos, ejecutar el shell, buscar en el código y delegar en subagentes.

El resto es distribución: el mismo binario funciona como CLI interactiva en el terminal, como tubería por stdin, como daemon, como servidor WebSocket o como agente ACP en el editor, con la misma configuración. Está en crates.io, el proyecto tiene sitio web con documentación y benchmarks, y el hilo de Hacker News (56 puntos) resalta el ahorro de tokens: un harness que no repite el prompt de sistema por cada subagente. Es software del estilo que le va a la línea de esta publicación: un harness abierto cuya política es datos que puedes leer, no una caja negra.

Cosh: el agente de terminal que pone a Claude, Gemini y Codex en el mismo espacio de trabajo

Cosh es un agente de código de terminal generalista con «computer tools» —puede operar con aplicaciones gráficas—, pero su novedad real es la capa de orquestación: varios agentes distintos (Claude, Gemini, Codex, Cline) pueden correr a la vez en la misma interfaz TUI, compartiendo un espacio de trabajo y comunicándose a través de una sola interfaz. Se presenta como capa de colaboración sobre agentes existentes, no como sustituto.

La propuesta es honesta: Cosh no pretende sustituir a los agentes de código establecidos, sino trabajar junto a ellos como capa de orquestación. Concretamente: corre varios agentes de última generación (Claude, Gemini, Codex, Cline) directamente en la misma interfaz de terminal (TUI), con un espacio de trabajo compartido en el que pueden comunicarse y colaborar entre sí. Para el desarrollador que quiere probar y combinar varios agentes y sus fortalezas sin comprometerse con un solo ecosistema, es la interfaz que hace el comparison fácil —mismo proyecto, mismos ficheros, misma conversación—.

Hay además un «manager mode» que mantiene el harness de agente que ya se use (el agente CLI de la propia empresa, por ejemplo) y añade la orquestación por encima: útil para quien no quiere migrar su stack. El agente de terminal en sí trae herramientas de ingeniería de software y computer tools para interactuar con aplicaciones gráficas, y la interfaz está disponible en seis idiomas, incluido el español. El proyecto es joven —un Show HN con 10 puntos la semana pasada—, pero la nota vale por la idea: el agente del futuro quizá no sea «el mejor», sino el que orqueste lo mejor de cada uno.

GitHub: ttt490/coshmulti_agenttuiorchestration

Software libre para IA

DSpine: el modelo draft de Tencent para el speculative decoding de Qwen3.8-27B

Tencent ha publicado DSpine, un modelo draft de cinco capas para acelerar Qwen3.8-27B con speculative decoding: bloque de 16 tokens, ventana deslizante de 8.000 tokens y 7.20 de longitud media de aceptación en GSM8K (frente a 5.69 del DFlash2). Apache 2.0 y con receta para SGLang; la técnica está descrita en un paper en arXiv.

El speculative decoding funciona así: un modelo pequeño, el «draft», propone un bloque de tokens y el modelo grande los verifica en paralelo; si el bloque se acepta, cada ciclo de verificación produce más salida de la que el grande habría generado solo. DSpine es ese draft: un modelo denso de cinco capas, bloque de 16 tokens y ventana deslizante de 8.000 —la ventana es la parte que decide la calidad, porque el grande es un Qwen3.8-27B de comportamiento de contexto largo. La ficha informa de una tasa de aceptación del 95,7 % en la evaluación GSM8K, con una media de 7.20 tokens aceptados por ciclo: el valor de referencia del anterior campeón, DFlash2, es 5.69.

La técnica está descrita en un paper en arXiv (2609.36173), de ahí el nombre: el draft es un «espalda» fina, un esqueleto de la arquitectura original. Apache 2.0, pesos en Hugging Face y receta para SGLang para activarlo en el servicio. Publicado a principios de septiembre y aún en tendencia, la nota tiene impacto directo para quien sirve un Qwen3.8-27B —del tamaño de este modelo se aprovecha más de la optimización—: más tokens por segundo sobre la misma GPU, sin cambiar el modelo.

llama-sleep: aparcar el modelo en RAM y cambiarlo en 2 segundos en vez de 10

Robert Zaage ha publicado un artículo (10 minutos de lectura) sobre cómo recortar el cambio entre dos modelos de llama.cpp que llenan la GPU de 10,3 segundos a 2,1: en vez de parar el modelo saliente, se «aparca» su memoria GPU en la RAM del sistema con cuda-checkpoint. Con páginas transparentes enormes (THP) cae a 1,7 —unas 6 veces más rápido— y el prompt en caché del modelo saliente sigue intacto.

El contexto es el del servidor de casa que corre dos modelos que cada uno llena la GPU: un 12B para el asistente por voz y un 26B para las entradas largas de la automatización. Un proxy de llama-swap —el que detiene el modelo que corre y arranca el que se pide— costaba una recarga completa: 10,3 segundos por cambio, y la pérdida de la caché de prompts del modelo saliente, que en un escenario de automatización obliga a reconstruir el contexto cada vez.

La fix: en vez de parar el modelo saliente, «apcarlo» —su memoria GPU se copia a la RAM del sistema mediante cuda-checkpoint, un mecanismo que toma una instantánea del estado de CUDA— y al volver se restaura sin recargar todo. Un cambio de configuración y un wrapper pequeño, llama-sleep, bajan el cambio a 2,1 segundos y la caché de prompts sobrevive. El artículo hace las cuentas de dónde va el tiempo: la copia entre RAM y GPU se resiente sobre todo de las páginas de 4K, no del PCIe; habilitar páginas transparentes enormes de varios tamaños (una opción de kernel) la baja a 1,7 segundos. Una nota para guardar en el bolsillo de quien corra varios modelos locales sobre la misma GPU.

El artículo de Robert ZaageHacker News: el hilollama_cppgpu_memorycuda_checkpoint

Hugging Face: paga tu Hub con una cuenta de Google Cloud

Hugging Face ha publicado una guía para conectar una organización a Google Cloud y que el uso del Hub —inferencia, datasets, spaces— aparezca en la factura de GCP en vez de en una tarjeta de crédito. El camino pasa por el Google Cloud Marketplace: para las empresas que ya pagan su nube con un proceso de facturación corporativo (presupuestos, aprobaciones, cuotas), la cuenta llega con el resto de la infraestructura.

El flujo: se conecta la organización de Hugging Face al proyecto de GCP de la empresa y se activa la facturación a través del Google Cloud Marketplace; a partir de ahí, el uso del Hub de la organización —puntos finales de inferencia, datasets, Spaces— se cobra contra la cuenta de GCP. El artículo va dirigido a los equipos que ya usan Google Cloud: la factura llega consolidada, con el mismo proceso de facturación, y con los mismos controles —presupuestos, aprobaciones, cuotas por proyecto— que la empresa ya aplica al resto de su infraestructura. Ni tarjeta aparte, ni cuenta que conciliar.

Es de esas notas de ecosistema que no hacen titular pero cambian el día a día: para una empresa con varios proyectos de IA, consolidar el gasto (modelos, datos, inferencia) en un único proceso de facturación corporativo es una diferencia operativa real —y también para el público self-hosting, porque el Hub es donde viven los pesos y los datasets, y que la factura no sea una partida suelta simplifica el cierre. Es una de las pocas veces que «paga con tu cuenta de nube existente» se ofrece como camino documentado y soportado, no como experimento.

Hugging Face blog: el marketplace de GCPhugging_facegoogle_cloudbilling

Papers e investigación

Unbundling Multimodal Vision Encoding: el prior visual no es tan necesario como parecía

El paper más votado del día (13 upvotes) se mete en una de las preguntas abiertas de los LLM multimodales: ¿es un codificador visual preentrenado realmente necesario? Los autores montan un marco controlado que compara tipos de codificador a mismo presupuesto de cómputa, y la conclusión: un codificador entrenado desde cero alcanza al preentrenado en muchos regímenes —el «prior visual» que la comunidad daba por requisito es menos necesario de lo que se pensaba.

Los modelos multimodales (texto e imagen) suelen tomar la parte visual de algún sitio: un codificador preentrenado —un clasificador de imágenes, un ViT (de «Vision Transformer») entrenado sobre un gran corpus— se enchufa y se ajusta. La pregunta del paper: ¿es ese prior realmente necesario, o es costumbre? Para responderla, los autores montan un marco controlado que compara tipos de codificador a mismo presupuesto de cómputa, porque en la práctica la comparación es injusta: el codificador preentrenado llega con miles de horas de trabajo que el codificador desde cero no tiene.

La conclusión del abstract: un codificador desde cero alcanza el nivel del preentrenado en muchos regímenes —es decir, el «prior visual» no es el muro que parecía. Es un paper que importa para quien construye modelos multimodales desde cero (un público creciente en pesos abiertos, justamente porque los grandes laboratorios preentrenan la visión sobre datos cerrados): si el prior no aporta tanto como se creía, la receta se simplifica y se aligera el cuello de botella de datos del lado visual. Trece upvotes y el primer puesto en los papers diarios de Hugging Face.

arXiv: 2611.17334Hugging Face Papersmultimodalvision_encoder

The Value of Thinking: enseñar al modelo a decidir cuándo piensa

Este paper ataca el problema del «thinking cero o T»: cómo decide un modelo si responde directamente o genera una cadena de razonamiento larga. La respuesta es un «modelo de decisión híbrido» con un bloque de autorre-encaminado que estima el valor de pensar antes de comprometerse, todo sobre un solo backbone congelado y dos modos.

Los modelos de razonamiento —los que «piensan» antes de responder— tienen un coste conocido: generan miles de tokens de razonamiento aunque la respuesta sea trivial. El paper ataca lo que sus autores llaman el problema del «thinking cero o T»: el modelo debería decidir si genera cero tokens de razonamiento o hasta T, y hacerlo con una decisión informada, no con un umbral. La receta: un único backbone congelado que funciona en dos modos —rápido y directo, o razonamiento largo— y un bloque de autorre-encaminado que estima, para cada consulta, el valor de pensar antes de comprometerse con uno u otro.

El interés está en el detalle: en vez de un clasificador externo (otro modelo que decide) o de una regla fija (pensar siempre si la pregunta supera X caracteres), el re-encaminado vive dentro del modelo —un bloque que «piensa si vale la pena pensar». Es un paso en la dirección de la eficiencia del razonamiento, el tema caliente del momento: el coste de un modelo de razonamiento a escala es la suma de todos los tokens de razonamiento que no hacían falta. En el paper la comparación se hace sobre un backbone congelado, de modo que el efecto se puede atribuir al re-encaminado y no a capacidad nueva.

arXiv: 2611.16961Hugging Face Papersreasoningefficiencyself_routing

Who Remembers What?: memoria a varias granularidades para sistemas multiusuario y multiagente

El paper propone extraer las lecciones aprendidas por sistemas auto-mejorables con varios usuarios y agentes a distintos ámbitos: una lección puede pertenecer a un par usuario-agente, a un solo usuario, a un solo agente, o al ámbito global. Los autores presentan además CrossLearnBench, un benchmark nuevo para el escenario, y reportan +16 puntos de tasa de éxito frente a una línea base de ámbito único.

Los agentes que se auto-mejoran tienen un problema conocido: la memoria que acumula las lecciones aprendidas acaba mezclada. Si el agente A aprende una lección trabajando con la usuaria X, ¿esa lección es de A (el agente), de X (el usuario), del par, o de todo el sistema? El paper responde con una «extracción multi-granularidad»: cada lección se clasifica en el ámbito que mejor la describe —par usuario-agente, usuario, agente, o global— y cada ámbito mantiene su propia memoria.

La contribución es doble: el método (cómo se decide el ámbito de cada lección) y la evaluación —CrossLearnBench, un benchmark nuevo para escenarios multiusuario y multiagente, donde la línea base de ámbito global único pierde: la memoria granular gana +16 puntos de tasa de éxito. Es una nota de horizonte: los sistemas que vienen no son un agente por usuario, sino equipos de agentes con varios usuarios, y la memoria es de los primeros problemas que se rompe a esa escala.

arXiv: 2611.10439Hugging Face Papersmemorymulti_agentself_improvement

Comunidad y self-hosting

Un exinvestigador de OpenAI dice haber encontrado firmas de Blackwell en los modelos abiertos chinos

Will Depue, exinvestigador de OpenAI, ha publicado una afirmación que la comunidad está debatiendo hoy: «evidencia forense concluyente», dice, de que los últimos modelos de cuatro laboratorios chinos —DeepSeek, Moonshot, MiniMax y Ant Group— se construyeron sobre chips Blackwell de NVIDIA, prohibidos para exportar a China. El post, de hace dos días, ha subido a Hacker News hoy sábado y levanta el debate sobre la naturaleza de la evidencia.

La afirmación: Depue dice tener «evidencia forense concluyente» de que los cuatro principales laboratorios de IA chinos —DeepSeek, Moonshot, MiniMax y Ant Group— entrenaron sus modelos más recientes sobre chips Blackwell de NVIDIA, los más avanzados, y prohibidos para exportar a China. El tweet data del 12 de noviembre y ha acumulado atención; el hilo de Hacker News de hoy sábado lo lleva a la superficie, con 7 puntos pero del tipo de tema —los controles de exportación y el entrenamiento de los modelos de pesos abiertos— que tiende a multiplicar el debate.

La cautela que la propia comunidad aplica: una afirmación publicada en X sin paper revisado ni metodología reproducible todavía es eso, una afirmación —la parte «forense» del método (qué firmas son, dónde están, cómo se comprueban) es justo lo que el hilo de Hacker News está pidiendo. Si se sostuviera, sería un hecho de peso: significaría que los modelos de pesos abiertos que el público self-hosting sirve en casa se entrenaron sobre el hardware que Washington ha intentado mantener fuera de China. Si no se sostiene, será un buen recordatorio de que la «evidencia forense» que llega en un tweet necesita más. Se sigue esta semana.

El tweet de Will DepueHacker News: el hiloopen_weightsexport_controlsblackwell

Octen WebGR: 200 millones de URLs en los parámetros de un modelo de 4B

Octen ha publicado WebGR, un modelo de «recuperación generativa» que guarda 200 millones de páginas web en los parámetros de un modelo de 4B (un Qwen3-4B-Base): en vez de un índice que se consulta, el modelo genera el identificador semántico (2 tokens) de la página que responde a la consulta. Corre en una GPU de 10 GB de VRAM y da de salida un servicio de búsqueda de unos 10 milisegundos.

La recuperación generativa invierte la búsqueda clásica: en vez de un índice que se consulta (una base vectorial o un BM25), el modelo genera el identificador del documento que responde. En WebGR ese identificador es un identificador semántico de 2 tokens (SID, de «semantic ID»): el modelo de 4B, sobre la base Qwen3-4B-Base, aprende durante el ajuste fino la correspondencia entre consultas y los SIDs de 200 millones de páginas —el identificador de una página no es su URL, es un código compacto que codifica su contenido. El resultado: una GPU de 10 GB, un servicio de búsqueda de unos 10 milisegundos (la API Pulse Search) y un informe técnico con todos los detalles.

La nota para el público self-hosting: un buscador web de 200 millones de páginas que cabe en una GPU sola es una pieza concreta y reproducible —el informe explica el entrenamiento y el esquema de SIDs. Un detalle de licencia: el modelo es CC-BY-NC, no comercial, esto es, ideal para investigación y para proyectos personales, no para un producto. En Hacker News (111 puntos) el debate va sobre lo que esto significa para la infraestructura de búsqueda: si el modelo puede generar el identificador de la página, el «índice» pasa a ser parte del modelo, y eso cambia el stack entero.

Hugging Face: Octen/WebGRarXiv: 2611.15527Hacker News: el hilogenerative_retrievalweb_searchself_hosting

Revolut recorta un 10× el coste de su IA de código autoalojando GLM en vez de Claude

The Register informa de que el fín-tec británico Revolut ha recortado unos 900 puntos porcentuales de su coste de ingeniería con IA: la compañía dejó de usar Claude para el código y se autoalojó el modelo de pesos abiertos GLM sobre su propia infraestructura. La historia circula por Hacker News como ejemplo de la ecuación costes-abiertos para las empresas que procesan mucho código.

El artículo de The Register: Revolut, el fín-tec británico de millones de usuarios, movió el trabajo de IA de código a infraestructura propia: en vez de llamar a Claude —cerrado, con facturación por token— la empresa se autoalojó GLM, un modelo de pesos abiertos, sobre sus propias GPU, y el coste del trabajo de ingeniería baja unos 900 puntos porcentuales. El número del 10× está en el titular de la noticia y en el hilo de Hacker News (más de 190 puntos), y el debate gira en torno a lo que significa a escala: para una empresa que genera un volumen grande de código al día, la diferencia entre una API por token y GPU propia acaba siendo la diferencia entre un presupuesto y una partida.

Es de los terceros o cuartos casos del tipo que la comunidad ha documentado en los últimos meses: una empresa con volumen real, coste real, y la decisión de autoalojar. La cautela que señala el hilo de Hacker News: el self-hosting tiene un coste operativo que el titular no muestra —el equipo de servicio, la cuantización, la evaluación—, y solo se paga a volumen. Pero la dirección es clara: para las cargas de IA de flujo continuo, los pesos abiertos sobre infraestructura propia están dejando de ser una apuesta filosófica para ser una alternativa económica real.

Repos en tendencia
rtx233/newapi-bionic-plugin★ 3
Plugin de la comunidad de New API para enchufar los modelos que corren en Bionic (aplicación de escritorio) en la pasarela, con Responses, Claude Messages, Gemini, completados y embeddings.
JavaScript · MIT
Noman654/hybrid-llm-serving★ 1
«¿A dónde fue el tiempo?»: perfilado del servicio de un LLM híbrido (Qwen3.8-27B, Gated DeltaNet + atención) sobre H100 con vLLM: 1.72× de mejora.
Python · Apache-2.0
carloseduardoscsouza-dot/prompt-shield★ 1
Linter de seguridad ultra-rápido (menos de 1 ms) y sin dependencias para prompts de LLM y flujos agénticos; protege OpenAI, Claude y el resto.
Python · MIT
Dariaaa/base-agent★ 1
Agente local de LLM para Obsidian y cualquier carpeta de notas: roles intercambiables, respuesta en cualquier idioma, búsqueda semántica, sin dependencias externas.
Python
ntwarikbrian/colab_llms★ 2
Notebooks para correr modelos de código de alto rendimiento con LLM agénticos, con el objetivo de igualar a los modelos cerrados sin salir de casa.
Jupyter Notebook
Comunidad en ebullición