datasette-tailscale 0.1a0 es un plugin experimental en fase alpha que permite ejecutar Datasette con un sidecar de Tailscale, conectándose a una Tailnet a través de localhost. Utiliza los bindings de Python para la biblioteca tailscale-rs y habilita el acceso a http://datasette-preview/.
Una publicación de Reddit presenta una comparación cuantitativa del rendimiento de las versiones en precisión reducida (cuantizadas) de Qwen3.6. El autor señala que un cálculo aproximado sugiere que Qwen3.6 mantiene un rendimiento sólido incluso a profundidades de bits más bajas, aunque se describe que las matemáticas son deficientes y no están validadas rigurosamente.
Un usuario compiló llamacpp con soporte tanto para CUDA como para Vulkan para aprovechar dos GPUs, la w7800 y otra tarjeta. La configuración logró un aumento del +10% en tokens/segundo durante la decodificación para el modelo MiniMax-M3-UD-IQ2_M-00001-of-00004.gguf, con planes de ejecutar benchmarks para evaluar las ganancias reales de rendimiento.
Un usuario compartió una publicación en Reddit que muestra al modelo de IA Le Gros Chaton operando en una radio de Toyota Corolla de 1984. La publicación destaca la capacidad del modelo para ejecutarse en hardware de gama baja, demostrando su eficiencia y accesibilidad.
Se realizó un benchmark de Minimax M3 (4-bit MLX) en un Mac Studio M3 con 512GB de almacenamiento. Los resultados muestran métricas de rendimiento de tokens y latencia para diferentes tamaños de prompt, con un rendimiento máximo de 269.1 tok/s para prompts de 8192 tokens y 172.8 tok/s para un prompt de 65k tokens, utilizando 228GB de memoria en su punto máximo.
GLM-5.2 ha sido clasificado como el primero en Design Arena, superando a Claude Fable 5, que estaba disponible anteriormente. El modelo Claude Fable 5 ya no está disponible, lo que contribuye a la posición superior de GLM-5.2.
Una publicación en Reddit pregunta si Le Gros Chaton, un próximo modelo de Mistral, será de código abierto. El modelo se describe como teniendo 1B de contexto, capacidades de auto-mejora y generación de código en francés, aunque se apaga cada tres horas y se niega a responder antes del desayuno. La publicación también cuestiona humorísticamente si 'le chaton fat' sigue siendo una terminología aceptable.
Las acciones de Zhipu suben un 33% tras el mayor interés de Wall Street en el sector de la IA de China. El repunte se produce después de que Anthropic, una empresa estadounidense de inteligencia artificial, redujera sus operaciones, lo que ha generado especulaciones en el mercado sobre las dinámicas competitivas en el desarrollo global de la IA.
GLM-5.2 se ha lanzado con pesos abiertos, una ventana de contexto de 1M, licencia MIT y dos modos de razonamiento. Los resultados iniciales muestran que se sitúa cerca de la cima en las pruebas de codificación, lo que indica un fuerte potencial en el mundo real más allá de los modelos solo por API.
La API de GLM 5.2 ya está disponible, con los pesos del modelo accesibles en Hugging Face bajo la licencia MIT y compatibles con Ollama. El modelo ofrece dos modos de pensamiento —Alto y Máximo— con una longitud de contexto de 1M, con un precio de $1.4 por cada 1M tokens de entrada y $4.4 por cada 1M tokens de salida, igual que GLM-5.1.
Approxima es un agente QA de código abierto y autoalojable que supervisa los recorridos del usuario y soporta Claude, Gemini y GPT de forma nativa. Cuenta con Modo Exploración, Pruebas A/B y Auto-reparación para adaptarse a la evolución del producto, con soporte completo para modelos locales y contribuciones de la comunidad.
Evalatro es un benchmark abierto que permite a los LLM jugar al juego real Balatro. Los modelos reciben el estado del juego como texto, toman decisiones de forma independiente y compiten para alcanzar la Ante 12, con resultados actuales que muestran un progreso limitado: mimo-v2.5-pro alcanzó la Ante 5, y deepseek-v4-pro no logró superar la Ante 8.
La liberación llama.cpp b9820 introduce mejoras de rendimiento reintroduciendo menos sincronicizaciones durante el cómputo dividido, dirigidas específicamente a los backends de CUDA. Esta actualización también proporciona binarios precompilados para macOS, Linux, Windows, Android y openEuler en CPU, GPU y aceleradores de hardware especializados.
El proyecto llama.cpp ha lanzado la versión b9816, que incluye una sincronización con la biblioteca ggml. Esta actualización proporciona binarios precompilados para las plataformas macOS, iOS, Linux, Windows, Android y openEuler.
El lanzamiento llama.cpp b9817 actualiza el backend de OpenVINO a la versión 2026.2.1 y hace que sus paquetes de lanzamiento sean autocontenidos. Esta actualización incluye varias mejoras en los operadores dentro del backend de OpenVINO, como la eliminación de conjos compute_op_type codificados y la habilitación de softmax con entrada sink.
La versión b9813 de llama.cpp introduce soporte Vulkan para hardware Intel Xe-LPG Plus mediante la adición del enumerado de arquitectura INTEL_XE1 y la habilitación de coopmat1. Esta actualización aborda comentarios de código previos, renombra el identificador de arquitectura e incluye una verificación del controlador en Windows.
El proyecto llama.cpp ha lanzado la versión b9814, que incluye una optimización para la operación `mul_mat_vecq` en Vulkan dirigida específicamente a la GPU AMD mi50. Esta actualización viene acompañada de un conjunto completo de binarios precompilados para múltiples sistemas operativos y arquitecturas de hardware.
Una publicación de blog y una publicación en Reddit instan a los usuarios a dejar de usar Ollama, citando preocupaciones sobre seguridad, privacidad y los riesgos de ejecutar modelos de lenguaje grandes localmente. El autor argumenta que las soluciones alternativas ofrecen un mejor control y seguridad para los usuarios.
Mitchell Hashimoto, fundador de Hashicorp, afirma que los modelos de lenguaje locales aún no son lo suficientemente buenos. Un usuario de Reddit discrepa de esta afirmación, señalando que durante más de un año, muchas personas han utilizado con éxito modelos locales para programación, y solo los 'vibecoders' han enfrentado desafíos.
Un benchmark evalúa LLMs pequeños (0.3B–3B parámetros) en la conversión de consultas en lenguaje natural a JSON estructurado, centrándose en el tipo de archivo, contexto temporal, especificidad y consultas combinadas. Los resultados muestran que los modelos con 0.8B–1.5B parámetros superan a los de menos de 0.5B, con el proyecto teniendo como objetivo ampliar el conjunto de pruebas y explorar el ajuste fino para mejorar el rendimiento.