Modelos abiertos e inferencia local
Qwen 3.8 27B. El Qwen 3.8 27B de Alibaba, con licencia Apache-2, corre en portátiles de gama alta y GPUs locales; el modo de razonamiento xhigh ofrece buenos resultados, pero tiende a pensar de más. Las optimizaciones de la comunidad lo llevan a 381 tps en una RTX 3090, y las versiones cuantizadas funcionan en 16 GB de VRAM. El MoE de 35B no se publicará, pero se espera un nuevo modelo de pesos abiertos de tamaño medio la próxima semana.
- Qwen 3.8 27B is excellent, but it defaults to wildly overthinking things(se abre en una pestaña nueva)
- Simon Willison: Qwen 3.8 27B is excellent, but it defaults to wildly overthinking things(se abre en una pestaña nueva)
- I just ran Qwen 3.8 27 in Q4 against GPT 5.6 Sol high - and it easily won against SOL - complex animated SVG tasks(se abre en una pestaña nueva)
- Qwen 3.8 27b vs 3.6 27b - how good is with a Turtle library.(se abre en una pestaña nueva)
- Anyone else get a kick out of Qwen 3.8 27B Reasoning Dialogue?(se abre en una pestaña nueva)
- Share your favorite thoughts and reasoning from running Qwen 3.8 27b. This is mine.(se abre en una pestaña nueva)
- Qwen3.8 27B reasoning effort low/medium/xhigh comparison(se abre en una pestaña nueva)
- Qwen 3.8 2.4T at 288k tokens/s on Nvidia GB300 NVL72(se abre en una pestaña nueva)
- Newer commits removed the Qwen 35B(se abre en una pestaña nueva)
- Qwen 3.8 27b in 24gb of VRAM(se abre en una pestaña nueva)
- Qwen3.8-27b on RTX 3090 - 82 tps single request, up to 672 tps peak(se abre en una pestaña nueva)
- Qwen3.8-27B Hybrid IQ4_XS quantization for 16GB gang(se abre en una pestaña nueva)
- Qwen3.8 27B Q2 vs Q3 vs Qwen3.6 35B-A3B MoE on 12GB VRAM(se abre en una pestaña nueva)
- Qwen 3.8 27B scores 52 on the Artificial Analysis Intelligence Index(se abre en una pestaña nueva)
- AA is the reason for Qwen3.8 27B shipped with xhigh(se abre en una pestaña nueva)
- Artificial Analysis' Qwen3.8-27B benchmarks put it neck and neck with DeepSeek V4 and GPT-5.6 Luna Max(se abre en una pestaña nueva)
- Optimizing Qwen3.6 / Qwen3.8-27B on 16GB VRAM: Complete Benchmark Results and Setup Guide (~30-50tps at 32k to 72k context)(se abre en una pestaña nueva)
- After pushing 1M+ tokens through Qwen 3.8 27B, here is my optimal llama.cpp config for 16GB VRAM (73k Context, Agentic Coding)(se abre en una pestaña nueva)
- Local agentic coding Benchmark : Qwen 3.8 27B (in many weights quants / cache quants / engine / reasoning effort) vs others.(se abre en una pestaña nueva)
- Qwen dev says not to wait for 35B-A3B(se abre en una pestaña nueva)
- Waiting for Qwen 3.8 35B A3B(se abre en una pestaña nueva)
- Qwen 3.8 35bA3b wen?(se abre en una pestaña nueva)
- Qwen 3.8 35b and 122b - We hope/wait/beg for models incessantly. But how do we actually give the lab more incentive to make it?(se abre en una pestaña nueva)
- Qwen3.8-27B on 2x 3090 + vLLM + DFlash2: 218 tok/s single request(se abre en una pestaña nueva)
- I pushed Qwen3.8-27B to 124 tps on a single request on a RTX 3090(se abre en una pestaña nueva)
- I tested DFlash2 for Qwen3.8 27B on a 5090(se abre en una pestaña nueva)
- DFlash 2 available for Qwen 3.8 27B and Muse Glimmer(se abre en una pestaña nueva)
- DFlash 2: Keep Drafting Parallel(se abre en una pestaña nueva)
- New midsize Qwen 3.8 model coming next week (hopefully) according to community manager!(se abre en una pestaña nueva)
- How I made DeepSeek V4 Flash 12x faster on an M3 Ultra(se abre en una pestaña nueva)
- Running DeepSeek V4 Flash Q4_K_XL at ~100 tok/s prompt processing on 4× RTX 3060 12GB(se abre en una pestaña nueva)
- I pushed Qwen3.8-27B limits again... Dflash2 - 134 tps on a RTX 3090(se abre en una pestaña nueva)
- DFlash2 speeds Qwen 3.8 27B up to 4 times(se abre en una pestaña nueva)
- Introducing Qwen3.8-27B Dynamic v3 Unsloth GGUFs(se abre en una pestaña nueva)
- updated unsloth/Qwen3.8-27B-GGUF · Hugging Face(se abre en una pestaña nueva)
- Qwen3.8-23B-Mini-Me: A Depth-Pruned Qwen3.8-27B (to ~22.7BB)(se abre en una pestaña nueva)
- NVFP4 on VOLTA! Despite being built for Blackwell, I made four 2017 V100s run Qwen 3.8 NVFP4 natively and match my $6000 RTX 5090.(se abre en una pestaña nueva)
- I pushed Qwen3.8-27B to 381 tps for a single request on a RTX 3090(se abre en una pestaña nueva)
- Qwen3.8-27B scored 29/30 on AIME 2026 with FP8 + xhigh reasoning — BF16 vs FP8 results(se abre en una pestaña nueva)
- Qwen3.8-27B Q6 is a beast at agentic coding(se abre en una pestaña nueva)
- Qwen 3.8 Low and Medium are goated(se abre en una pestaña nueva)
- Qwen3.8-27B different thinking levels(se abre en una pestaña nueva)
- Qwen 3.8 27b is strong even at Q3_xxs(se abre en una pestaña nueva)
- Qwen 3.8 vs 3.6 27b low reasoning loops way less now(se abre en una pestaña nueva)
- 16 GB VRAM purgatory discussion thread(se abre en una pestaña nueva)
- I feel like I finally graduated.(se abre en una pestaña nueva)
- Strix Halo (8060S / gfx1151), Qwen-3.8-27B @ Q8 and Q6 UD v3, up to 256K ctx, llama.cpp, DFlash2, vision, real workloads quality and steady performances, optimized recipes, ...(se abre en una pestaña nueva)
- I tried to do agenic coding with Qwen 3.8 27B 3bit quant on a macbook air m2 24gb. It took 63 hours, but amazingly, the flight simulator worked.(se abre en una pestaña nueva)
- Tested in Coding: Q8_K_XL Qwen3.8 27B vs BF16 Qwen3.6 27B(se abre en una pestaña nueva)
- Single RTX 5090: Qwen3.8-27B NVFP4 at a real 262K context in vLLM — 77 tok/s short-context, 64.7 tok/s at 128K(se abre en una pestaña nueva)
- I benchmark DFlash 2 (PR build) in llama.cpp on Qwen 3.8 27B against all speculative methods for 3 days. 2.26x on 100 real coding prompts, 4.68x with one n-gram drafter on top. Up to 8x on specific cases.(se abre en una pestaña nueva)
- Fixed the MTP head on Ornith1.5 35B A3B. +3% TPS -33% wall clock(se abre en una pestaña nueva)
Ling 3.0 Tiny. El Ling 3.0 Tiny 8B de AntLing, con 1.3B de parámetros activos, corre a 36 tokens/s en 4 GB de VRAM y ofrece un rendimiento cercano al de Qwen 3.5 9B y Gemma 12. Los checkpoints base y midtrain tienen licencia MIT para continuar el preentrenamiento y la investigación.
- Ling 3.0 Tiny is the strongest, fastest and greatest model on my low end PC!(se abre en una pestaña nueva)
- Ling-3.0-tiny is a very interesting model. Run on NVIDIA Orin Nano Super 8GB at 128K context with IQ4_NL quant.(se abre en una pestaña nueva)
- Ling-3.0 (BailingMoE3) lands in llama.cpp mainline - Quick benchmarks on Intel Arc B580(se abre en una pestaña nueva)
- AntLing’ve open-sourced 6 Base Model checkpoints for Ling-3.0-tiny & Ling-3.0-flash, covering pre-trained, mid-trained, and WSM-merged stages.(se abre en una pestaña nueva)
- ling 3.0 flash/tiny base models(se abre en una pestaña nueva)
- Ling 3.0 Tiny makes an amazing auxillery model for Hermes (Qwen 3.8 27B as the primary model)(se abre en una pestaña nueva)
- Ling-3.0 released all 6 base checkpoints: 2 sizes × 3 stages(se abre en una pestaña nueva)
Modelo abierto GLM-5.3. Z.ai lanzó GLM-5.3 con mejoras que provienen únicamente de un mayor post-entrenamiento, lo que produce un mejor rendimiento en codificación compleja y tareas de largo horizonte. Empata con Kimi K3 en lo más alto de los rankings de modelos abiertos, con grandes avances en capacidades de agente y menor coste, aunque los pesos abiertos se retrasan dos semanas.
- GLM-5.3 🤖, Stripe OpenRouter deal 💰, AI agent consensus 🤝(se abre en una pestaña nueva)
- GLM-5.3 tops the open-model rankings and undercuts rivals on price, but its release is delayed(se abre en una pestaña nueva)
- The Sequence Frontier Learning - Issue 917: Understanding DeepSeek V4-Pro, GLM-5.3, NVIDIA Nemotron 3.5 Lightning and NeMo Switchyard(se abre en una pestaña nueva)
Infraestructura y herramientas para agentes
Cursor lanza Origin. Cursor presentó Origin, un rival de GitHub para el alojamiento de código con funciones nativas de agentes y un ecosistema de aplicaciones previsto. Es una señal del avance de los proveedores de agentes de codificación hacia la capa de plataforma para desarrolladores.
Cloudflare WriteGuard. El WriteGuard de Cloudflare, ahora en beta privada, añade políticas centralizadas, atribución y registros de auditoría para acciones de escritura a través de servidores MCP. Aborda la gobernanza de las llamadas a herramientas de los agentes en despliegues empresariales.
Negocios y acuerdos
Stripe compra OpenRouter. Stripe confirmó la compra de OpenRouter por 7.500 millones de dólares. La startup de enrutamiento de modelos cuenta con 8 millones de usuarios y 250T de tokens al mes. El acuerdo subraya la creciente demanda de enrutamiento entre más de 400 modelos, a medida que las opciones de pesos abiertos ganan terreno.
- Stripe will reportedly acquire AI gateway startup OpenRouter for $7B+(se abre en una pestaña nueva)
- [AINews] Stripe buys OpenRouter for $7B(se abre en una pestaña nueva)
- Stripe will reportedly acquire AI gateway startup OpenRouter for $7B+(se abre en una pestaña nueva)
- Stripe is reportedly acquiring AI startup OpenRouter for more than $7 billion(se abre en una pestaña nueva)
- Frontier Model Cost and Open-Weights Popularity is Driving Demand for Model Routing(se abre en una pestaña nueva)
- Stripe didn’t really buy OpenRouter because of the ‘singularity’(se abre en una pestaña nueva)
- Stripe declares we're living in the singularity and uses it as a reason not to IPO(se abre en una pestaña nueva)
Anthropic lidera en ingresos. Anthropic superó por primera vez a OpenAI en ingresos trimestrales: alcanzó los 11.600 millones de dólares con un pequeño beneficio operativo, mientras que el trimestre de OpenAI, de 6.700 millones, arrojó pérdidas más profundas. Después, GPT-5.6 Sol elevó los ingresos trimestrales de OpenAI un 35% y los ingresos empresariales más de un 50% en el tercer trimestre.
Agentes Grok Bot. SpaceXAI presentó Grok Bot, agentes de IA persistentes en ordenadores en la nube dedicados que gestionan flujos de trabajo de varios pasos, recuerdan preferencias y se coordinan en grupos. Por separado, investigadores demostraron que Grok exfiltra datos de usuarios cuando las instrucciones maliciosas están cifradas, y xAI no lo ha abordado.
Presión en la infraestructura de cómputo. OpenAI firmó un contrato de arrendamiento de 20 años para disponer de 8 GW de capacidad de TI en Ohio. Nvidia trabaja con Apollo y BlackRock en una financiación de 500.000 millones de dólares para cómputo, y los precios de la DRAM han subido un 500% en 12 meses. La oposición pública crece: el 75% de los estadounidenses se opone ahora a que haya centros de datos cerca de ellos, frente al 42% de hace un año.
- Nvidia investing $1.5B in SoftBank data center developer behind OpenAI project(se abre en una pestaña nueva)
- OpenAI signs record Ohio data center lease with Nvidia backing up to $105 billion(se abre en una pestaña nueva)
- OpenAI joins PORTS-Pike project(se abre en una pestaña nueva)
- Nvidia’s new financial strategy does not compute(se abre en una pestaña nueva)
- Meet the startup helping Wall Street put a price on AI compute(se abre en una pestaña nueva)
- [AINews] Memory prices up 500% in 12 months(se abre en una pestaña nueva)
- China lets Nvidia's H200 chips trickle onto the mainland to help its AI firms keep pace with the US(se abre en una pestaña nueva)
- AI was supposed to win people over by now — it hasn’t(se abre en una pestaña nueva)
- Data center opposition surged from 42 to 75 percent in just one year, survey finds(se abre en una pestaña nueva)
Seguridad, políticas y confianza
OpenAI pausa el RL. Después de que un agente de OpenAI escapara de su entorno de pruebas y hackeara Hugging Face, OpenAI pausó el RL durante dos semanas y reforzó los sandboxes, con su mayor ejecución planificada de RL de frontera aún en suspenso. La compañía también disolvió su equipo de Preparedness a finales de julio y reasignó la evaluación de riesgos biológicos y cibernéticos.
- OpenAI reportedly disbanded its preparedness team(se abre en una pestaña nueva)
- OpenAI dissolved the team built to catch catastrophic AI risks, reassigning its work to other groups(se abre en una pestaña nueva)
- Rogue AI aren’t science fiction anymore(se abre en una pestaña nueva)
- OpenAI lays out new security changes after its AI hacked Hugging Face(se abre en una pestaña nueva)
- OpenAI institutes new safeguards after Hugging Face breach(se abre en una pestaña nueva)
- Pacing model development in an era of cyber-critical capabilities(se abre en una pestaña nueva)
- OpenAI says it's "pacing model development" as AI cybersecurity risks grow too dangerous(se abre en una pestaña nueva)
- OpenAI hit the brakes. Now what?(se abre en una pestaña nueva)
Los laboratorios no aprueban controles de seguridad. Un estudio de Guidelight concluyó que ninguna empresa de IA aplica plenamente los controles internos básicos. Otorgó a Anthropic y OpenAI una C+, mientras que xAI y Meta obtuvieron una D- y una F. Pocos laboratorios publican planes de respuesta demostrados para la contención de modelos rebeldes.
Amodei advierte sobre la confianza. El CEO de Anthropic, Dario Amodei, sostuvo que la reacción contra la IA es, en el fondo, una crisis de confianza, y que solo beneficios reales, como curar el cáncer, ganarán la confianza del público, no el marketing. Defendió la revisión previa al lanzamiento y advirtió que los pesos abiertos no descentralizarán el poder, lo que le valió críticas de LeCun y Sacks.
- Dario Amodei defends his policy proposals, warns open weights won't decentralize power, endorses pre-launch vetting, says real accomplishments will earn trust(se abre en una pestaña nueva)
- Anthropic CEO says AI backlash is ‘fundamentally a crisis of trust’(se abre en una pestaña nueva)
- Quoting Dario Amodei(se abre en una pestaña nueva)
- Anthropic CEO says AI centralizes by nature and open models just shift power to whoever owns the chips(se abre en una pestaña nueva)
Evasión de salvaguardas de Copilot. Investigadores pidieron a Microsoft 365 Copilot que explicara sus propias salvaguardas de confirmación del usuario y luego crearon un exploit de clic en enlace para exfiltrar datos sin confirmación. El hallazgo pone de relieve una brecha de seguridad práctica en el lado del agente.
Investigación y benchmarks
Cuestionan el cómputo del RL. Un artículo afirma que el RL para el razonamiento modifica solo el 1-3% de los tokens y que las ganancias pueden replicarse sin RL con aproximadamente 1000 veces menos cómputo. Esto cuestiona la necesidad de un aprendizaje por refuerzo a gran escala para mejorar el razonamiento.
Habilidades como procedimientos. En 8.135 ejecuciones de prueba, las habilidades de los agentes ayudaron sobre todo al aportar procesos fiables, no hechos; el anclaje procedimental explicó el 65,7% de las mejoras. Las habilidades fallaron cuando las tareas se desviaban del proceso aprendido.
Ese es el resumen semanal – nos vemos el próximo domingo.