El lote nace con memoria persistente y coding agents DeepSeek-native en escena

Las cifras concretas del README son el gancho: un usuario real consumió 435M input tokens en un día con 99.82% cache hit → ~$12 frente a ~$61 del mismo workload sin cache en v4-flash. Ya cubrimos proyectos vecinos en boletines previos: el competidor HKUDS/nanobot el 2026-07-18 y openai/codex el 2026-07-10. Esto encaja con la línea que venimos defendiendo: la compresión de tokens (caveman, rtk, pxpipe) trabaja en el lado de la entrada; Reasonix hace cache-stability en output/runtime, manteniendo un prefix estable para que DeepSeek reuse el prefill entre turnos. MIT limpio, rewrite activo en Go (main-v2), v0.x con canales QQ como remote channel (legacy TypeScript en mantenimiento). CLI reasonix con alias dsnix. Para el lector de CSS: si usas DeepSeek como backend y tus sesiones largas sangran presupuesto, el ROI del cache-stability es la palanca más fuerte que hemos visto esta semana.

La tesis coincide con la que ya cubrimos el 2026-07-09 al hablar de stablyai/orca (el competidor más directo en agent-orchestration) y conecta con oomol-lab/open-connector (OAuth unificado) y superplanehq/skills para agentes externos. Aporta un patrón concreto y portable: apps versionadas con workflow graph + UI custom en git (canvas.yaml + console.yaml) + memoria scoped + agente integrado, con componentes para Claude/Cursor/OpenAI/Perplexity e integraciones para GitHub/GitLab/AWS/Lambda/PagerDuty. Caso de uso flagship: progressive delivery con rollback gated. Apache-2.0, demo container ghcr.io/superplanehq/superplane-demo:stable, cloud beta en app.superplane.com. Para el lector: si ya montas CI/CD con agentes externos y quieres governance y approvals sobre esos workflows, este es el molde más explícito que hemos visto.

Encaja en la línea de local-first LLM que ya cubrimos el 2026-07-20 con airllm, y conecta con la línea de ggml-org/llama.cpp (aquí sin primera_mencion, pero referencia obligada). La diferencia clave: ds4 NO usa GGUF. ds4.c no linkea contra GGML pero reconoce en deuda técnica los quant layouts adaptados de llama.cpp bajo MIT. Construido específicamente para DeepSeek V4 con tolerancia a routed-expert quantization agresiva; corre el V4 Flash incluso en MacBook 96GB con SSD streaming. Por el creador de Redis (antirez), que publica un README + CONTRIBUTING + QA_BEFORE_RELEASES unusually detallados — betatesting visible. Multi-GPU L40S Ada test: 120 t/s agregado, 2000 t/s prefill. Matiz editorial que conviene transparentar: el propio README admite que el desarrollo contó con asistencia fuerte de GPT 5.5, 5.6 y Claude Fable — un punto a favor de honestidad, no resta valor pero matiza la narrativa de single-author. Beta, fast-changing, +150 stars/día. Para el lector de CSS: si quieres correr DeepSeek V4 fuera de la nube sin atarte al ecosistema GGUF, esta es la alternativa nativa más seria ahora mismo.

Entra en el cluster voice-AI-en-el-borde que cubrimos con microsoft/VibeVoice + VibeASR.cpp (BitNet en el borde) y QwenAudio/qwen-audio-agent. Handy es la capa de aplicación: no un modelo, sino el producto terminado que reemplaza Wispr/Superwhisper. Si VibeASR.cpp te dio el modelo edge, Handy te da el producto final: UI simple, hotkey global, output directo al campo de texto activo, totalmente offline con Whisper.cpp local. MIT, Rust, multiplataforma (app nativa, Tauri probable, a confirmar en code). Bonus relevante para audiencias de CSS: integra con agentes vía clipboard injection, lo que lo convierte en pieza de glue entre dictado y flujos agentic. Para el lector: si buscas un sustituto open source de Wispr/Superwhisper que no mande audio a la nube, es la propuesta más pulida en este momento.