Letta code reabre el debate del agente con memoria versionada en git

Anakin es el caso de "empresa consolidada que libera su stack de scraping": Anakin cobra y el repo es la versión OSS. La licencia AGPL-3.0 lo inutiliza como dependencia de proyectos cerrados, pero es una pieza muy útil para pipelines OSS/RAG. Ya cubrimos el espacio OSS de scraping el 2026-08-31 con D4Vinci/Scrapling (BSD-3, Python, 4 fetchers), y ahí mismo aparecieron Fortress (engine-level stealth) y Obscura (Rust antidetect); Anakin destaca frente a todos ellos en tres decisiones técnicas concretas: (a) cadena de handlers con fallback automático: el grueso de páginas se resuelve en HTTP local gratis y solo el resto escala al browser anti-detect o a la API de pago; (b) detección de fallos por patrones: defines regex de éxito/fallo por dominio y reintenta con el siguiente handler; (c) Thompson sampling para proxies: aprende en línea qué proxy funciona para qué dominio. El modo zero-config (make up con Docker, web UI incluida, sin base de datos) lo hace el más production-grade de los OSS analizados hasta ahora; su principal competidor en servicios gestionados sigue siendo Firecrawl. Señal a vigilar: 39 días sin push en la rama principal (puede ser actividad solo vía PRs, conviene comprobarlo antes de adoptarlo).

El salto de "generar audio" a "componer y editar con plan simbólico editable" es el mismo salto que dio la generación de código cuando pasó de autocompletar a planificación simbólica editable, y es lo que convierte a YuE2 en algo más que un MusicGen con más estrellas. Tres elementos exportables del diseño: (a) backbone AR–NAR mixture-of-transformers: el plan y los tokens semánticos se generan de forma autorregresiva, mientras los latentes acústicos van por flow matching (el mismo patrón que Stable Audio 3 / MusicGen, pero con planificación por delante); (b) API por etapas plan() → generate_semantic() → synthesize() → decode(): el plan se puede reutilizar entre runs y editar entre llamadas, igual que harías con un AST entre generaciones de código; (c) agent skill oficial ya publicado en el repo (sección 🤖 Agent skill del README), pensado para que un agente externo manipule el plan. La demo pública "The Last Train" pasa de pop mandarín a jazz inglés con saxo en 9 pasos y 14 versiones, mostrando que la frontera del modelo generativo ya no es "producir output", sino "exponer control intermedio que un agente pueda manipular". Limitación honesta: requiere BF16 con 24 GB de VRAM mínimo y salida a 48 kHz estéreo sin cuantizar, así que no es algo que vayas a correr en un portátil normal.

gpustack llena el hueco que aparece el día que dejas de correr el modelo en local y pasas a una "pequeña nube" heterogénea (varios Mac Mini, una workstation CUDA, un servidor AMD ROCm e incluso Huawei Ascend + MindIE). El pain point ya no es servir el modelo — eso lo hace vLLM o SGLang — sino orquestar los workers, decidir qué modelo va en qué nodo, apagar cuando no se usa y exponer SSH para iterar a mano, y gpustack es exactamente esa pieza: balanceo entre llama, qwen y deepseek, inferencia distribuida, soporte MaaS y pool de workers sobre hardware heterogéneo (NVIDIA CUDA, AMD ROCm, Huawei Ascend + MindIE, Apple Silicon). Ya cubrimos la capa de SDK para agentes sobre esta misma idea el 2026-09-02 con 0xPlaygrounds/rig; gpustack es la infraestructura que va debajo y que convierte ese SDK en algo desplegable. Madurez: cadencia diaria (push de ayer, commits continuos), 5.667 ★, Apache-2.0, ya en producción en setups de tamaño medio. Su valor real para un lector de Código Sin Siesta es que convierte "tengo hardware" en "tengo una API SSH para mi agente" sin tener que escribir un cluster manager a mano.

Megatron-LM es el framework OSS de NVIDIA para entrenar transformers a escala (detrás de MT-NLG, Megatron-Turing NLG y las verticales Llama Nemotron, entre otra investigación de pre-training de la casa), y el push de hoy confirma que sigue con cadencia alta: cada semana aparece en el trending de GitHub, lo que es señal de que sigue siendo referencia research-grade aunque los grandes labs ya entrenen con stacks privados (Llama 4, DeepSeek-V4, Qwen3.5-Next usan pipelines propios en la primera mitad de 2026). Para un lector de Código Sin Siesta, el interés real no es adoptarlo como dependencia — su licencia NOASSERTION detecta un SPDX no estándar en GitHub y el archivo LICENSE real es el NVIDIA Software Open Source License, que no es MIT ni Apache, hay que leerlo antes de usarlo — sino saber que sigue siendo la pieza OSS donde mirar cuándo aparecen técnicas nuevas de pre-training distribuido. Vale la pena mencionarlo hoy, pero el ángulo fuerte llegaría si NVIDIA libera alguna vertical nueva el mes que viene (Nemotron 4 o equivalente); por ahora lo dejamos como referencia a tener en el radar, no como recomendación de adopción.