Consola de triaje

comprobando sesión…

Archivo · 64

09-02 09-01 08-31 08-30 08-29 08-28 08-27 08-26 08-25 08-24 08-23 08-22 08-21 08-20 08-19 08-18 08-17 08-16 08-15 08-14 08-13 08-12 08-11 08-10 08-09 08-08 08-07 08-06 08-05 08-04

Pendientes

3 por explorar

5 en vigilancia

2026-07-28

Moonshot AI publica Kimi K3 junto al stack completo que lo entrena y lo sirve

13 items · 5 hallazgos · 8 radar

explorar 2

probar 1

leer 2

vigilar 5

Descartados y sin acción 3

J/K mover E explorar P probar L leer V vigilar X descartar G grafo ↵ abrir ficha

Selecciona un item del tablero
o pulsa J para empezar.

leer hallazgo 01 · #kimi-delta-attention

MoonshotAI/Kimi-K3

Python · NOASSERTION

Qué es

Modelo abierto MoE de 2.8T parámetros totales (104B activos, 16/896 expertos), construido sobre Kimi Delta Attention + Attention Residuals. Context de 1M de tokens, multimodal nativo (texto + imagen + vídeo), optimizado para agentic coding y knowledge work.

Cómo encaja

MoonshotAI/Kimi-K3 → kimi-delta-attention

implements · relación nueva de hoy

MoonshotAI/Kimi-K3 → moonshotai

developed_by · relación nueva de hoy

Por qué importa

Primer modelo abierto 3T-class del mundo, en la línea que ya cubrimos en CSS de DeepSeek-V3/V4 y Qwen3-Max pero a una escala 3x mayor. Marca el techo de los modelos abiertos en 2026: 2.8T parámetros totales con solo 104B activos (MoE 16/896 expertos), contexto de 1M de tokens y multimodal nativo texto+imagen+vídeo. Lo lanza Moonshot AI, el laboratorio detrás de Kimi y comparable en ambición a lo que fue Llama 3 en su día. Caveat editorial honesto: la API de GitHub reporta licencia NOASSERTION; el README declara una Kimi K3 License propia que parece permisiva para research pero con restricciones comerciales no leídas en detalle (no verificado), así que no afirmar uso comercial libre sin revisar la licencia.

tech report y arquitecturas KDA/AttnRes antes de opinar; el ángulo editorial "primer modelo abierto 3T" merece artículo propio

Abrir ficha Grafo ↗

explorar hallazgo 02 · #agentic-rl-training pick

kvcache-ai/AgentENV

Rust · MIT

Qué es

Plataforma distribuida para ejecutar entornos de agentes a escala, construida sobre Firecracker microVMs + overlaybd + ublk. Snapshot en <50ms, fork nativo y memory ballooning. Es la infra que Moonshot AI usó para entrenar Kimi K3 con RL agentic.

Cómo encaja

kvcache-ai/AgentENV → agentic-rl-training

enables · relación nueva de hoy

kvcache-ai/AgentENV → MoonshotAI/Kimi-K3

powers_training_of · relación nueva de hoy

Por qué importa

Pieza nueva en el stack local-first que faltaba: sandboxes agentic con snapshot/fork rápido (<50ms). Antes de AgentENV, entrenar un agente con RL a escala requería Kubernetes + gVisor + mucho código glue a medida; AgentENV lo condensa en una binaria Rust con CLI aenv y API HTTP. Es la misma infra que Moonshot AI usó para entrenar Kimi K3 con RL agentic, lo que la valida en producción frontier y la baja al alcance de equipos pequeños. Caveat operativo: exige /dev/kvm y kernel 6.8+, no portable a Mac/Windows. Para CSS/Alejandro: ángulo "infra de entrenamiento agentic made simple, equivalente a Docker para RLHF": un ready-made sin vendor lock-in para experimentar con agentic RL.

release muy nuevo, conviene leer docs y verificar reproducibilidad en Ubuntu 24.04 antes de recomendar; ver warning oficial sobre exposición a red pública

Alerta honesta

AgentENV exige /dev/kvm y kernel 6.8+: no portable a Mac/Windows, limitando el alcance local-first puro para parte de la audiencia CSS.

Abrir ficha Grafo ↗

vigilar hallazgo 03 · #expert-parallelism pick

MoonshotAI/MoonEP

Python · MIT

Qué es

Biblioteca de comunicación para Expert Parallelism (EP) en entrenamiento MoE. Mantiene la carga de tokens perfectamente balanceada entre ranks mediante expertos redundantes dinámicos planificados online. Dispatch/combine zero-copy y shapes estáticos.

Cómo encaja

MoonshotAI/MoonEP → expert-parallelism

implements · relación nueva de hoy

MoonshotAI/MoonEP → moonshotai

developed_by · relación nueva de hoy

Por qué importa

El cluster de entrenamiento de modelos open-weight frontier depende de comunicación MoE eficiente. Hoy el estándar informal es DeepEP (DeepSeek); MoonEP se postula como alternativa con menos overhead cuando el router desbalancea y manda muchos tokens al mismo experto, usando expertos redundantes dinámicos planificados online para mantener la carga balanceada y dispatch/combine zero-copy. Para CSS/Alejandro: el stack OSS de training frontier se compone de muchas piezas — DeepEP, Megatron, ahora MoonEP — y ya cubrimos la tendencia general en boletines anteriores. Caveat honesto: el README asume familiarity con EP/MoE internals; no es lectura para principiantes.

repos de infra de training son valiosos pero el ciclo de adopción es lento; mejor esperar a que algún lab no-Moonshot lo integre en sus training stack

Alerta honesta

MoonEP: README asume familiarity con EP/MoE internals; no es material para audiencia no técnica.

Abrir ficha Grafo ↗

leer hallazgo 04

sgl-project/sglang

Python · Apache-2.0

Qué es

Framework de alto rendimiento para servir LLMs. Soporta day-0 a DeepSeek-V4, Nemotron 3, MiMo-V2-Flash, Mistral Large 3 y Higgs Audio v3. Apache-2.0, 30k⭐, mantenido por LMSYS.

Cómo encaja

sgl-project/sglang ⇄ MoonshotAI/Kimi-K3

competes_with · relación nueva de hoy

sgl-project/sglang → MoonshotAI/Kimi-K3

serves · relación nueva de hoy

Por qué importa

Si ejecutas modelos abiertos frontier en local (DeepSeek-V4, GLM-5.2, Kimi-K3) o en tu propio cluster, SGLang es el runtime canónico 2026 que convierte "modelo en HuggingFace" en "endpoint HTTP funcional con batch, speculative decoding, paged attention y multi-LoRA". Mantenido por LMSYS (30k⭐, Apache-2.0) y con soporte day-0 a DeepSeek-V4, Nemotron 3 y MiMo-V2-Flash, entre otros. Compite en paridad con vLLM y en varios benchmarks (p. ej. el blog de 2026-06 sobre DFlash speculative decoding) lo supera. Caveat: consume GPU memory; no es la opción frugal. Para setups chicos, llama.cpp + Ollama siguen mandando. Para CSS/Alejandro: si bajas Kimi-K3 a local, SGLang es la respuesta práctica.

revisar el blog 2026-06-15-next-generation-speculative-decoding-dflash-v2/ para entender qué hay debajo; ángulo para artículo "qué cambia en inference 2026"

Abrir ficha Grafo ↗

vigilar hallazgo 05

anthropics/claude-code

Python

Qué es

Herramienta CLI agentic de Anthropic para coding: vive en la terminal, entiende tu codebase, automatiza tareas rutinarias y flujos git. 139k⭐, creado en febrero de 2025, Python puro.

Cómo encaja

anthropics/claude-code → 0xwilliamortiz/openclaude-improved

forked_by · relación nueva de hoy

Por qué importa

Claude Code (139k⭐, Python, creado feb 2025) es referencia estable del ecosistema de coding agents comerciales desde hace meses; su reaparición en Trendshift daily indica release o fix mayor reciente (push 2026-07-25). El repo no estaba en seen_items por un gap del normalizador de estado; desde hoy queda registrado. Para CSS/Alejandro: el ángulo relevante es el contraste con el OSS — Claude Code es comercial (repo source-available sin LICENSE formal), mientras alternativas como charmbracelet/crush (Go) y 0xwilliamortiz/openclaude-improved (TS) cubren el lado open-source. La tesis editorial: los coding agents comerciales están empujando a la comunidad OSS a producir forks multi-provider; ya hay tres alternativas activas en el radar.

monitorear releases y comparativa con forks OSS; el ángulo editorial está ya en content_ideas_log

Abrir ficha Grafo ↗

vigilar radar

0xwilliamortiz/openclaude-improved

577★ · TypeScript

Qué es

Fork open source de Claude Code con soporte multi-provider (cloud + local models vía Bun/Node). El README declara MIT, pero la API reporta NOASSERTION (license real no verificada).

potencial competidor OSS de Claude Code; el ángulo fork + multi-LLM es editorialmente potente pero la licencia requiere verificación antes de cualquier adopción

Abrir ficha Grafo ↗

explorar radar · #icebird1998-drawio-scientific-illustrato

icebird1998/drawio-scientific-illustrator

978★ · JavaScript

Qué es

Plugin de Codex con MCP server localhost-only que controla draw.io desktop en vivo para ilustración científica paso a paso. MIT verificado.

encaja con la tesis de CSS sobre agent skills que producen UI; el patrón "MCP + desktop app tradicional" merece deep-dive

Abrir ficha Grafo ↗

vigilar radar

MoonshotAI/FlashKDA

764★

Qué es

Kernels CUDA optimizados para Kimi Delta Attention. MIT.

release algo antiguo ya, pero parte del trío Kimi-K3 ecosystem

Abrir ficha Grafo ↗

vigilar radar

cocofhu/approving

73★ · Go

Qué es

Plataforma open-source self-hostable para workflows de aprobación de OS. MIT.

release fresco, baja tracción, dudoso alcance editorial

Abrir ficha Grafo ↗

descartar radar

JOYCEQL/magic-resume

9.029★ · TypeScript

Qué es

Editor online de CVs con IA. NOASSERTION (license no verificada — el README sólo menciona "official website magicv.art", lo que sugiere servicio comercial).

producto comercial con SaaS implícito; la NOASSERTION y el flujo "free online editor → sitio oficial" lo descartan como dependencia

Abrir ficha Grafo ↗

probar radar

tamnd/kage

2.937★ · Go

Qué es

Herramienta de "shadowing" web: clona un sitio offline eliminando JS, manteniendo CSS + fonts + images, usando Chrome headless real. MIT.

caso de uso real para archive/research; instalable via Homebrew/Scoop/apt

Abrir ficha Grafo ↗

descartar radar

NanmiCoder/MediaCrawler

Python

Qué es

Scrapers chinos para Xiaohongshu, Douyin, Kuaishou, Bilibili, Weibo, Zhihu y Baidu Tieba.

multi-issue: scraping agresivo en ToS-protected platforms, dudosa legalidad bajo GDPR-equivalent chinese, no alineado con la dirección de web-scraping-viability

Abrir ficha Grafo ↗

descartar radar

apache/cassandra

10.008★ · Java

Qué es

DB distribuida NoSQL trending por razones legacy. Apache-2.0.

fuera del scope IA/dev; bajo relevancia editorial para CSS

Abrir ficha Grafo ↗