2026-09-10

Google cablea MCP al sistema operativo y Google publica dos piezas agenticas el mismo dia

15 items · 7 hallazgos · 8 radar

explorar 3

probar 4

leer 3

vigilar 4

Descartados y sin acción 1

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.

explorar hallazgo 01 pick

Edge0-AI/Edge0

283★ · 10 forks · Python · Apache-2.0 · preview

Qué es

framework open source de inferencia MoE en streaming que generaliza una receta ya probada en producción: descarga de expertos a SSD, Recover-LoRA para compensar la pérdida de calidad, y un prerouter que predice qué expertos hará falta cargar antes de necesitarlos.

Cómo encaja

Edge0-AI/Edge0 → technique:moe-expert-offload

implements · relación nueva de hoy

Edge0-AI/Edge0 → vram-bound-inference

solves · relación nueva de hoy

Edge0-AI/Edge0 ⇄ llama.cpp

competes_with · ya cubierto el 2026-08-17

Por qué importa

Es el eje local-first llevado al límite. Publican dos tiers listos (edge0-35b sobre Qwen3.5-MoE 35B-A3B y edge0-8b sobre Ling 3.0), cada uno con checkpoint + adaptadores LoRA + cabezas de prerouter entrenadas, cargando automáticamente con edge0 serve <tier>. La arquitectura invierte el problema: en lugar de cargar el modelo entero en VRAM, el prerouter predice qué expertos se necesitarán y los descarga de SSD justo a tiempo, compensando la pérdida de calidad con Recover-LoRA. Backend MLX (Apple Silicon) hoy, CUDA en el roadmap. Si escribes sobre correr modelos grandes fuera del datacenter, esta es la arquitectura a explicar: el cuello de botella deja de ser la VRAM y pasa a ser la predicción de routing. En el grafo competimos con llama.cpp desde el boletín del 2026-08-17, y edge0 es una referencia útil para entender qué huecos deja cubierto (o no) ese enfoque.

leer la sección de arquitectura del prerouter; es el aporte no obvio frente a un offload clásico