Ariel🧑‍💻

Consultor en servicios de IT.

Knowledge, like air, is vital to life. Like air, no one should be denied it. \/

[Ariel🧑‍💻 @Sniffarte]

@maxifirtman Sí, a las prestadoras de inferencia tal vez. Pero a los creadores el crédito le hubiera venido bien para conseguir inversores.... A menos que le dijeran a inversores que ya tienen captados "Mira como lo tiro al público y todos se matan por usarlo..." 😆
Que poco entiendo de Mkt.

[Gentleman Programming @G_Programming]

Si le preguntás a un solo modelo de IA, no estás validando tu idea. Estás buscando que te digan que sí.

Cada modelo tiene entrenamiento distinto, estilo distinto, sesgos distintos.

Mínimo dos opiniones independientes antes de escribir una línea de código.

[Gentleman Programming @G_Programming]

@barckcode Yo solo dejo esto por aquí

[ollama @ollama]

.@Kimi_Moonshot Kimi K3 is starting to roll out on Ollama's cloud subscriptions.

We are working on improving Ollama's cloud to be much more transparent on the pricing to show the best performance / $.

Try it with the tools you already use.

Claude Code:
ollama launch claude --model kimi-k3:cloud

OpenCode:
ollama launch opencode --model kimi-k3:cloud

[Ariel🧑‍💻 @Sniffarte]

@PeladoNerd Sale croosover @G_Programming ?

[Nicolás Schürmann @_nasch_]

Qwen 3.8 27B y Omarchy Quatro están siendo desplegados un viernes. No le tienen miedo a nadaaaaaa!!

[OpenCode @opencode]

GLM-5.3 now available in Go

text · 1M context · same pricing as 5.2

[Miguel Ángel Durán @midudev]

¿Soy el único que todavía revisa el código de la IA?

[YonLe @thanhtan1105]

@ollama @Alibaba_Qwen make sure included into Pro subscription.. does not like Kimi K3 model (pay by per request)

[ᵐʳGnZ @gugonzar]

La vida antes del internet ...

[Miguel Ángel Durán @midudev]

¡Esto es histórico! NVIDIA, Microsoft, Mozilla y Linux Foundation, entre otras, han firmado una carta a favor de los modelos de pesos
abiertos.

Defienden que abrir la IA es CLAVE para competir, reducir costes, evitar depender de unas pocas empresas y mejorar la seguridad.

Y dejan otro mensaje importante: usar las respuestas de un modelo para entrenar otro mediante destilación es una práctica legítima y habitual. NO debería considerarse automáticamente un robo.

Y la frase más bestia: “Depender únicamente de modelos cerrados no es intrínsecamente seguro.”

BOOM.

[🇦🇷 Selección Argentina ⭐⭐⭐ @Argentina]

¡GRACIAS INFINITAS, MUCHACHOS! No alcanzan las palabras para agradecerles cómo defendieron la camiseta. Nos hicieron llorar, gritar y, sobre todo, volver a creer. ¡Son eternos! 🩵🤍🏆

[AGENCIA PACO URONDO @PACOURONDO]

Aceitera La Matanza. Argentina. No es solo un partido de fútbol.

[ollama @ollama]

Ollama is back in NYC today!

It's exciting to see more people and businesses realize the benefits of open models! Ownership. Affordable. Private.

Thank you @Nasdaq and the @Theoryvc team.

[Gentleman Programming @G_Programming]

Estar segundo lugar como dev trending en GitHub que ?

DIOS !!! GRACIAS A TODOS !!

es un orgullo realmente como la comunidad me ayuda y nos nutrimos mutuamente, los adoro 🥹

[Ataque Futbolero @AtaqueFutbolero]

POR DIOS, JULIÁN ÁLVAREZ.

LO QUE HIZO ESTE TIPO.

QUÉ PEDAZO DE CRACK.

[Gentleman Programming @G_Programming]

gentle-ai llegó a la versión 2.0. Y el número que la define es este: los prompts de review son entre un 86% y un 89% más chicos. Medido, no estimado.

→ Review estándar: de 10.575 tokens a 1.443.
→ Review full-4R: de 26.749 tokens a 2.943.
→ Operaciones de lifecycle hasta pre-PR: de 17-18 a 6 llamadas. Un 65% menos.
→ Estados semánticos: de 12 a 5.
→ Contadores de lifecycle: de 12 a CERO.
→ Y los gates de commit, push, PR y release ahora validan con cero llamadas a modelos. Determinístico, local, gratis.

¿Cómo se logra eso sin perder rigor? Dos ideas.

La primera: admisión causal. Solo los findings que tu cambio INTRODUJO, activó o empeoró pueden exigir corrección. Lo preexistente se vuelve follow-up, no bloquea tu PR. Causalidad desconocida escala a humano. Se terminó el review que te cobra deuda técnica ajena.

La segunda: el ciclo entero se compactó en una fachada de tres comandos: review start, review finalize, review validate. Go se encarga de la canonicalización, los hashes y los recibos. El modelo solo hace lo que solo un modelo puede hacer: el criterio del review. Todo lo demás bajó del prompt al código.

Si leíste el capítulo 21 del libro, esto te va a sonar: es la regla de "mové la garantía hacia abajo en el stack" aplicada hasta el final. La máquina de 12 estados que describe el capítulo cumplió su misión y se compactó a 5, conservando los recibos atados al contenido, el rechazo de findings viejos o no causales, y los chequeos finales contra el Git vivo.

Además en esta release: modelos de review configurables por lente en OpenCode (tu modelo más potente en riesgo, el más barato en legibilidad, vos decidís), advisories scrolleables en la TUI, y CodeGraph endurecido para worktrees y layouts XDG.

La v1 queda leíble y válida como compatibilidad. Nada se rompe.

De 26.749 tokens por review a 2.943, con MAS garantías que antes. Eso es lo que significa el 2 adelante del punto.

Release:
https://t.co/UvaTOf0NRU

Todos los números medidos, en el PR:
https://t.co/SHaQxksMBh

Update: brew upgrade gentle-ai && gentle-ai sync

#OpenSource #DeveloperTools #AI

[Tony Simons @tonysimons_]

I made a Hermes Agent slash command cheat sheet a while back.

@NousResearch has shipped a ton of new stuff since then, so I tonight, I rebuilt it from scratch.

Every official slash command as of 7.4.2026.

Bookmark it.
Study it.
Become a HERMES LEGEND. 🤘

[Maximiliano Firtman @maxifirtman]

Se usan los mismos patrones de diseño de un live search: ventanas de espera (por tiempo, por detección de usuario escribiendo), cancelación de respuestas pendientes ante nueva entrada y a veces el uso de modelos chicos para chequear si la frase tiene probabilidad alta de estar incompleta.