Issue 74 — 2026-08-05

Microsoft lanzó MSLK, un compilador que toma modelos de machine learning y los reescribe para que corran más rápido en cualquier hardware que tengas — CPUs, GPUs, lo que sea. La idea es sencilla: entrenas un modelo una vez, y luego MSLK se encarga de hacer que corra eficiente en tu máquina. Ya no más reescribir el mismo modelo cinco veces distintas para diferentes backends.

Lo que hace esto interesante es que las cargas de trabajo de ML están en todas partes ahora — desde motores de recomendación hasta las funciones de IA que se están integrando en apps cotidianas — y cada vez que despliegas un modelo, estás haciendo elecciones de hardware que afectan el costo y la velocidad. MSLK se coloca entre el modelo y el chip, optimizando la ruta de ejecución. Si estás corriendo inferencia a escala, esta es la clase de herramienta que silenciosamente ahorra dinero en cada request.

Por qué nos importa: mientras más rápido y barato corran estos modelos, más probable es que terminen en las herramientas que usamos todos los días, y menos pagamos por el compute que los hace funcionar.

Qwen 3.8 ya salió. El último modelo de la línea Qwen de Alibaba es un modelo de IA open-weight, o sea que los pesos están disponibles públicamente en vez de estar escondidos detrás de un paywall. Los modelos open-weight le permiten a los devs, investigadores y equipos pequeños correr el modelo ellos mismos sin depender de la API de un solo vendor.

Qwen ha estado construyendo una presencia seria en open-source. La familia más amplia de Qwen se ha convertido en una de las alternativas más populares al Big Three en el espacio de IA de EE.UU., y este release añade otro escalón a esa escalera.

Por qué nos importa:

GitHub acaba de lanzar gh-stack, un framework para construir agentes de código — herramientas de IA que no solo escriben código, sino que lo corren, lo depuran y lo iteran. El stack junta tres piezas en una sola arquitectura: una ventana de contexto que lleva la cuenta de lo que el agente ha visto, una capa de integraciones para que pueda hablar con tus repos y terminales, y un motor de ejecución que le permite al agente hacer trabajo real en vez de solo generar texto.

La idea es sencilla. Ahora mismo, muchos asistentes de código son básicamente un autocompletado con más chamba. gh-stack quiere empujar más allá de eso dándole al agente el ciclo completo — leer, escribir, correr, depurar, repetir. Es open source, está diseñado para devs que quieren construir sus propios agentes en vez de depender de los de otro, y viene junto con las herramientas existentes de Copilot de GitHub.

Por qué nos importa: más agentes significa más herramientas para la gente que realmente escribe código día a día — y los que pueden construir los suyos terminan con una ventaja real sobre los que siguen esperando la próxima suscripción de SaaS.

El blog de ingeniería de Spotify publicó un post sobre cómo indexar data lakes para hacer point queries — esas que normalmente requieren una capa de base de datos separada. La idea: puedes construir sobre almacenamiento barato y seguir obteniendo lookups en menos de un segundo si indexas bien.

Es parte del cambio más amplio hacia arquitecturas lakehouse — dejar atrás los data warehouses caros y tratar de correr todo sobre almacenamiento tipo S3 con indexación inteligente. La trade-off es real: almacenamiento más barato, pero tienes que resolver el problema de performance de queries tú mismo en vez de externalizarlo a un managed service.

Por qué nos importa: si tu equipo está ahogándose en costos de datos o queries lentas, este es un ángulo concreto que vale la pena revisar — y es un recordatorio de que las herramientas en las que confiamos están construidas por ingenieros que pasaron por el mismo dolor.