ZaRQuN – Diseño Gráfico, Web y Programación Blog sobre diseño grafico en general y curiosidades

Si utilizas IA para programar, probablemente ya te hayas encontrado con el siguiente problema: escribir código es cada vez más rápido, pero revisarlo sigue llevando tiempo. Ahí es donde entra Open Code Review, una herramienta de código abierto creada por Alibaba para automatizar las revisiones de código con IA.

La idea es bastante sencilla. Instalas la herramienta, la ejecutas desde la terminal y ocr analiza tus cambios de Git buscando posibles problemas. Pero no se limita a mirar unas cuantas líneas modificadas: el agente puede leer archivos completos, buscar información dentro del proyecto y utilizar ese contexto para generar comentarios precisos sobre el código.

Una de las cosas interesantes es que combina procesos deterministas con un agente de IA. Es decir, la herramienta se encarga de tareas como seleccionar archivos, localizar líneas o aplicar determinadas reglas, mientras que el modelo se ocupa de interpretar el código y detectar problemas. El proyecto incluye reglas para cuestiones como XSS, inyecciones SQL, seguridad, concurrencia y otros errores habituales, además de soportar más de 40 lenguajes y tipos de archivo.

También puedes utilizar diferentes modelos y proveedores, incluyendo APIs compatibles con OpenAI y Anthropic, además de otros proveedores y endpoints personalizados. Incluso permite integrarse con herramientas como Claude Code, Codex, Cursor y OpenCode.

Para probarlo basta con instalarlo mediante npm:

npm i -g @alibaba-group/open-code-review

Y después ejecutar ocr review dentro de tu proyecto. También puedes revisar una rama concreta, un commit o incluso lanzar un análisis completo de determinados archivos.

Otro detalle importante es que Open Code Review nació como una herramienta interna de Alibaba y posteriormente se publicó como proyecto open source bajo licencia Apache-2.0. Según su documentación, llevaba dos años utilizándose internamente antes de abrirse a la comunidad.

En definitiva, es otra señal de hacia dónde está evolucionando el desarrollo: la IA ya no solo escribe código, también empieza a asumir tareas de revisión, control de calidad y detección de problemas. Y en este caso tenemos además una herramienta que puedes instalar y ejecutar directamente desde tu propio entorno de desarrollo.

#OpenCodeReview #Alibaba #InteligenciaArtificial #IA #Programacion #DesarrolloWeb #Codigo #CodeReview #OpenSource #Git #Developers #SoftwareDevelopment

Google quiere que Gemini se convierta en algo más que un chatbot para estudiantes. En su propuesta Gemini for Students, la IA se utiliza como una especie de compañero de estudio capaz de trabajar directamente con tus propios apuntes, temarios y materiales de clase.

Una de las funciones más interesantes son los Study Notebooks, que permiten subir material de una asignatura y convertirlo en planes de estudio, resúmenes, cuestionarios personalizados o herramientas para preparar un examen. También puedes pedirle que te explique un problema paso a paso, revise tus cálculos o te dé feedback sobre un trabajo.

Y aquí viene la parte llamativa: Google ofrece un año gratuito de Google AI Pro para estudiantes que cumplan los requisitos. El plan incluye límites de uso 4 veces superiores en Gemini, 5 TB de almacenamiento, Gemini Spark y acceso a Gemini Omni durante un año.

Para quienes estudian diseño, programación o cualquier disciplina técnica puede resultar especialmente útil. Puedes trabajar con documentación, pedir explicaciones de conceptos complicados, generar material de estudio o utilizar las capacidades visuales de Gemini para entender mejor determinados contenidos.

En definitiva, si eres estudiante y puedes acceder a la promoción, es una de esas ofertas de IA que merece la pena probar antes de que se acabe.

Ver Gemini para estudiantes

Tags

#Gemini #GoogleGemini #GoogleAI #InteligenciaArtificial #IA #Estudiantes #Educacion #DiseñoGrafico #Programacion #Tecnologia #AI #Productividad #GoogleAIPro

Se acabó el piloto automático, gracias al piloto automático.

Claude Code tiene un modo llamado Auto Mode que, básicamente, permite que Claude deje de preguntarte cada dos minutos si puede hacer algo.

¿Puedo abrir este archivo? Sí/No.
¿Puedo modificar este script? Sí/No.
¿Puedo ejecutar este comando? Sí/No.

Cuando activas Auto Mode, Claude puede tomar esas decisiones de forma automática. Pero aquí viene la parte interesante: no está completamente solo. Hay un agente clasificador que analiza las acciones y determina si pueden ser destructivas o peligrosas.

Hasta ahora, en modo manual, la última palabra la tenías tú. Con Auto Mode, la tiene otro agente.

Y a partir del 14 de agosto, Auto Mode llegará activado por defecto en las sesiones Pro, Max y Team.

¿Y por qué dice Anthropic que automatizar las aprobaciones puede ser más seguro?

Porque hay un pequeño problema con los humanos: nos cansamos.

Si Claude te pregunta constantemente «¿puedo hacer esto?», llega un momento en el que tu cerebro entra en modo automático y empiezas a responder que sí sin leer realmente qué está haciendo.

Sí.
Sí.
Sí.
Sí.

Es exactamente lo mismo que hacemos con las políticas de privacidad y los términos y condiciones. Nadie los lee. Ves el botón, pulsas «Aceptar» y a otra cosa.

Anthropic ha puesto números al asunto. En una prueba con más de 1.053 testers profesionales, solo el 13,6 % consiguió detectar un comando peligroso, mientras que el agente clasificador lo identificó en el 89 % de los casos.

Y aquí está lo realmente interesante.

La discusión no es simplemente si debemos confiar más o menos en la IA. Es si tiene sentido mantener a una persona tomando decisiones de seguridad que, después de cientos de confirmaciones, probablemente acabará aceptando sin mirar.

Porque un «sí» humano dado por pura inercia tampoco es precisamente un mecanismo de seguridad.

La lectura importante para quienes trabajamos con IA es bastante sencilla: si vas a supervisar a un agente, supervisa de verdad. Lee lo que hace, entiende las consecuencias y presta atención.

Pero si sabes que después de 200 confirmaciones vas a empezar a pulsar «sí» como un NPC, quizá sea mejor delegar esas decisiones en un sistema especializado.

Eso sí: un agente también puede equivocarse.

Así que el futuro no parece ser «la IA lo hace todo y nosotros miramos». Más bien parece ser decidir qué merece nuestra atención y qué podemos dejar que la IA gestione por nosotros.

Y eso sí que tiene bastante más sentido que pasarnos el día pulsando «Sí, Claude, hazlo».

#Claude #ClaudeCode #Anthropic #AutoMode #InteligenciaArtificial #IA #Programación #DesarrolloSoftware #AgentesIA #AIcoding

¿Y si el futuro de la inteligencia artificial no está en tener una única empresa controlando los modelos más potentes?

Eso es, precisamente, lo que están defendiendo NVIDIA, Microsoft, Mozilla, Linux Foundation y otras grandes compañías y organizaciones tecnológicas en una carta conjunta sobre los llamados modelos de pesos abiertos (open-weight).

La idea es bastante sencilla: si unas pocas empresas controlan los modelos de IA más avanzados, el resto del mundo acaba dependiendo de ellas. Y eso significa pagar por cada uso, aceptar sus condiciones, confiar en que mantendrán sus servicios y asumir que, si cambian sus precios o políticas, poco puedes hacer.

Los modelos con pesos abiertos plantean otra alternativa. Permiten descargar los pesos del modelo y ejecutarlo, adaptarlo o integrarlo en diferentes infraestructuras. Esto puede facilitar que startups, universidades y empresas desarrollen soluciones de IA sin tener que depender siempre de los grandes proveedores de modelos cerrados.

Y aquí aparece uno de los argumentos más interesantes de la carta: la apertura también puede favorecer la seguridad. La lógica es que cuantos más investigadores y desarrolladores puedan analizar, probar y auditar una tecnología, más posibilidades existen de encontrar problemas y mejorarla. La Linux Foundation defiende precisamente que los modelos abiertos y los pesos abiertos son una pieza importante para construir una IA más segura y con mayor capacidad de supervisión.

Pero hay otro punto que está levantando bastante debate: la destilación de modelos.

En términos sencillos, consiste en utilizar las respuestas generadas por un modelo para ayudar a entrenar o mejorar otro. Es una técnica habitual en el desarrollo de sistemas de IA y puede servir para crear modelos más pequeños y eficientes. La carta defiende que esta práctica puede ser legítima y que no debería considerarse automáticamente un robo o una infracción. Eso sí, hay una diferencia importante entre utilizar técnicas de destilación y apropiarse de propiedad intelectual protegida: una cosa no implica necesariamente la otra.

La frase que más llama la atención es probablemente la que plantea que depender únicamente de modelos cerrados no es intrínsecamente más seguro. Y aquí está el verdadero debate.

Los modelos cerrados tienen ventajas evidentes: sus propietarios pueden controlar mejor el acceso, aplicar filtros y gestionar determinadas medidas de seguridad. Pero los modelos abiertos permiten una mayor capacidad de análisis externo, personalización y control sobre dónde y cómo se ejecuta la IA.

Eso sí, tampoco hay que confundir open-weight con open source. Un modelo puede ofrecer sus pesos para que otros lo descarguen y ejecuten, pero no publicar todo su código de entrenamiento, los datos utilizados o el proceso completo de desarrollo. Por eso, hablar de «IA abierta» puede ser bastante más complejo de lo que parece.

Lo interesante de todo esto es quién está firmando la carta. NVIDIA, Microsoft, Meta, IBM, Mozilla, Linux Foundation y otras organizaciones están defendiendo que la competición en IA no debería depender únicamente de quién tiene el modelo más potente, sino también de quién consigue crear un ecosistema donde más empresas y desarrolladores puedan construir sobre esa tecnología.

Y hay una lectura económica bastante clara: más modelos abiertos significa más competencia, más alternativas y potencialmente menos dependencia de unos pocos gigantes tecnológicos. También puede reducir costes y permitir que una empresa elija qué modelo utilizar según sus necesidades, en lugar de estar atada a un único proveedor.

La batalla por el futuro de la IA, por tanto, no se está librando solo entre modelos. También se está librando entre dos formas de entender cómo debería distribuirse esta tecnología: una IA controlada por unos pocos proveedores o un ecosistema donde cualquiera pueda descargar modelos, experimentar con ellos y construir nuevas herramientas.

Y viendo quién se ha sentado ahora en el lado de los pesos abiertos, parece que esta discusión acaba de ponerse bastante más interesante.

#InteligenciaArtificial #IA #OpenAI #OpenSource #OpenWeights #ModelosAbiertos #NVIDIA #Microsoft #Mozilla #LinuxFoundation #Tecnología #Programación #Desarrollo #MachineLearning #DeepLearning #IAGenerativa #Software

Si trabajas programando con IA y estás cansado de configurar cada herramienta con un proveedor diferente, OmniRoute puede ser una opción bastante interesante. La idea es sencilla: en lugar de conectar tu IDE o agente de código con cada API por separado, OmniRoute actúa como una capa intermedia que centraliza el acceso a cientos de proveedores de modelos de IA desde un único endpoint.

Una de sus funciones más interesantes es el auto-fallback. Si un proveedor alcanza su límite o deja de estar disponible, OmniRoute puede cambiar automáticamente a otro proveedor para que el trabajo continúe. También permite utilizar estrategias de routing para priorizar proveedores gratuitos, reducir costes o elegir automáticamente la opción más adecuada para cada petición.

Además, es compatible con herramientas habituales del desarrollo asistido por IA como Claude Code, Codex, Cursor, Cline o GitHub Copilot, entre otras. También incorpora funciones como compresión de tokens, memoria, MCP y soporte para protocolos de agentes, por lo que va bastante más allá de ser un simple proxy de APIs.

La instalación también busca ser sencilla: puedes ejecutarlo mediante npm, Docker, como aplicación de escritorio o incluso en dispositivos ARM. Una vez funcionando, tus herramientas pueden apuntar a un único endpoint local y dejar que OmniRoute se encargue del routing entre los distintos proveedores.

Para quienes están metidos de lleno en el desarrollo con IA, es una herramienta que merece la pena echar un vistazo. Especialmente si utilizas varios modelos, quieres aprovechar diferentes planes gratuitos o simplemente buscas tener una configuración más centralizada y flexible.

#OmniRoute #AI #ArtificialIntelligence #IA #AIGateway #OpenSource #Programacion #Desarrollo #Coding #DevTools #ClaudeCode #Codex #Cursor #MCP #LL

Si estás desarrollando una aplicación con IA, haciendo pruebas o simplemente experimentando con modelos de lenguaje, seguramente te has encontrado con el mismo problema: casi todas las APIs interesantes terminan pasando por caja. Ahí es donde entra en juego Free LLM API Resources, un repositorio que se ha convertido en uno de los recursos más útiles para cualquier desarrollador que trabaje con inteligencia artificial.

La idea es sencilla pero tremendamente práctica: reunir en un único lugar todos los proveedores que ofrecen acceso gratuito o créditos iniciales para utilizar modelos de lenguaje mediante API. En la lista aparecen plataformas conocidas como OpenRouter, Google AI Studio, Groq, Cohere, GitHub Models, Cloudflare Workers AI o NVIDIA NIM, junto a sus límites de uso, cuotas disponibles y modelos compatibles.

Lo interesante no es solo la cantidad de servicios recopilados, sino el tiempo que ahorra. En lugar de investigar proveedor por proveedor para descubrir si tienen plan gratuito, límites diarios o créditos promocionales, aquí tienes una comparativa actualizada que te permite elegir rápidamente la mejor opción para tu proyecto.

Para quienes crean prototipos, herramientas internas, bots, extensiones o proyectos personales, este repositorio puede significar la diferencia entre empezar hoy mismo o perder horas buscando alternativas. Además, incluye tanto proveedores con planes gratuitos permanentes como servicios que ofrecen créditos de prueba para lanzar proyectos más ambiciosos sin inversión inicial.

No es casualidad que haya acumulado decenas de miles de estrellas en GitHub. Se ha convertido en una referencia habitual entre desarrolladores que buscan experimentar con modelos de IA sin disparar costes desde el primer día. Si trabajas con inteligencia artificial, merece un lugar fijo en tus marcadores.

#IA #InteligenciaArtificial #LLM #API #DesarrolloWeb #Programacion #OpenSource #GitHub #MachineLearning #Desarrolladores #AITools #Tech

Si utilizas GitHub Copilot a diario, hay un cambio importante que no deberías pasar por alto. Desde el pasado 1 de junio, GitHub ha comenzado a aplicar un modelo de facturación basado en el consumo real de tokens para determinadas funciones de Copilot. En otras palabras, ya no basta con tener una suscripción: ahora conviene vigilar cómo y cuánto utilizas la herramienta.

Lo primero que recomendamos es establecer un límite de gasto de 0 dólares. Puede parecer exagerado, pero es la forma más sencilla de evitar sorpresas mientras entiendes cómo funciona el nuevo sistema. Siempre habrá tiempo para aumentar ese límite cuando tengas claro cuál es tu consumo habitual.

También merece la pena identificar qué tareas son las que más créditos consumen. Un autocompletado rápido apenas tiene impacto, pero las sesiones agénticas largas, los análisis complejos o los flujos que utilizan varias herramientas pueden disparar el consumo mucho más de lo que imaginas.

Otro aspecto clave es elegir el modelo adecuado para cada trabajo. Los modelos más avanzados suelen ofrecer mejores resultados, pero también consumen más créditos. Para tareas rutinarias, generación de código sencilla o consultas rápidas, los modelos ligeros suelen ser más que suficientes.

Ojo también con las revisiones de código automáticas. El nuevo sistema no solo puede consumir créditos de Copilot, sino también recursos de GitHub Actions. Si trabajas en equipo, configurar correctamente los runners a nivel de organización puede ayudarte a mantener los costes bajo control.

La buena noticia es que GitHub ha habilitado un periodo de transición entre junio y septiembre con créditos adicionales para facilitar la adaptación. Es el momento perfecto para medir, probar y entender cómo afecta este cambio a tu flujo de trabajo. No te confíes demasiado, porque cuando llegue octubre las condiciones serán diferentes y conviene llegar preparado.

Y precisamente ahí está la clave de todo: medir. La única forma real de saber si GitHub Copilot sigue siendo rentable para tu equipo o proyecto es comparar productividad y costes con datos reales. Si algo ha quedado claro con este cambio es que la inteligencia artificial ya no solo se evalúa por lo que hace, sino también por lo que cuesta hacerla funcionar.

#GitHub #GitHubCopilot #Programacion #DesarrolloWeb #Developer #Coding #IA #InteligenciaArtificial #OpenAI #SoftwareDevelopment #DevTools #GitHubActions #Productividad #Tecnologia #CodeReview

La mayoría de herramientas de inteligencia artificial actuales funcionan en servidores externos, recopilan datos de uso y dependen de suscripciones. Odysseus propone justo lo contrario: una plataforma open source que convierte tu ordenador en un espacio de trabajo completo para interactuar con modelos de lenguaje de forma local.

Su propuesta es sencilla pero potente. Desde una única interfaz puedes chatear con modelos de IA, utilizar agentes autónomos, ejecutar herramientas, realizar tareas de investigación, gestionar correos electrónicos e incluso servir tus propios modelos. Todo ello funcionando en tu hardware, sin enviar información a terceros y sin sistemas de telemetría ocultos.

Uno de los puntos más interesantes de Odysseus es su enfoque «local-first» y «privacy-first». Esto significa que tus conversaciones, documentos y procesos permanecen bajo tu control. Para desarrolladores, investigadores y entusiastas de la IA, supone una alternativa muy atractiva frente a plataformas cerradas que limitan el acceso o el uso de los datos.

Además, al ser un proyecto de código abierto, cualquiera puede inspeccionar el código, modificarlo y adaptarlo a sus necesidades. Esto abre la puerta a crear asistentes personalizados, entornos de automatización avanzados o laboratorios de experimentación con modelos de lenguaje sin depender de proveedores externos.

Si te interesa la inteligencia artificial, la privacidad y el software libre, Odysseus es uno de esos proyectos que merece un hueco en tu lista de herramientas para probar este año.

#IA #InteligenciaArtificial #OpenSource #LLM #AIWorkspace #SelfHosted #Programacion #DesarrolloWeb #SoftwareLibre #MachineLearning #Productividad #Tech

La IA ya no está “ayudando” a crear cortos. Ahora directamente los está redefiniendo. Y Zombie Scavenger es uno de esos proyectos que dejan claro que el cine experimental generado con inteligencia artificial ha pasado de ser una curiosidad a convertirse en un terreno creativo serio.

El cortometraje, dirigido por Mx-Shell, mezcla estética postapocalíptica, composición cinematográfica y generación visual avanzada para construir una experiencia que parece salida de un videojuego indie mezclado con una cinemática de ciencia ficción oscura. Todo con una dirección artística muy marcada y, sobre todo, con una integración brutal de herramientas IA.

Aquí no hay una sola plataforma haciendo magia. Lo interesante de Zombie Scavenger es precisamente cómo combina distintas tecnologías para crear un pipeline creativo completo. Desde generación de imágenes hasta movimiento, consistencia visual y composición cinematográfica.

La base visual del proyecto arranca con Nano Banana Pro, una herramienta que cada vez está ganando más peso entre artistas digitales por su capacidad para generar escenas hiper detalladas con una estética muy controlada. Muchas de las composiciones del corto tienen ese look sucio, decadente y ultracinemático que encaja perfecto con el universo zombie.

Luego entra en juego Midjourney, que sigue siendo una bestia cuando hablamos de concepto visual y atmósfera. Se nota especialmente en los encuadres y en el tratamiento de luz. Hay planos que parecen pósters de una película que todavía no existe.

Pero el salto interesante aparece con Flux 2 Max y GPT Image 2. Ahí es donde el proyecto empieza a tener coherencia visual real. Uno de los grandes problemas de los cortos hechos con IA suele ser que cada escena parece pertenecer a universos distintos. Aquí no pasa tanto. Hay una continuidad estética bastante sólida y eso hace que el corto funcione mucho mejor narrativamente.

Y después llega Seedance 2.0, que probablemente sea una de las piezas más importantes del resultado final. Porque generar imágenes está bien, pero moverlas de forma creíble ya es otro nivel. El trabajo de animación y transición que consigue el corto tiene momentos bastante locos. No parece el típico vídeo IA lleno de deformaciones raras cada tres segundos. Hay intención cinematográfica real.

Lo curioso es que Zombie Scavenger no intenta esconder que está hecho con inteligencia artificial. Al contrario. Abraza completamente esa estética híbrida entre render, videojuego, arte conceptual y cine generado. Y justo ahí está parte de su identidad.

Este tipo de proyectos también están cambiando algo importante en la industria creativa: el perfil del creador. Antes necesitabas un equipo enorme para levantar algo visualmente potente. Ahora alguien con visión artística, buen gusto visual y dominio de herramientas IA puede construir piezas que hace apenas dos años eran imposibles para una sola persona.

Eso sí, la herramienta no hace el trabajo sola. Y Zombie Scavenger es buen ejemplo de ello. Porque detrás de todo el apartado técnico hay dirección artística. Hay criterio. Hay decisiones visuales que separan un experimento random de un corto que realmente engancha.

Estamos entrando en una etapa donde diseñadores, programadores y artistas digitales empiezan a hablar el mismo idioma. Ya no se trata solo de saber ilustrar o programar prompts. Se trata de entender narrativa visual, composición, automatización creativa y flujo de trabajo IA.

Y proyectos como Zombie Scavenger son básicamente una ventana al futuro de todo eso.

#ZombieScavenger #MxShell #InteligenciaArtificial #Midjourney #Flux2Max #GPTImage2 #Seedance #NanoBananaPro #AICinema #DiseñoGráfico #ArteDigital #CineIA #CreativeAI #GenerativeAI #ProgramaciónCreativa

Hay dos formas de usar IA para programar: una es pedirle código a lo loco y cruzar los dedos… y otra es hacer ingeniería de verdad. Y justo ahí entra mattpocock/skills, un repo que está explotando en GitHub y que, sinceramente, deberías mirar si te mola el diseño, el código o ambos.

La idea es tan simple que duele: en vez de tratar a la IA como un genio improvisado, la conviertes en alguien con “habilidades concretas”. Cada skill es básicamente una receta bien definida: cómo crear un PRD, cómo dividir tareas, cómo hacer TDD, cómo diseñar interfaces… no magia, proceso.

Y aquí está lo interesante: no es teoría bonita. Es literalmente el workflow real de un dev top publicado tal cual. El repo nace del propio entorno de trabajo de Matt Pocock, que decidió abrir su carpeta .claude/skills/ al mundo. Resultado: uno de los repos más virales del momento, con decenas de miles de estrellas en cuestión de días .

Lo que te encuentras dentro no es código complejo, sino pequeñas piezas ultra concretas. Cosas como: convertir una idea en un PRD automáticamente, romper ese PRD en issues bien estructurados, forzar a la IA a preguntarte cosas incómodas antes de empezar (sí, eso existe), o generar múltiples diseños de interfaz para el mismo problema. Todo modular, todo reutilizable .

Y aquí viene el giro interesante para gente de diseño: esto no va solo de programar. Hay skills como “design-an-interface” que generan varias propuestas radicalmente distintas de UI para el mismo módulo. Es como tener un diseñador explorando caminos en paralelo, pero sin el caos típico de brainstorming eterno.

Además, el enfoque mola porque rompe con el “vibe coding”, ese rollo de improvisar con IA hasta que algo funciona. Aquí la filosofía es otra: primero piensas, luego estructuras, luego ejecutas. PRD → issues → código → tests. Un flujo mucho más cercano al diseño de producto que al simple desarrollo .

Otra cosa clave: cada skill es pequeña y hace una sola cosa bien. Esto es importante porque refleja cómo deberíamos pensar tanto el código como el diseño: piezas simples que se combinan para crear sistemas complejos. Nada de herramientas gigantes que hacen de todo mal.

Y lo mejor es que esto no es solo para usarlo tal cual. Es más bien una plantilla mental. Puedes copiar los skills, modificarlos o crear los tuyos. De hecho, el propio repo incluye uno para “crear skills”, lo cual ya es bastante meta.

En resumen: si estás en diseño o programación y usas IA, este repo te pega una bofetada suave pero necesaria. Te recuerda que no se trata de pedir resultados, sino de diseñar procesos. Y eso, al final, es donde está el nivel.

#Programación #DiseñoUX #InteligenciaArtificial #GitHub #Frontend #ProductDesign #UXUI #DevTools #IA #ClaudeAI #TypeScript #Workflow