OpenClaw Recibe un Transplante de Cerebro, Glasswing, Cerebros Gigantes y Escritores Clonados

OPENCLAW DAILY — EPISODIO 026 — 8 de abril de 2026

[00:00] INTRO / GANCHO OpenClaw 2026.4.8 lanza una capa de inferencia unificada, checkpointing de sesiones y una pila de memoria restaurada. La coalición Glasswing de Anthropic, el entrenamiento frontier de un solo GPU de MegaTrain, y un estudio que demuestra que tu IA de escritura podría ser simplemente un clon de Claude.

[02:00] HISTORIA 1 — OpenClaw 2026.4.8: El Lanzamiento Que Cambia Todo Seis subsistemas principales llegan en un solo lanzamiento.

El primero es el CLI del hub de inferencia — openclaw infer hub — una interfaz unificada para inferencia respaldada por proveedores en tareas de modelo, generación de medios, búsqueda web y embeddings. Envía las solicitudes al proveedor correcto, maneja la autenticación, remapea parámetros según las diferencias de capacidad entre proveedores, y recurre automáticamente a respaldo si un proveedor está caído o tiene límite de tasa. Si has estado gestionando múltiples configuraciones de proveedores en diferentes flujos de trabajo, el hub se convierte en la única capa de abstracción. Los cambios de proveedor se convierten en cambios de configuración a nivel del hub; el resto de tu flujo de trabajo permanece sin cambios.

El segundo es el sistema de respaldo automático de generación de medios, cubriendo imágenes, música y video. Si tu proveedor principal no está disponible o no soporta la capacidad específica que solicitaste — relación de aspecto, duración, formato — OpenClaw enruta al siguiente proveedor configurado y ajusta los parámetros automáticamente. Una generación fallida es un inconveniente. Mil por día en una flota de producción es un problema operacional. Esto se maneja una vez a nivel de plataforma; cada agente se beneficia inmediatamente.

El tercero es la rama Sessions UI y la funcionalidad de restauración. Cuando se ejecuta la compactación de contexto, el sistema ahora captura el estado de la sesión antes de resumir. Los operadores pueden usar la UI de Sessions para inspeccionar checkpoints y restaurar a un estado pre-compactación, o usar cualquier checkpoint como punto de bifurcación para explorar una dirección diferente sin perder el hilo original. Esto es historial de versiones para el contexto de sesión — la diferencia entre editar con autoguardado y editar donde cada guardado sobrescribe el archivo anterior.

El cuarto es la restauración completa de la pila de memoria y wiki. Esto incluye campos estructurados de afirmaciones y evidencia, recuperación de digest compilados, linting de salud de afirmaciones, agrupamiento de contradicciones, dashboards de caducidad y búsqueda ponderada por frescura. Las afirmaciones pueden ser etiquetadas con evidencia de respaldo, sometidas a linting para consistencia interna y agrupadas donde se contradicen entre sí. Los resultados de búsqueda se clasifican por actualidad, no solo por relevancia. Si has estado trabajando alrededor de piezas faltantes en versiones anteriores, esta es la implementación nativa — prueba tu flujo de trabajo contra ella.

El quinto es el plugin de ingress de webhooks. Los endpoints por ruta con secreto compartido permiten que sistemas externos se autentiquen y activen TaskFlows vinculados directamente — pipelines de CI, herramientas de monitoreo, trabajos programados, webhooks de terceros — sin código de integración personalizado. El plugin maneja el enrutamiento, autenticación y vinculación de flujo de trabajo.

El sexto es el registro de proveedores de compactación conectables. Ahora puedes enrutar la compactación de contexto a un modelo o servicio diferente a través de agents.defaults.compaction.provider — un modelo más rápido y económico optimizado para resumir en lugar del modelo más capaz que tienes. Recurre a la summarización integrada de LLM en caso de falla. A escala, la compactación está ocurriendo constantemente; enrutarla apropiadamente importa para el costo y la latencia.

Otras adiciones notables: Google Gemma 4 ahora es soportado nativamente con semántica de pensamiento preservada y la resolución de fallback de Google corregida. Claude CLI se restaura como la ruta local preferida de Anthropic en onboarding, flujos de doctor y carriles vivos de Docker. Los modelos de visión de Ollama ahora aceptan adjuntos de imagen nativamente — la capacidad de visión se detecta desde /api/show, no se requieren workarounds. El sistema de memoria y sueños ingiere transcripciones de sesiones redactadas en el corpus de sueños con notas de corpus de sesión por día y checkpointing de cursor. Un nuevo plugin de proveedor de Arcee AI incluido con entradas del catálogo Trinity y soporte de OpenRouter. Los cambios del motor de contexto exponen availableTools, citationsMode y costuras de artefactos de memoria a plugins complementarios — una mejor API de extensión.

Correcciones relevantes de seguridad: la ejecución de host y el saneamiento del entorno ahora bloquean anulaciones peligrosas para Java, Rust, Cargo, Git, Kubernetes, credenciales en la nube y Helm. El comando /allowlist ahora requiere autorización del propietario antes de que los cambios se apliquen. El soporte de proxy de Slack está funcionando correctamente — la configuración ambiental del proxy HTTP/HTTPS se respeta para conexiones WebSocket de Socket Mode incluyendo exclusiones de NO_PROXY. Los errores de inicio del gateway en todos los canales incluidos (Telegram, BlueBubbles, Feishu, Google Chat, IRC, Matrix, Mattermost, Teams, Nextcloud, Slack, Zalo) se resolvieron mediante la solución sidecar de nivel superior incluida. → github.com/openclaw/openclaw/releases

[12:00] HISTORIA 2 — Proyecto Glasswing: La Coalición de Ciberseguridad Anthropic lanzó el Proyecto Glasswing con una coalición de Amazon, Apple, Broadcom, Cisco, CrowdStrike, Google, JPMorganChase, Microsoft, NVIDIA, Palo Alto Networks y otros. La pieza central es Claude Mythos Preview — un modelo frontier no lanzado que obtiene 83.1% en CyberGym vs 66.6% para Opus 4.6. En pruebas encontró miles de vulnerabilidades de día cero, incluyendo un bug de 27 años de OpenBSD y una falla de 16 años de FFmpeg. Anthropic se compromete con $100M en créditos de uso y $4M en donaciones a organizaciones de seguridad de código abierto. La tesis central: la capacidad ofensiva de IA ha sobrepasado el tiempo de respuesta defensivo humano, por lo que la misma capacidad debe ser desplegada defensivamente. Vale la pena discutir: ¿qué significa "coalición" cuando Anthropic controla el modelo? ¿Y es realmente mejor encontrar bugs y parcharlos que simplemente no enviar código vulnerable? → anthropic.com/glasswing

[20:00] HISTORIA 3 — MegaTrain: Entrenamiento de Precisión Completa de 100B+ en un Solo GPU MegaTrain permite entrenar LLMs de más de 100B parámetros en un solo GPU almacenando parámetros y estados del optimizador en memoria host (CPU) y tratando los GPUs como motores de computación transitorios. En un solo GPU H200 con 1.5TB de memoria host, entrena modelos de hasta 120B parámetros de manera confiable. Logra 1.84x el throughput de entrenamiento de DeepSpeed ZeRO-3 con offloading a CPU cuando entrena modelos de 14B, y permite el entrenamiento de modelos de 7B con contexto de 512k tokens en un solo GH200. Implicaciones prácticas: reduce drásticamente la barrera de hardware para entrenamiento a escala frontier, lo que podría acelerar tanto la investigación legítima como... todo lo demás. → arxiv.org/abs/2604.05091

[27:00] HISTORIA 4 — 178 Modelos de IA Identificados: Gemini Flash Lite Escribe 78% Como Claude 3 Opus Un proyecto de investigación creó huellas estilométricas para 178 modelos de IA a través de riqueza léxica, estructura de oraciones, hábitos de puntuación y marcadores de discurso. Nueve clusters de clones mostraron >90% de similitud de coseno. Hallazgo principal: Gemini 2.5 Flash Lite escribe 78% como Claude 3 Opus pero cuesta 185x menos. La convergencia sugiere que los modelos frontier están alcanzando patrones óptimos similares a pesar de diferentes arquitecturas y datos de entrenamiento — o que el estilo de Claude es simplemente un atractor fuerte para RLHF. Implicaciones para herramientas de detección de IA, afirmaciones de originalidad y la economía de la escritura de IA "suficientemente buena". → news.ycombinator.com/item?id=47690415

[32:00] HISTORIA 5 — LLM Juega Shoot-'Em-Up en Commander X16 de 8-bit Mediante Resúmenes de Texto Un desarrollador conectó GPT-4o a un emulador Commander X16 de 8-bit usando resúmenes de texto estructurados ("sentidos inteligentes") derivados de entradas estilo touch y EMF del juego. El LLM mantiene notas entre turnos, desarrolla estrategias y descubrió un exploit en el comportamiento de la IA integrada. Demuestra que el razonamiento del modelo puede emerger de entrada estructurada mínima — sin píxeles, sin audio, solo resúmenes de texto del estado del juego. Nota lateral divertida: el Commander X16 es una recreación moderna de una arquitectura de computadora doméstica de 8-bit, así que está corriendo en hardware real emulado en software. → news.ycombinator.com/item?id=47689550

[35:30] CIERRE / DESPEDIDA El próximo episodio sale mañana. Si quieres una transcripción, responde en Telegram.

→ Responde en Telegram para aprobar la generación de transcripción.