# get merge: miércoles, 16 de septiembre de 2026

Traducido con IA. Algunas expresiones o significados pueden ser inexactos con respecto al [original en inglés](https://getmerge.ai/2026-09-16.md).

24 noticias combinadas de 4 boletines

Noticias de IA y diseño, combinadas a diario. Recibe un resumen conciso cada día laborable, con enlaces a las noticias originales.

https://getmerge.ai/2026-09-16?lang=es

## Resumen

- Salesforce llevó su CRM a Claude con 37 habilidades de ventas preconfiguradas y anunció Koa, su propio modelo de razonamiento de dominio creado mediante el postentrenamiento de Nemotron 3 Super de Nvidia. El planteamiento de Marc Benioff en la presentación principal: el «SaaS-pocalipsis» no fue el fin del software, sino que podría ser el fin del software que obliga a los humanos a hacer todo el trabajo.
- Anthropic, Google y OpenAI han debatido la creación de un organismo de pruebas externo; OpenAI respalda a los evaluadores integrados de la ley FRONTIER, y Miranda Bogen, del Center for Democracy and Technology, afirma que los evaluadores externos no pueden cambiar el comportamiento de las empresas sin estándares, correcciones obligatorias y responsabilidades asignadas cuando un modelo falla.
- Odyssey-3 controla robots, humanoides, automóviles, drones y personajes de videojuegos desde una única arquitectura base compartida con pequeños adaptadores de tareas superpuestos, y reporta un 77 % del rendimiento de conducción del mundo real en carreteras de la India para políticas entrenadas únicamente en simulación.

## Noticias principales

- **Salesforce llevó su CRM a Claude y creó su propio modelo para el resto**. En Dreamforce este martes, Salesforce anunció Koa, un modelo de razonamiento de dominio creado mediante el postentrenamiento de Nemotron 3 Super de Nvidia con datos sintéticos extraídos de aproximadamente tres décadas de conocimiento empresarial y ajustado para agentes de larga duración que ejecutan múltiples tareas. Salesforce afirma que Koa iguala o supera el rendimiento de los modelos líderes en acciones de CRM con tres veces menos errores en su propio benchmark de CRM. Junto con él se lanzaron tres elementos más: AIforce, que responde preguntas, ejecuta consultas y crea paneles leyendo directamente tu instancia de Salesforce; Claudeforce, la versión beta de Salesforce en Claude con 37 habilidades de ventas preconfiguradas para revisión de acuerdos, limpieza de pipeline, investigación de prospectos y gestión de cuentas, donde un administrador lo conecta una sola vez y los permisos se heredan de los roles existentes de Salesforce; y Headless 360, que expone la plataforma a través de APIs, MCPs, plugins y habilidades para que los clientes puedan trabajar fuera de salesforce.com. Las habilidades para los equipos de servicio, marketing y comercio están previstas para finales de este año. La frase de Marc Benioff en la presentación principal: el «SaaS-pocalipsis» no trataba sobre el fin del software, pero podría tratar sobre el fin del software que obliga a los humanos a hacer todo el trabajo. Fuentes: AlphaSignal, The Deep View. [1](https://claude.com/blog/salesforce-in-claude) [2](https://www.thedeepview.com/articles/why-salesforce-may-be-ai-s-adult-in-the-room) [3](https://www.salesforce.com/news/stories/crm-benchmark/) [4](https://www.thedeepview.com/articles/nvidia-boosts-open-models-with-nemotron-3-super)
- **Los laboratorios coinciden en las pruebas de terceros, y la cuestión de su cumplimiento sigue abierta**. Anthropic, Google y OpenAI han debatido la creación de un organismo de estándares de la industria que evalúe los modelos avanzados antes de su despliegue, una conversación que, según informa CNN, comenzó con el ensayo de julio de Demis Hassabis en el que proponía un regulador liderado por EE. UU. inspirado en FINRA. OpenAI respalda la ley FRONTIER, una propuesta bipartidista de la Cámara de Representantes que exigiría a los laboratorios de frontera integrar evaluadores externos, y estos evaluadores integrados forman parte del plan de Dario Amodei para otorgar a equipos externos un acceso similar al de los empleados con el fin de verificar los compromisos de seguridad. Elon Musk pidió que los laboratorios probaran los modelos de los demás, mencionando a OpenAI, Anthropic, Google, Meta y tres o cuatro empresas chinas líderes; Zuckerberg argumentó que los laboratorios deberían frenarse a sí mismos cuando la seguridad lo requiera y que la confianza y la alineación se percibirán como ventajas del producto más que como trabajo de cumplimiento normativo. Miranda Bogen, directora del laboratorio de gobernanza del Center for Democracy and Technology, declaró a The Deep View que los evaluadores externos pueden detectar problemas, pero no pueden cambiar el comportamiento de las empresas por sí solos. Enumera lo que falta: estándares de medición, un canal para informar sobre controles de seguridad fallidos a partes interesadas externas, correcciones obligatorias y una asignación clara de responsabilidades para que las evaluaciones no se conviertan en un mero trámite. La lectura propia de The Deep View es que la administración Trump ha dicho que no ve los riesgos que describe la industria, y lograr que los laboratorios chinos cooperen añade un segundo obstáculo. Fuentes: The Deep View, The Neuron. [5](https://www.thedeepview.com/articles/what-ai-labs-safety-pledges-still-don-t-solve) [6](https://darioamodei.com/post/we-must-pace-the-frontier) [7](https://www.politico.com/news/2026/09/15/openai-backs-bipartisan-house-plan-for-third-party-safety-assessments-01076588) [8](https://www.cnbc.com/2026/09/15/elon-musk-ai-safety-testing.html) [9](https://x.com/finkd/status/2099997096896274533) [10](https://www.cnn.com/2026/09/14/tech/ai-standards-body)
- **Odyssey-3 ejecuta robots, automóviles y drones a partir de una única arquitectura base congelada**. Odyssey lanzó Odyssey-3, un único modelo que controla robots, humanoides, automóviles, drones y personajes de videojuegos. La arquitectura mantiene congelada una arquitectura base preentrenada compartida y entrena pequeños adaptadores específicos para cada tarea sobre ella, por lo que un nuevo robot o vehículo solo requiere una capa ligera en lugar de un entrenamiento completo. Capacidades reportadas: control en esas cinco plataformas desde un solo modelo, mundos simulados interactivos donde los agentes aprenden haciendo, un 77 % del rendimiento de conducción del mundo real en carreteras de la India para políticas entrenadas puramente en simulación, y bucles de entrenamiento donde mundos generados por IA entrenan al siguiente modelo. Se espera el acceso público a través del portal para desarrolladores en cuestión de semanas, por lo que las cifras del paso de la simulación a la realidad son la afirmación que habrá que comprobar en el propio hardware. Fuentes: AlphaSignal, The Deep View. [11](https://odyssey.systems/introducing-odyssey-3) [12](https://x.com/odysseyml/status/2099900067356586276)
- **El cocreador de ChatGPT lanzó un modelo para tomar decisiones en lugar de generar prosa**. Diogo Almeida, quien trabajó en la investigación detrás de ChatGPT, pasó dos años construyendo lo que TypeSafe denomina modelos System One, y el primero público es JEV. Recibe preguntas estructuradas y devuelve respuestas tipadas además de probabilidades calibradas en lugar de texto generado. TypeSafe reporta respuestas de 70 a 500 milisegundos, de 20 a 200 veces más rápidas y de 40 a 400 veces más baratas que los flujos de trabajo de LLM comparables, con un entrenamiento basado en aprendizaje por refuerzo para decisiones calibradas (Reinforcement Learning for Calibrated Decisions), de modo que la puntuación de confianza tenga sentido para el software que realiza la llamada. La cifra de coste que promociona TypeSafe: aproximadamente $42 por cada mil millones de tokens de carga de trabajo equivalente. La propuesta apunta al momento en que un flujo de trabajo necesita una decisión en lugar de una explicación, como detectar fraudes, escalar una alerta o clasificar 1,000 registros. TypeSafe está recibiendo solicitudes de acceso, por lo que las afirmaciones sobre velocidad y coste aún no se han probado en producción. Si se mantienen, cambiará un patrón común en los agentes: dejarás de pedirle JSON a un modelo de chat y de escribir código para comprobar si ese JSON es coherente. Fuentes: The Neuron. [13](https://typesafe.ai/blog/introducing-system-one-models-and-jev)
- **Gemini 3.8 Live añade visión en tiempo real y voz en 97 idiomas**. Google DeepMind lanzó Gemini 3.8 Live, su modelo de diálogo en vivo más reciente, con entrada de visión en tiempo real, soporte de voz en 97 idiomas y razonamiento paralelo mejorado. Live Extended Thinking añade un modo más intensivo que razona durante más tiempo antes de hablar. Ambos boletines lo destacaron como el lanzamiento del mismo día, y la diferencia práctica con respecto a la generación anterior es que la visión y la voz llegan en la misma sesión en vivo en lugar de como herramientas separadas. Fuentes: AlphaSignal, The Neuron, The Deep View. [14](https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-live-gemini-3-8-live-extended-thinking/)
- **OpenAI negoció financiación previa a su salida a bolsa a una valoración de $1.2T mientras la Gates Foundation destinó $1B al acceso**. OpenAI se encuentra en conversaciones iniciales para otra ronda de financiación con una valoración de aproximadamente $1.2 billones ($1.2T), después de que sus ingresos anualizados superaran los $40 mil millones, según el Financial Times. La Gates Foundation se comprometió a aportar $1 mil millones ($1B) para ampliar el acceso global a la IA. El mismo día se cerraron dos rondas más pequeñas: Profound recaudó $180 millones con una valoración de $1.8 mil millones tras triplicar sus ingresos en seis meses y superar los 1,000 clientes empresariales para la optimización de búsquedas en IA, y la firma de IA para manufactura CADDi recaudó $114 millones con una valoración de $1.2 mil millones. Fuentes: The Neuron, The Deep View. [15](https://www.ft.com/content/27509db8-b032-4437-9b2a-e909f466022f) [16](https://www.nytimes.com/2026/09/15/technology/bill-gates-ai-foundation-funding.html?unlocked_article_code=1.BVE.a7Ad.zbUPEc5_9EIe&smid=bs-share) [17](https://techcrunch.com/2026/09/15/aeo-startup-profound-hits-unicorn-valuation-raises-180m-series-d-7-months-after-last-round/) [18](https://fortune.com/2026/09/15/caddi-manufacturing-startup-valuation-funding-round-series-d-exclusive/)
- **Dos equipos acercan los modelos al mundo físico: un humanoide de 284 libras y un modelo conectado a mesas de laboratorio**. Agility Robotics presentó Digit 5, un humanoide de 5'11" y 284 libras diseñado para trabajar junto a personas sin barreras de seguridad, capaz de transportar hasta 50 libras y recargarse en nueve minutos. Periodic Labs conectó su modelo Neon de 1T de parámetros directamente a experimentos físicos de materiales, de modo que el modelo propone el trabajo, el laboratorio lo ejecuta y los resultados entrenan la siguiente ronda. Digit 5 elimina la jaula entre el robot y el trabajador; Neon elimina la intermediación humana entre la hipótesis y el experimento. Fuentes: The Neuron, The Deep View. [19](https://www.agilityrobotics.com/content/agility-unveils-digit-5-humanoid-robot-built-for-cooperatively-safe-work-at-scale) [20](https://periodic.com/news/building-labs-that-learn)

## En profundidad

- **Los modelos adoptan personalidades de la ficción presente en sus datos de entrenamiento**. Un nuevo estudio descubrió que los LLM absorben rasgos de personalidad de personajes humanos ficticios presentes en sus datos de entrenamiento. El mecanismo importa más que el titular: si la voz de un personaje aparece con suficiente frecuencia en el preentrenamiento, parte de esa voz se manifiesta en resultados que nunca tuvieron la intención de sonar como alguien en particular. El artículo es el lugar para comprobar qué rasgos se midieron y cómo se aisló el efecto. Fuentes: AlphaSignal. [21](https://arxiv.org/abs/2609.10883)
- **El aprendizaje por refuerzo ayuda sobre todo en problemas fáciles, y un miniartículo unifica dos formas de plantear objetivos**. Un artículo sostiene que el entrenamiento con aprendizaje por refuerzo (RL) mejora los LLM principalmente en problemas fáciles y propone un método para corregir esa brecha. Otro miniartículo unifica el aprendizaje por refuerzo basado en objetivos y el jerárquico bajo modelos ocultos de Márkov, lo que representa la versión teórica de la misma queja: si la estructura de objetivos y subobjetivos se modela por separado, la señal de entrenamiento se vuelve más débil de lo necesario. Ambas son afirmaciones de investigación que conviene leer antes de reconstruir un pipeline en torno a ellas. Fuentes: AlphaSignal. [22](https://arxiv.org/abs/2609.13443) [23](https://arxiv.org/abs/2609.14605)
- **Sakana AI entrenó redes de 1,000 capas sin retropropagación**. PC-ALM de Sakana AI entrena redes neuronales de 1,000 capas utilizando dinámicas exclusivamente locales, lo que significa que cada capa se actualiza a partir de la información que puede ver cerca, en lugar de una señal de error global enviada hacia atrás a través de la pila. El coste de memoria de la retropropagación es lo que impide que las redes sean más profundas, por lo que contar con un método funcional de aprendizaje local es la parte interesante de la afirmación. El repositorio es público. Fuentes: AlphaSignal. [24](https://github.com/SakanaAI/pc-alm)
- **1,393 subagentes refactorizaron una base de código de un millón de líneas por unos $25K, y los humanos aún detectaron regresiones**. Nous Research ejecutó 1,393 subagentes Fable en una base de código de un millón de líneas, terminando la refactorización en aproximadamente 19 horas activas por unos $25,000. La revisión humana aún detectó regresiones, que es el dato que vale la pena mantener junto al precio. Esto pone un coste real al patrón de encargar un gran trabajo mecánico a un enjambre de agentes y revisar el resultado en lugar de escribirlo. Fuentes: The Neuron. [25](https://nousresearch.com/refactoring-hermes-with-1393-agents)
- **El 74% de los científicos encuestados ahorró tiempo con la IA, y la verificación se convirtió en el cuello de botella**. El análisis de Google sobre la IA en la ciencia reveló que el 74% de los científicos encuestados ahorró tiempo con la IA, con un promedio de unas 6.9 horas por semana. La misma encuesta sacó a la luz la verificación y las hipótesis no probadas como las nuevas limitaciones: cuando generar es barato, el trabajo se traslada a comprobar si lo generado es cierto, y esa comprobación no cuenta con una aceleración equivalente. Fuentes: The Neuron. [26](https://x.com/arthurturrell/status/2099877915844325780)
- **«Slop grenades»: el coste de la generación barata recae en el revisor**. Tobi Lütke, de Shopify, dio nombre al patrón de arrojar resultados generados por IA a los compañeros de trabajo y hacer que ellos inviertan el tiempo que tú ahorraste en revisarlos. Su argumento es que, a medida que la generación se abarata, el criterio se vuelve más valioso, y la persona que entrega volumen sin revisar está exportando trabajo en lugar de hacerlo. Un planteamiento útil para cualquiera que esté definiendo normas de revisión en un equipo este trimestre. Fuentes: The Neuron. [27](https://www.youtube.com/watch?v=G9P9D9hptq8)
- **Degradados: un ensayo sobre herramientas con una demostración funcional**. Un texto breve sobre degradados que incluye una muestra interactiva en lugar de solo capturas de pantalla. Vale la pena echarle un vistazo si alguna vez has discutido sobre qué tanto del comportamiento predeterminado de una herramienta de diseño debería aceptar un diseñador, o sobre dónde está el límite entre una herramienta que enseña una técnica y una que la oculta. Fuentes: Sidebar. [28](https://brainfunctioncollapse.com/projects/gradients)
- **La quinta nota de campo de Rauno: elimina las flechas, apila las tarjetas**. El artículo de Rauno Freiberg sobre cómo eliminar las flechas de paginación en favor de pilas de tarjetas interactivas, y cómo eso cambia lo que cabe en un espacio reducido. La idea que vale la pena adoptar: cuando un diseño se queda sin espacio, la solución suele ser una interacción diferente en lugar de una versión más pequeña de la misma. Fuentes: Sidebar. [29](https://rauno.me/notes/5)

## Herramientas y lanzamientos

- **LongCat-Video-Avatar 1.5**. El modelo de Meituan bajo licencia MIT convierte una foto de retrato y un archivo de audio en un vídeo parlante con sincronización labial, con dos personajes en una misma escena controlados por pistas de audio separadas, salida en 480p o 720p, identidad estable en clips largos y un modo de solo texto que genera un personaje sin necesidad de foto. La mejora de la v1.5 es la sincronización labial: incorpora Whisper-Large para el procesamiento de audio, de modo que el movimiento de la boca deja de desfasarse tras unos segundos. El autoalojamiento requiere una GPU de 40GB y consume unos 44 segundos de cómputo por cada segundo de vídeo. Los pesos están disponibles en Hugging Face. Fuentes: AlphaSignal. [30](https://github.com/meituan-longcat/LongCat-Video)
- **Meta One**. El paquete de suscripción de Meta para Instagram, Facebook, WhatsApp y Meta AI, con límites de uso de IA más altos y más de 50 funciones. Meta afirma que sus planes han alcanzado los 15 millones de suscripciones y pruebas. Fuentes: The Neuron. [31](https://about.fb.com/news/2026/09/introducing-meta-one-subscription-service-more-features-ai/)
- **Gensyn open-1b**. Un modelo lanzado con un registro de entrenamiento verificable, para que terceros puedan volver a ejecutar partes del entrenamiento en diferente hardware y comprobar que fue entrenado tal como afirma Gensyn. Una pista de auditoría para las ejecuciones de entrenamiento es la pieza que le falta a la mayoría de las afirmaciones sobre la procedencia de los modelos. Fuentes: The Neuron. [32](https://www.gensyn.ai/news/introducing-open-1b-auditable-training)
- **Aside**. Un agente que funciona en los sitios web en los que ya has iniciado sesión y en tus archivos locales de Windows, con credenciales limitadas a la tarea y un paso de confirmación antes de acciones de alto riesgo como publicar o realizar pagos. Fuentes: The Neuron. [33](https://aside.com/)
- **Sketchpad Live**. Convierte a GPT-Live o Astra en un profesor con pizarra que dibuja, mueve formas y narra una lección mientras tú la sigues. Es útil para probar cómo se comporta un modelo de voz cuando además tiene que mantener un estado visual coherente. Fuentes: The Neuron. [34](https://github.com/dy-ma/sketchpad-live)
- **Concat**. Un editor de vídeo de escritorio de código abierto al estilo de CapCut: edición multipista, subtítulos sin conexión con Whisper, conversión de texto a voz local y sin necesidad de cuenta ni marcas de agua. Los subtítulos locales son la parte clave si editas grabaciones de entrevistas que preferirías no subir a la nube. Fuentes: The Neuron. [35](https://github.com/jub0t/Concat)
- **OpenArtifacts**. Una superficie de publicación para Codex, Claude Code, Hermes, Pi y OpenCode que convierte los resultados de los agentes en artefactos HTML o Markdown para revisarlos en un navegador, lo que supera a desplazarse por una transcripción de terminal cuando lo que necesitas evaluar es un diseño. Fuentes: The Neuron. [36](https://openartifacts.ai/)
- **Opusfived**. Una breve comedia interactiva sobre asistentes de programación agénticos que no pueden hacer lo que les pediste. La premisa es una sola instrucción: haz que un botón sea azul, no cambies nada más. Vale la pena dedicarle tres minutos si alguna vez has recibido un diff de 400 líneas en respuesta a una solicitud de una sola línea. Fuentes: Sidebar. [37](https://opusfived.dev/)
- **Sidebranch**. Revisa pull requests desde dentro de tu aplicación en ejecución. Cambias de rama desde un widget integrado en la página y comparas árboles de trabajo lado a lado, de modo que los cambios visuales se evalúan en la interfaz real en lugar de a partir de una captura de pantalla en el hilo de un PR. Fuentes: Sidebar. [38](https://sidebranch.dev/)

## Referencias

1. [Claude: Salesforce en Claude](https://claude.com/blog/salesforce-in-claude)
2. [The Deep View: Por qué Salesforce podría ser el adulto en la sala de la IA](https://www.thedeepview.com/articles/why-salesforce-may-be-ai-s-adult-in-the-room)
3. [Salesforce: Benchmark de CRM para LLMs](https://www.salesforce.com/news/stories/crm-benchmark/)
4. [The Deep View: Nvidia impulsa los modelos abiertos con Nemotron 3 Super](https://www.thedeepview.com/articles/nvidia-boosts-open-models-with-nemotron-3-super)
5. [The Deep View: Lo que las promesas de seguridad de los laboratorios de IA aún no resuelven](https://www.thedeepview.com/articles/what-ai-labs-safety-pledges-still-don-t-solve)
6. [Dario Amodei: Debemos marcar el ritmo de la frontera](https://darioamodei.com/post/we-must-pace-the-frontier)
7. [Politico: OpenAI respalda el plan bipartidista para evaluaciones de seguridad de terceros](https://www.politico.com/news/2026/09/15/openai-backs-bipartisan-house-plan-for-third-party-safety-assessments-01076588)
8. [CNBC: Musk propone que los laboratorios prueben los modelos de los demás](https://www.cnbc.com/2026/09/15/elon-musk-ai-safety-testing.html)
9. [Zuckerberg sobre por qué los laboratorios deberían frenarse a sí mismos](https://x.com/finkd/status/2099997096896274533)
10. [CNN: Anthropic, Google y OpenAI debaten sobre un organismo de estándares de IA](https://www.cnn.com/2026/09/14/tech/ai-standards-body)
11. [Odyssey: Presentamos Odyssey-3](https://odyssey.systems/introducing-odyssey-3)
12. [Odyssey en X: Anuncio de Odyssey-3](https://x.com/odysseyml/status/2099900067356586276)
13. [TypeSafe: Presentamos los modelos System One y JEV](https://typesafe.ai/blog/introducing-system-one-models-and-jev)
14. [Google: Gemini 3.8 Live y Extended Thinking](https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-live-gemini-3-8-live-extended-thinking/)
15. [Financial Times: OpenAI en conversaciones con una valoración de $1.2T](https://www.ft.com/content/27509db8-b032-4437-9b2a-e909f466022f)
16. [The New York Times: La Gates Foundation compromete $1 mil millones para el acceso a la IA](https://www.nytimes.com/2026/09/15/technology/bill-gates-ai-foundation-funding.html?unlocked_article_code=1.BVE.a7Ad.zbUPEc5_9EIe&smid=bs-share)
17. [TechCrunch: Profound recauda $180M con una valoración de $1.8B](https://techcrunch.com/2026/09/15/aeo-startup-profound-hits-unicorn-valuation-raises-180m-series-d-7-months-after-last-round/)
18. [Fortune: CADDi recauda $114M con una valoración de $1.2B](https://fortune.com/2026/09/15/caddi-manufacturing-startup-valuation-funding-round-series-d-exclusive/)
19. [Agility Robotics: Humanoide Digit 5](https://www.agilityrobotics.com/content/agility-unveils-digit-5-humanoid-robot-built-for-cooperatively-safe-work-at-scale)
20. [Periodic Labs: Construyendo laboratorios que aprenden](https://periodic.com/news/building-labs-that-learn)
21. [arXiv: Los LLM absorben rasgos de personalidad de personajes de ficción](https://arxiv.org/abs/2609.10883)
22. [arXiv: El aprendizaje por refuerzo ayuda más a los LLM en problemas fáciles](https://arxiv.org/abs/2609.13443)
23. [arXiv: Unificando el aprendizaje por refuerzo basado en objetivos y el jerárquico con modelos ocultos de Márkov](https://arxiv.org/abs/2609.14605)
24. [GitHub: SakanaAI/pc-alm](https://github.com/SakanaAI/pc-alm)
25. [Nous Research: Refactorizando Hermes con 1,393 agentes](https://nousresearch.com/refactoring-hermes-with-1393-agents)
26. [Análisis de Google sobre la IA en la ciencia](https://x.com/arthurturrell/status/2099877915844325780)
27. [Tobi Lütke sobre las «slop grenades»](https://www.youtube.com/watch?v=G9P9D9hptq8)
28. [Hablemos de degradados](https://brainfunctioncollapse.com/projects/gradients)
29. [Notas de campo de Rauno: 5](https://rauno.me/notes/5)
30. [GitHub: meituan-longcat/LongCat-Video](https://github.com/meituan-longcat/LongCat-Video)
31. [Meta: Suscripción a Meta One](https://about.fb.com/news/2026/09/introducing-meta-one-subscription-service-more-features-ai/)
32. [Gensyn: open-1b con entrenamiento auditable](https://www.gensyn.ai/news/introducing-open-1b-auditable-training)
33. [Aside](https://aside.com/)
34. [GitHub: dy-ma/sketchpad-live](https://github.com/dy-ma/sketchpad-live)
35. [GitHub: jub0t/Concat](https://github.com/jub0t/Concat)
36. [OpenArtifacts](https://openartifacts.ai/)
37. [Opusfived](https://opusfived.dev/)
38. [Sidebranch](https://sidebranch.dev/)

Fuentes: [AlphaSignal](https://alphasignal.ai/), [The Neuron](https://www.theneurondaily.com/), [Sidebar](https://sidebar.io/), [The Deep View](https://www.thedeepview.co/).