Sigo con la iniciativa #viernesdeescritorio. Bienvenidos a mi escritorio Plasma de junio 2026, que en este mes cambio de dispositivo a mi Slimbook Evo, con el que llegamos a las 74 entregas compartiendo «Mi escritorio» de forma mensual, una edición especial ya que es el primero en el que muestro mi nuevo portátil y del que hablaré en un futuro.

Mi escritorio Plasma de julio 2026 #viernesdeescritorio

Esta va a ser la entrega número 74 en la que muestro mi escritorio Plasma 6 en público, lo cual es número nada desdeñable de entradas que sigue creciendo de forma constante.

Como decía en la introducción la realizo de nuevo sobre mi ultrabook Slimbook Evo, el cual tiene instalado un KDE Neon con Plasma 6.7.3 sobre una versión de KDE Frameworks 6.28.0 y una versión de Qt 6.11.1. El servidor gráfico es Wayland y el Kernel es 7.0.0-28-generic (64 bits).

La barra de tareas la tengo en la parte izquierda ocupando todo ese espacio y contiene de arriba a abajo.

• Reloj digital
• Selector de escritorios virtuales
• Gestor de tareas solo iconos
• Bandeja del sistema
• Vista de escritorio
• Lanzador de aplicaciones.

Como fondo de escritorio he seleccionado el básico de Plasma 6.7 ya que realmente queda bien y siempre me gusta promocionar la tarea del VDG de la Comunidad KDE.

Además, el fondo contiene el reloj Mike TimeStamps simplificado ya que este plasmoide coge bien la información del idioma de mi sistema, y por ello aparece el día de la semana en valenciano, el plasmoide Bare Weather, que me encanta para saber lo que nos queda por padecer por culpa de la calor y el plasmoide Meteoclimatic Feeds de Victorhck (tengo pendiente hacer una revisión del mismo ya que ha sacado nueva versión), por tener una información en tiempo real más precisa. He hablado de todos ellos en el blog.

El resultado de mi escritorio Plasma de julio de 2026 es un entorno de trabajo oscuro y, como siempre, funcional que podéis ver en la imagen inferior (pinchad sobre ella para verlo un poco más grande).

La entrada se publicó primero en KDE Blog.

Dear Tumbleweed users and hackers,

This week saw the release of 5 snapshots (0723, 0724, 0726, 0728, and 0729).

A major milestone was reached as GCC 16 has officially landed as Tumbleweed’s new default system compiler in snapshot 0726. Because this transition required rebuilding the entire repository to benefit from the new compiler optimizations, snapshot 0726 was exceptionally large. Along with this compiler shift, the linux-glibc-devel 7.1 headers successfully made their way to users in snapshot 0728.

Additionally, we saw the return of multipath-tools 0.15~1 in snapshot 0726 after its brief “yo-yo” revert last week.

These 5 snapshots delivered the following updates:

• GCC 16 as the default system compiler
• linux-glibc-devel 7.1
• Mozilla Firefox 153.0
• systemd 261.2
• OpenSSH 10.4p1
• multipath-tools 0.15~1
• ntfs-3g_ntfsprogs 2026.7.7
• btrfsprogs 7.1
• python-numpy 2.4.6
• java-25-openjdk 25.0.4.0
• AppStream 1.1.5
• freerdp 3.30.0
• bind 9.20.26
• cryptsetup 2.8.7
• virtualbox 7.2.14
• wicked 0.6.80
• util-linux 2.42.2
• fwupd 2.1.7
• libostree 2026.2
• rpmlint: enforce whitelisting for capabilities in SUIDPermissionsCheck via bugreports

With these updates successfully rolled out, it is time to turn our gaze forward and see what the staging areas are cooking up for the near future.

• Podman 6.0.0: Undergoing integration and sync testing with buildah and skopeo.
• Linux Kernel 7.1.5
• Mozilla Firefox 153.0.1
• Samba 4.24.5
• PHP 8.5.9
• python-Sphinx 9.1.0: This update is currently breaking python311:doc and python312:doc.
• glibc 2.44

The author describes a journey of upgrading their home office setup, initially using a six-monitor rig with inadequate screens. They found improvements in an LG DualUP monitor and decided on a dual setup using INNOCN displays to enhance productivity. Despite some connection issues and pixel density discrepancies, the new layout significantly increased usability and desk efficiency.

🚢 Shipped this week Fixed issues, small features, security updates, minor releases, new external contributors… de-group when filter_search_text on top of filter_labels - #20097 Fix overlapping labels on image template radio buttons - #19931 make it visually clear that attributes are expandable - #19984 Fix backlog link for users in beta - #20092 Do not link hidden monitor workers to build logs - #20023 Reject release targets that point back to the same repository -...

Reconozco que me pilla un poco lejos dado que el evento se celebrar al otro lado del charco (desde mi punto de vista). Me complace compartir con vosotros que llega FOSSY 2026, evento Software Libre que se celebra en el campus de la University of British Columbia en Vancouver, Canada en el que la Comunidad KDE estará presente celebrando su Camp KDE. ¿Te pilla cerca y te interesa? Sigue leyendo.

Del 6 al 9 de agosto la Comunidad canadiense de Vancouver tiene una cita para compartir conocimientos, experiencia y sabiduría a la vez que busca aunar esfuerzos en vista de un objetivo común: dar el mejor software ético para todo el mundo.

El evento organizado lleva por nombre FOSSY 2026 y ésta será su cuarta edición. Para los curiosos el nombre viene de Free and Open Source Software Yearly y está organizado por Software Freedom Conservancy, una organización sin ánimo de lucro dedicada a la tecnología ética.

En palabras de sus organizadores:

En Software Freedom Conservancy estamos muy orgullosos de anunciar que este próximo verano volveremos a organizar una conferencia orientada a la comunidad. FOSSY se centra en la creación y el impacto del software libre y de código abierto, y tiene como objetivo dar visibilidad a los colaboradores de todos los niveles de experiencia.

Nos entusiasma centrarnos en el uso de software libre para organizar la conferencia y trataremos de contribuir a reducir la cantidad de software propietario que se utiliza por defecto.

De esta forma, a lo largo de los 4 días del evento tendrás a tu disposición 4 salas diferenciadas donde elegir la charla que más te interese.

Y la Comunidad KDE estará presente pues se va a realizar la Camp KDE, su especie de Akademy o Akademy-es canadiense donde los desarrolladores del proyecto mostrarán las novedades, software o inicitivas KDE.

Siendo más concretos, la Camp KDE se celebrará el sábado 8 de agosto en la sala MCLD 2002, aunque podrás encontrar a la Comunidad KDE en otras charlas como las del domingo titulada «Revival Retrospective: Fedora KDE» a cargo de
Neal Gompa.

Así que ya sabes, si estás por la zona no dejes pasar esta oportunidad de participar y compartir conocimiento libre.

La entrada Llega FOSSY 2026, evento Software Libre en Canada se publicó primero en KDE Blog.

Imagine entrar em um ambiente virtual que não foi completamente desenhado por uma equipe de artistas, programadores e desenvolvedores. Em vez de carregar um mapa pronto, armazenado previamente no computador, o cenário é criado continuamente por uma inteligência artificial enquanto o usuário caminha, dirige um veículo, movimenta um personagem ou altera a direção da câmera. Essa é a proposta do ABot-World-0, um modelo desenvolvido pelo AMAP CV Lab para gerar vídeos interativos condicionados às ações do usuário.

O paper do projeto, intitulado “ABot-World-0: Infinite Interactive World Rollout on a Single Desktop GPU”, foi publicado no arXiv em julho de 2026. O trabalho representa uma mudança importante na evolução dos sistemas de geração de vídeo, pois não se limita à criação de pequenos clipes previamente determinados. O objetivo é produzir um mundo visual que continue sendo gerado conforme o usuário interage com ele, criando uma experiência que se aproxima de um videogame, mas sem depender exclusivamente de cenários, movimentos e animações programados antecipadamente.

Muito além de um gerador tradicional de vídeos

Nos geradores de vídeo convencionais, o usuário escreve uma descrição e aguarda a inteligência artificial produzir uma sequência com alguns segundos de duração. Depois que o vídeo é concluído, não existe uma maneira real de entrar naquela cena, mudar sua direção ou decidir o que acontecerá em seguida. O ABot-World-0 funciona de forma diferente: o usuário envia comandos pelo teclado e o modelo utiliza essas ações para determinar como os próximos quadros devem ser produzidos.

Ao pressionar uma tecla para avançar, virar, recuar ou movimentar a câmera, a inteligência artificial precisa prever como o cenário deve se transformar em resposta àquela ação. Os novos quadros gerados passam a fazer parte do contexto utilizado na próxima etapa da simulação. Dessa forma, o sistema opera em um ciclo contínuo no qual o usuário envia um comando, a IA interpreta a ação, o ambiente responde visualmente e o resultado passa a ser usado como ponto de partida para os próximos movimentos.

O modelo trabalha com oito comandos principais. As teclas W, A, S e D controlam a movimentação, enquanto I, J, K e L controlam a rotação da câmera ou do personagem. Esses comandos são sincronizados com os quadros do vídeo e inseridos diretamente na rede neural. Com isso, o modelo aprende que determinadas ações devem provocar mudanças específicas no ambiente virtual. Nas demonstrações, é possível caminhar por cenários abertos, explorar construções, controlar personagens, dirigir veículos, atravessar terrenos variados e reagir visualmente a obstáculos.

A experiência lembra um jogo eletrônico, mas existe uma diferença fundamental. Em um jogo tradicional, o mapa, os objetos, as animações, a iluminação e as regras de interação foram previamente criados e programados. No ABot-World-0, uma parte considerável do que aparece na tela é prevista e sintetizada pela inteligência artificial durante a própria execução. Em outras palavras, o ambiente não está sendo apenas exibido: ele está sendo continuamente imaginado pelo modelo.

Um mundo virtual executado em uma única GPU

Um dos aspectos mais impressionantes do ABot-World-0 é sua capacidade de funcionar em uma única NVIDIA GeForce RTX 5090, sem depender de um cluster composto por várias GPUs. O sistema consegue gerar vídeos com resolução de 1280 × 704 pixels, alcançando uma taxa de até aproximadamente 16 quadros por segundo. A latência entre o comando do usuário e a geração do primeiro quadro correspondente fica em torno de 1,2 segundo, enquanto o consumo máximo de memória gráfica permanece abaixo de aproximadamente 19,3 GiB de VRAM nas configurações otimizadas apresentadas pelos pesquisadores.

Esses números não significam que o projeto pode ser executado em qualquer computador doméstico. A RTX 5090 é uma placa de vídeo de alto desempenho e representa o segmento mais avançado das GPUs de consumo. Mesmo assim, executar uma simulação generativa desse nível em uma única placa instalada em um computador de mesa é muito diferente de depender de dezenas ou centenas de aceleradores operando em um data center.

O desempenho também varia conforme a precisão numérica utilizada durante a inferência. Na configuração FP8, que procura preservar maior qualidade visual, o sistema alcançou aproximadamente 12,4 FPS. Já na configuração MXFP4, mais comprimida e voltada para maior velocidade, o desempenho chegou a cerca de 15,8 FPS, valor divulgado de forma arredondada como até 16 FPS.

Ainda não estamos falando de uma experiência comparável aos 60, 120 ou 144 quadros por segundo encontrados em jogos modernos. A latência de 1,2 segundo também é perceptível e impede que o sistema seja considerado totalmente instantâneo. Entretanto, o resultado demonstra que a geração interativa de mundos virtuais começa a entrar em uma faixa de desempenho utilizável, especialmente para pesquisa, prototipagem, simulação e experiências visuais experimentais.

Como a inteligência artificial aprende a controlar um mundo

Para ensinar uma inteligência artificial a criar um ambiente interativo, não basta fornecer vídeos visualmente atraentes. O modelo precisa compreender qual ação provocou cada movimento mostrado na gravação. Ele precisa aprender, por exemplo, que pressionar uma tecla para a esquerda deve alterar a trajetória do personagem e modificar a perspectiva do cenário de maneira coerente.

Por isso, o treinamento do ABot-World-0 combina dados provenientes de jogos eletrônicos, ambientes simulados e vídeos reais encontrados na internet. Os jogos fornecem imagens detalhadas acompanhadas de comandos precisos. Nesse contexto, é possível registrar exatamente qual tecla foi pressionada, para onde o personagem se movimentou, como a câmera reagiu e quais mudanças ocorreram no ambiente.

Os simuladores oferecem ainda mais controle sobre elementos como posição da câmera, geometria, horário, clima, iluminação, trânsito, trajetória e movimentação de objetos. Já os vídeos reais da internet acrescentam diversidade de paisagens, condições de iluminação, perspectivas e situações encontradas no mundo físico. Como esses vídeos normalmente não possuem os comandos que deram origem ao movimento da câmera, o sistema precisa estimar o deslocamento e criar rótulos aproximados para as ações observadas.

O projeto também apresenta um agente autônomo chamado WorldExplorer, responsável por percorrer jogos e ambientes simulados automaticamente. Durante esse processo, ele coleta vídeos, posições de câmera, ações, trajetórias, estados do ambiente e outros metadados necessários para o treinamento. Quando os pesquisadores identificam que o modelo apresenta dificuldades em determinado cenário, movimento ou perspectiva, o sistema pode direcionar uma quantidade maior de coleta para aquela situação específica.

Isso cria um ciclo de melhoria contínua. O agente coleta os dados, o modelo é treinado, os erros são analisados e novas amostras são produzidas para corrigir as deficiências encontradas. Em vez de criar um conjunto de treinamento estático, os pesquisadores utilizam o próprio desempenho da inteligência artificial para orientar quais dados precisam ser coletados posteriormente.

Controle de qualidade e preservação dos personagens

Como dados ruins produzem modelos ruins, o material coletado passa por uma sequência de 14 verificações determinísticas, distribuídas em diferentes categorias de qualidade. O pipeline procura quadros ausentes, vídeos corrompidos, resoluções incorretas, falhas de sincronização, telas de carregamento, menus, elementos de interface, problemas de geometria, personagens atravessando objetos, comandos incompatíveis com o movimento, metadados incompletos e cenas visualmente inadequadas.

Além das verificações automáticas, um modelo de visão e linguagem analisa semanticamente os vídeos. Os trechos aprovados recebem informações sobre o tipo de cenário, clima, horário, veículo, perspectiva da câmera, personagem e ações executadas. Essa etapa torna os dados mais organizados e ajuda o modelo a compreender não apenas o movimento, mas também o contexto visual em que ele acontece.

Outro desafio importante é preservar a aparência dos personagens durante sequências prolongadas. Em vídeos longos gerados por inteligência artificial, um personagem pode mudar gradualmente de roupa, rosto, cabelo, proporção ou cor. Para reduzir esse problema, o pipeline extrai imagens de referência dos personagens em diferentes ângulos. Essas imagens ajudam o modelo a manter roupas, rosto, cores e identidade visual de maneira mais consistente, principalmente em cenas na terceira pessoa, nas quais o personagem permanece visível durante grande parte da experiência.

O modelo professor, o modelo aluno e o LongForcing

O treinamento utiliza uma estratégia semelhante à relação entre um professor e um aluno. Inicialmente, os pesquisadores treinam um modelo professor bidirecional, capaz de observar diferentes momentos de uma sequência completa. Como possui acesso a mais informações, esse modelo consegue aprender com maior qualidade a aparência das cenas, os movimentos, a dinâmica dos objetos e as consequências de cada ação.

Entretanto, o modelo professor não é adequado para uma aplicação em tempo real, pois depende de várias etapas de processamento e de uma visão mais ampla da sequência. Seu conhecimento é então transferido para um modelo aluno causal, que precisa trabalhar como o sistema funcionará durante o uso real: observando apenas o que já aconteceu e prevendo o próximo trecho do vídeo.

A transferência de conhecimento ocorre em três etapas. Na primeira, chamada Teacher Forcing, o aluno aprende a produzir os próximos quadros utilizando sequências corretas fornecidas durante o treinamento. Na segunda, conhecida como destilação ODE, o sistema reduz a quantidade de etapas necessárias para transformar o ruído inicial nos próximos quadros, acelerando significativamente a geração. Na terceira etapa entra o LongForcing, uma das principais contribuições apresentadas pelo projeto.

O LongForcing treina o modelo utilizando suas próprias gerações prolongadas. Em vez de trabalhar apenas com sequências perfeitas, o aluno precisa continuar produzindo novos quadros a partir das imagens que ele mesmo criou. O modelo professor analisa essas sequências e ajuda a corrigir os desvios que surgem ao longo do tempo. Essa técnica é essencial porque, em uma simulação contínua, qualquer pequeno erro pode ser reutilizado como contexto e acabar provocando falhas cada vez maiores.

O ABot-World-0 possui aproximadamente 5 bilhões de parâmetros, número relativamente compacto quando comparado a modelos com dezenas ou centenas de bilhões. Isso é particularmente relevante porque o sistema não trabalha apenas com texto. Ele precisa processar simultaneamente vídeo, movimento, ações, contexto temporal, aparência e dinâmica do ambiente. A pesquisa demonstra que modelos extremamente grandes nem sempre são indispensáveis quando a arquitetura, os dados, o treinamento e a inferência são cuidadosamente otimizados.

O desafio de gerar um mundo sem perder qualidade

Em um vídeo convencional de poucos segundos, pequenos erros podem passar despercebidos porque a sequência termina rapidamente. Em um mundo interativo, o problema é muito mais grave. Cada quadro criado pela inteligência artificial é utilizado como contexto para produzir os quadros seguintes. Um pequeno erro pode gerar outro erro maior, que passa a influenciar novas previsões e se acumula progressivamente.

Esse fenômeno é conhecido como drift, ou desvio acumulado. Com o passar do tempo, o personagem pode mudar de aparência, os objetos podem se deformar, os detalhes do cenário podem desaparecer e os movimentos podem se tornar repetitivos. Também podem surgir imagens borradas, cores excessivamente saturadas, texturas artificiais ou quadros praticamente congelados.

O LongForcing foi desenvolvido justamente para reduzir esse problema. Em vez de treinar o modelo apenas com trechos curtos e visualmente perfeitos, os pesquisadores também o expõem às previsões acumuladas que ele produz durante gerações prolongadas. O modelo professor observa essas sequências e ajuda o aluno a retornar para uma distribuição visual mais coerente.

Nos testes de 60 segundos, a técnica apresentou menos borrões, repetição de padrões, saturação excessiva e degradação visual do que outras configurações avaliadas. O artigo também apresenta exemplos retirados de gerações com duração de horas e testes realizados em escala de dias.

A expressão “geração infinita”, entretanto, precisa ser interpretada com cuidado. Ela não significa que o ambiente permanecerá perfeito para sempre nem que a inteligência artificial possuirá memória ilimitada sobre todos os lugares, objetos e acontecimentos. O termo indica que o sistema não possui uma duração fixa obrigatória, como ocorre com vídeos limitados a cinco ou dez segundos. Enquanto houver recursos computacionais e comandos do usuário, o modelo pode continuar produzindo novos quadros, embora inconsistências ainda possam surgir ao longo da experiência.

Otimização completa para caber em uma GPU

O desempenho alcançado pelo ABot-World-0 não depende apenas do modelo de inteligência artificial. Os pesquisadores precisaram otimizar toda a cadeia de execução, incluindo arquitetura, precisão numérica, memória, decodificação e kernels utilizados pela GPU.

Entre as principais tecnologias estão um decodificador de vídeo VAE mais leve, o processamento do Diffusion Transformer em baixa precisão, SageAttention2, uma implementação otimizada de RoPE, gerenciamento avançado de memória, cache KV com tamanho limitado, geração em blocos de quadros, FlashAttention, LightX2V e quantizações em FP8 e MXFP4.

A configuração original não cabia na memória da RTX 5090. O sistema tornou-se viável somente depois da combinação entre quantização, decodificador mais leve, kernels especializados e um gerenciamento mais eficiente da memória. Esse resultado traz uma lição importante para o desenvolvimento de soluções de IA: não basta possuir um bom modelo. Para transformar uma pesquisa em uma aplicação utilizável, é necessário otimizar conjuntamente software, arquitetura, memória e hardware.

Resultados apresentados no WorldRoamBench

O ABot-World-0 foi avaliado no WorldRoamBench, benchmark voltado para modelos de mundos interativos. A avaliação considera a capacidade de responder aos comandos, acompanhar trajetórias, preservar a qualidade visual, reproduzir comportamentos físicos e manter informações ao longo do tempo.

O modelo alcançou 0,5266 de precisão estrita no controle das ações, ficando muito próximo da melhor pontuação apresentada na comparação, que foi de 0,5317. Também obteve 0,7290 em precisão parcial, 0,6752 no acompanhamento de trajetória, 0,5039 em estética, 0,4651 em qualidade de imagem, 0,5223 em mecânica e 0,5041 em memória.

Métrica	Resultado
Precisão estrita das ações	0,5266
Precisão parcial	0,7290
Acompanhamento de trajetória	0,6752
Estética	0,5039
Qualidade da imagem	0,4651
Mecânica	0,5223
Memória	0,5041

Os resultados demonstram um desempenho competitivo, mas não uma vitória em todas as categorias. Outros modelos apresentaram pontuações superiores em determinados critérios, principalmente na retenção de memória. Ainda assim, o ABot-World-0 consegue oferecer resultados relevantes utilizando um modelo relativamente compacto e uma única GPU de desktop.

Os exemplos divulgados pelos pesquisadores incluem veículos colidindo com objetos, personagens deixando marcas na neve, movimentos criando rastros na água e obstáculos impedindo a passagem. Isso não significa, entretanto, que o modelo possua um mecanismo tradicional de física.

O ABot-World-0 não foi programado com regras matemáticas explícitas de colisão, gravidade ou dinâmica. Ele aprendeu esses comportamentos observando grandes quantidades de vídeos e ambientes interativos. As respostas físicas podem parecer plausíveis, mas não devem ser tratadas como uma simulação científica exata. O modelo apenas prevê visualmente o que provavelmente deveria acontecer com base nos exemplos vistos durante o treinamento.

Código aberto e possíveis aplicações

O código de inferência, a demonstração local com Gradio e o modelo causal ABot-World-0-5B-LF foram disponibilizados publicamente. O projeto utiliza a licença Apache 2.0, e os pesos podem ser encontrados em plataformas como Hugging Face e ModelScope.

O ambiente oficialmente testado utiliza Ubuntu 22.04, Python 3.12, CUDA 12.8, PyTorch 2.8, NVIDIA RTX 5090, FlashAttention, SageAttention e LightX2V. A instalação ainda exige a compilação de componentes especializados e não é tão simples quanto instalar um programa convencional. O modelo professor bidirecional e o conjunto completo de aproximadamente 500 horas de vídeos acompanhados de ações anotadas aparecem no planejamento do projeto, mas ainda não estavam totalmente disponibilizados na publicação inicial.

Tecnologias como o ABot-World-0 podem transformar diferentes setores. Na indústria de jogos, desenvolvedores poderão criar protótipos de ambientes que se expandem durante a exploração, reduzindo o tempo necessário para testar conceitos visuais, cenários e mecânicas. Na robótica, agentes autônomos poderão ser treinados em ambientes virtuais antes de serem testados no mundo real. Na realidade virtual, cada usuário poderá explorar espaços personalizados e potencialmente diferentes a cada sessão.

Na educação, estudantes poderão visitar reconstruções interativas de cidades antigas, ecossistemas, laboratórios e acontecimentos históricos. Na produção audiovisual, diretores e artistas poderão navegar por conceitos visuais antes de transformar uma ideia em uma cena tradicional. Também existem possíveis aplicações em direção autônoma, treinamento industrial, planejamento urbano e criação de grandes volumes de dados sintéticos para o treinamento de outros sistemas de inteligência artificial.

Ainda é uma tecnologia experimental

Apesar dos resultados impressionantes, o ABot-World-0 ainda deve ser entendido como um projeto de pesquisa. A experiência depende de uma RTX 5090, apresenta uma latência perceptível e não alcança a taxa de quadros típica dos jogos modernos. O sistema também pode produzir inconsistências, esquecer detalhes antigos, interpretar ações incorretamente, deformar objetos, alterar a aparência dos personagens ou gerar comportamentos fisicamente impossíveis.

O documento publicado no arXiv é um preprint, ou seja, um artigo disponibilizado antes de uma revisão científica mais ampla. Os resultados foram apresentados pelos próprios pesquisadores e ainda precisam ser reproduzidos de maneira independente pela comunidade.

O projeto demonstra uma direção tecnológica promissora, mas ainda não elimina a necessidade de motores gráficos, geometria 3D, física programada, lógica criada por desenvolvedores e validação humana. No futuro, é provável que modelos generativos sejam combinados com essas tecnologias tradicionais, e não simplesmente utilizados para substituí-las.

O futuro dos mundos gerados por inteligência artificial

O ABot-World-0 mostra que a geração de vídeo está deixando de ser apenas uma ferramenta para produzir pequenos clipes. A próxima etapa pode ser a criação de ambientes que respondem, mudam e continuam existindo enquanto são explorados.

Seu principal avanço não está apenas na qualidade visual, mas na combinação entre controle por ações, geração prolongada, preservação de personagens, redução do desvio acumulado, otimização de memória e execução em uma única GPU.

Ainda estamos longe de substituir completamente os motores gráficos convencionais. Porém, o projeto oferece uma demonstração concreta de como poderão funcionar os jogos, simuladores e ambientes virtuais do futuro. Em vez de mundos totalmente armazenados em arquivos e previamente construídos, poderemos explorar ambientes que são imaginados e renderizados pela inteligência artificial em tempo real.

Vídeo e links do projeto

Abaixo um vídeos demonstrativo e links com fontes, paper e informatização técnicas.

Código-fonte no GitHub:
https://github.com/amap-cvlab/ABot-World

Página oficial do projeto:
https://amap-cvlab.github.io/ABot-World/

Artigo científico no arXiv:
https://arxiv.org/abs/2607.19191

For many years, I didn’t think that Tor could be useful for me. However, I’ve recently found a Gist on GitHub that describes how you can use it to harden your central syslog-ng server. And while I have yet to try it, at least now I have a reason to actually test Tor.

The Tor website describes the project as follows: “Protect yourself against tracking, surveillance, and censorship.” I live in a country where thankfully I do not need these, nor do I perform any activities for which Tor would be useful. However, sometimes I hear from syslog-ng users that they want to hide their logging infrastructure with something more than what mutual TLS authentication makes possible. This is where this short how-to might be useful for you:

https://gist.github.com/hashgh0st/19bcfa4bfc96fbf0bbd2897b66c77db7/

The Gist is about how to install / configure syslog-ng and Tor on a FreeBSD client and server. I have a couple of FreeBSD boxes lying around, so I will test the instructions there. However, with minimal changes, the procedure should work on any Linux distribution as well.

Originally published at https://www.syslog-ng.com/community/b/blog/posts/syslog-ng-hardening-using-tor

Aunque las posibilidades de tener decorado el fondo de nuestro escritorio como queramos son muchas y variadas, todavía faltaba tener la posibilidad de tener un fondo de pantalla con degradado para Plasma gracias al widget Dynamic Gradients, con el que se abre un nuevo abanico para personalizar nuestro entorno de trabajo.

Fondo de pantalla con degradado para Plasma: Dynamic Gradients

Por defecto Plasma ya tiene un bastantes opciones a la hora de personalizar el fondo de pantalla: un color, una imagen, un carrusel de imágenes, etc.

Además, tenemos la posibilidad a aumentar este mosaico de opciones con vídeos, fondos que cambian según sea día o coche, fondos lluviosos o nevados, fondos dinámicos, fondos aleatorios de varias fuentes, etc.

Y a este crisol se le añade Dynamic Gradients, una creación de smitor que nos ofrece un fondo de pantalla con degradado sencillo, personalizable y animado, si así lo deseas.

Entre sus opciones nos encontramos:

• Cambiar el color (en formato hexadecimal)
• Añadir un color intermedio si lo necesitas,
• Modificar el ángulo
• Elegir si quieres que esté animado o no
• Seleccionar si el degradado es lineal o radial.

En fin, muchas opciones, aunque como dice su autor:

Soy muy novato en todo esto, así que si tienes alguna duda o pregunta, no dudes en decírmelo.

Y como siempre digo, si os gusta el pack de iconos podéis pagarlo de muchas formas en la página en continua evolución de KDE Store, que estoy seguro que el desarrollador lo agradecer: puntúale positivamente, hazle un comentario en la página o realiza una donación. Ayudar al desarrollo del Software Libre también se hace simplemente dando las gracias, ayuda mucho más de lo que os podéis imaginar, recordad la campaña I love Free Software Day 2017 de la Free Software Foundation donde se nos recordaba esta forma tan sencilla de colaborar con el gran proyecto del Software Libre y que en el blog dedicamos un artículo.

Más información: KDE Store

La entrada Fondo de pantalla con degradado para Plasma: Dynamic Gradients se publicó primero en KDE Blog.

Este blog tiene una sección donde aparecen juegos libres y de calidad que, lamentablemente, está parada (la responsable es la falta de tiempo). Es por ello que me complace compartir con vosotros LibreGameWiki, la enciclopedia de los juegos libres, donde podéis encontrar cientos de juegos para tu PC, de mayor o menor calidad, pero que se encuentran disponibles para todo el mundo, y donde podéis encontrar maravillas.

Enciclopedia de los juegos libres, LibreGameWiki

Ya estamos en verano y apatece darle un uso más lúdico a nuestro PC, y si queremos mantener libre nuestro sistema debemos buscar juegos que cumplan las premisas del Software Libre, y para ello os presento, posiblemente, el mejor lugar donde buscar.

Como tiene estructura de wiki nos ofrece una portada con las últimas actualizacions de entradas, el artículo destacado y las noticias (aunque parece que esta sección es la que recibe más cariño de la Comunidad)

Los juegos están organizados por categorías entre las que nos encontramos accion, aventura, plataformas, puzzles, shooters, 3D, etc., cada uno con su correspondiente subcategoría si es el caso. Por ejemplo, si nos vamos a la categoría de RPG podemos filtrar por RolePlay puros, Multijugador o estilo roguelike.

Como toda buena wiki, los enlaces se retroalimentan y se generan páginas índices que nos dan una idea de la magnitud del proyecto, como esta de las categorías de los juegos:

Ya dentro de cada juego, la estructura es similar a una entrada de la wikipedia, así que tenemos más o menos completas, pero con una columna lateral que contiene la información más relevante como la página web y la sección de como contribuir.

La entrada Enciclopedia de los juegos libres, LibreGameWiki se publicó primero en KDE Blog.

Se me acumulan los temas, las novedades, los eventos y los proyectos. Tanto que estoy pensando que, a contrario de lo que suele ocurrir en verano donde las noticias escasean, es posible que suba la cadencia de una a dos entradas por día. Pero vayamos al grano, hoy vengo a recomendaros el podcast «La era de las distros» un proyecto del gran Lorenzo Carbonell repasa lo que fue la punta de lanza del desembarco de Software Libre en España: las distribuciones educativas autonómicas.

Podcast «La era de las distos»

Como sabréis los que me siguen, he sido docente de secundaria en la Comunidad Valenciana desde el 2000, así que viví los años de la irrupción informática en las aulas en primera persona: los primeros ordenadores en las salas de profesores, las primera aplicaciones para la gestión de los colegios, los tímidos intentos de acercar las TIC al alumnado, las primeras escaramuzas para controlar los móviles en las aulas, etc.

Y, cuando la avalancha de ordenadores empezó a ir más allá de uno o dos por centro, las administraciones públicas educativas autonómicas vieron que existía una alternativa a las opciones privativas que les podían ahorrar una buena cantidad de dinero a las arcas públicas en forma de Software Libre, exótico para todo el mundo a excepción de unos cuantos frikis (entre los cuales ya me incluía).

Fue el momento de la creación de las distribuciones educativas autonómicas que nacieron, crecieron y, lamentablemente, muchas murieron: Guadalinex, Linex, Lliurex, Max, MoLinux, Linkat, etc. Puedes consultar una lista completa en esta página de la wikipedia.

Lamentablemente, aunque la iniciativa tenía toda la lógica del mundo y fue un gran impulso para el mundo del Software Libre, las cosas no se hicieron del todo bien. En mi humilde opinión, la falta de informáticos especialistas en Linux en los centros (algo que todavía no se ha solucionado) y, sobre todo, la falta de pedagogía y formación (que irónico que diga esto en el mundo educacivo) crearon un ambiente de desconcierto (por no decir repulsa) entre la Comunidad Escolar.

Fruto de ello, solo algunas de estas distribuciones prosperaron y siguen activas hoy en día: Max, LinKat, EducaAndOS la sustituta de Guadalinex, Lliurex, etc. De esta forma ese proyecto continua vivo y coleando, algo que nos debe enorgullecer, no solo por ofrecer un servicio sino porque es la forma de promoción más eficiente que tenemos de que, al menos, el alumnado conozca que hay una alternativa.

Como veis, estamos ante una historia apasionante, y Lorenzo Carbonell ha querido que no caiga en el olvido y ha creado un podcast titulado «La era de los distros» donde nos explicará todos los entresijos que hay en el desarrollo (exitoso o no) de cada una de estas distribuciones.

En palabras del creador:

El podcast sobre la historia de las distribuciones Linux en España contada por sus protagonistas.

El proyecto es ambicioso, no se trata solo de un podcast por cada distro, sino que cada distribución tiene una serie de audios que cuentan su inicio, historia, logros, evolución, estado actual, etc. con lo que se tiene una visión más que detallada ya que no solo es Lorenzo, el atareao, el que habla en los mismos sino que cuenta con personas que estuvieron involucrados de una u otra forma en los distintos proyectos.

De momento tienen completadas las distros de Linex, Max y Guadalinex, y ya está en desarrollo Lliurex, con lo que tenemos ya unas buenas horas de material con el que alimentar nuestro gestor de podcast.

Y desde el blog no podemos más que promocionar su escucha porque de una cosa estamos seguros: tanto de los errores como de las buenas decisiones se aprende y se evoluciona, y cuanta más información tengamos, mejores decisiones podremos tomar en el futuro.

Puedes subsrcribirte al podcast en cualquiera de las plataformas de abajo:

La entrada Podcast «La era de las distros» se publicó primero en KDE Blog.