Member
baltolkienCómo Extremadura cambió el Software Libre para siempre – Episodio 2 del Podcast «La era de las distros»
Hace poco que os vine a recomendar el podcast «La era de las distros» un proyecto del gran Lorenzo Carbonell que junto a los protagonistas correspondientes repasa lo que fue la punta de lanza del desembarco de Software Libre en España: las distribuciones educativas autonómicas. Dado que quiero que este proyecto llegue al máximo número de pesonas posibles voy a ir promocionando episodio a episodio porque bien vale la pena escucharlos. Bienvenidos al Episodio 2 del Podcast «La era de las distros», que lleva por título «Cómo Extremadura cambió el Software Libre para siempre» donde nos relatan el nacimiento de Linex, la distribución extremeña que inició la revolución.
Cómo Extremadura cambió el Software Libre para siempre – Episodio 2 del Podcast «La era de las distros»
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.
En ese panorama, algunas comunidades autónomas del estado español decidieron que era el momento de dar una oportunidad al Software Libre, tanto por razones económicas como por tener la soberanía digital que tanta importancia está adquiriendo ultimamente.
Contar la historia de estas iniciativas es el propósito del Podcast de «La era de las distros» que en este segundo episodio nos cuentan la historia del nacimiento de LinEx, pero mejor que nos lo describan los protagonistas:
A principios de los años 2000, el mundo tecnológico era un lugar muy distinto al que conocemos hoy. Microsoft Windows dominaba prácticamente el 100% de los escritorios domésticos y gubernamentales. En ese contexto, pensar que una región eminentemente rural como Extremadura, en el suroeste de España, pudiera plantar cara al gigante de Redmond parecía una locura digna de Don Quijote. Pero sucedió. Y se llamó LinEx.
En este segundo episodio de «La Era de las Distros», hemos tenido el privilegio de charlar con Jesús Rubio, una de las personas que hizo posible este milagro. Junto a Jesús González Barahona, desgranamos los entresijos de una época donde la soberanía tecnológica dejó de ser un concepto teórico para convertirse en una realidad instalada en miles de ordenadores.
Os puedo asegurar que vale la pena escucharlo para que no caiga en el olvido el increíble trabajo que realizaron las personas involucradas en el proyecto y para aprender a gestionar el futuro, aprendiendo de las cosas que no se pudieron hacer bien en el pasado.
Puedes escuchar el podcast en cualquiera de las siguientes plataformas:
-
Cómo Extremadura cambió el Software Libre para siempre – Episodio 2 del Podcast «La era de las distros»
Bienvenidos al Episodio 2 del Podcast «La era de las distros», que lleva por título «Cómo Extremadura cambió el Software Libre para siempre» donde nos relatan el nacimiento de Linex, la distribución extremeña que inició la revolución. -
Lanzado LinEx Colegios 2010
Y otro lanzamiento más. En esta ocasión otra distribución más para colegios por parte de una administración pública, concretamente de la comunidad autónoma de Extremadura y su Linex. LinEx Colegios… Lee más: Lanzado LinEx Colegios 2010 -
Anuncios sobre Linux (V): LinEx
Esta vez le toca a LinEx, la distribución Linux de Extremadura, la cual también se decanta por Gnome ya que se basa en Debian (gracias env)(la moda de Ubuntu es… Lee más: Anuncios sobre Linux (V): LinEx
La entrada Cómo Extremadura cambió el Software Libre para siempre – Episodio 2 del Podcast «La era de las distros» se publicó primero en KDE Blog.
#openSUSE Tumbleweed revisión de la semana 31 de 2026
Tumbleweed es una distribución de GNU/Linux «Rolling Release» o de actualización contínua. Aquí puedes estar al tanto de las últimas novedades.
openSUSE Tumbleweed es la versión «rolling release» o de actualización continua de la distribución de GNU/Linux openSUSE.
Hagamos un repaso a las novedades que han llegado hasta los repositorios esta semana.
Y recuerda que puedes estar al tanto de las nuevas publicaciones de snapshots en esta web:
El anuncio original lo puedes leer en el blog de Dominique Leuenberger, publicado bajo licencia CC-by-sa, en este este enlace:
Esta semana se han publicado 5 Snapshots (0723, 0724, 0726, 0728, y 0729)
Se alcanzó un hito importante cuando GCC 16 ha aterrizado oficialmente como el nuevo compilador predeterminado del sistema de Tumbleweed en la snapshot 0726. Debido a que esta transición requirió recompilar todo el repositorio para beneficiarse de las nuevas optimizaciones del compilador, la instantánea 0726 era excepcionalmente grande.
Con actualizaciones tan jugosas e interesantes como:
- GCC 16 como el compilador predeterminado
- 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
Y para próximas snapshots, ya se están preparando las siguientes actualizaciones:
- Podman 6.0.0
- Linux Kernel 7.1.5
- Mozilla Firefox 153.0.1
- Samba 4.24.5
- PHP 8.5.9
- python-Sphinx 9.1.0
- glibc 2.44
Si quieres estar a la última con software actualizado y probado utiliza openSUSE Tumbleweed la opción rolling release de la distribución de GNU/Linux openSUSE.
Mantente actualizado y ya sabes: Have a lot of fun!!
Enlaces de interés
- ¿Por qué deberías utilizar openSUSE Tumbleweed?
- zypper dup en Tumbleweed hace todo el trabajo al actualizar
- ¿Cual es el mejor comando para actualizar Tumbleweed?
- ¿Qué es el test openQA?
- http://download.opensuse.org/tumbleweed/iso/
- https://es.opensuse.org/Portal:Tumbleweed
——————————–
Sigo con la iniciativa
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.
Mi escritorio Plasma de julio 2026 #viernesdeescritorio
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 Mi escritorio Plasma de julio 2026 #viernesdeescritorio se publicó primero en KDE Blog.
Tumbleweed – Review of the week 2026/31
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
Creating the Ultimate Vertical Monitor Workspace
Tiny Wins for Packagers: End-of-Week Update (2026-07-31)
Llega FOSSY 2026, evento Software Libre en Canada
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.
Video interativo em tempo real com uma GPU.
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
Syslog-ng hardening using Tor
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.
syslog-ng logo
Originally published at https://www.syslog-ng.com/community/b/blog/posts/syslog-ng-hardening-using-tor