Osaurus es un servidor LLM para macOS que permite alternar entre modelos alojados en la propia máquina y proveedores en la nube, manteniendo la memoria, los archivos y las herramientas en el hardware del usuario. Esto facilita a equipos y desarrolladores integrar IA en flujos locales sin renunciar al control de datos ni depender exclusivamente de tokens en la nube.
El proyecto nació como iniciativa de código abierto para crear un asistente de escritorio que funcione principalmente en el equipo del usuario. La idea surgió a partir de Dinoki, un intento previo de asistente tipo “Clippy” impulsado por IA; según el cofundador Terence Pae, los clientes preguntaban por qué pagar tokens si la experiencia podía correr localmente. Pae, exingeniero en Tesla y Netflix, empezó a desarrollar Osaurus públicamente para permitir un asistente personal que use recursos del Mac.
Técnicamente, Osaurus actúa como un servidor LLM exclusivo para Apple que conecta modelos on‑device y servicios en la nube. Soporta modelos como MiniMax M2.5, Gemma 4, Qwen3.6, GPT-OSS, Llama y DeepSeek V4, además de integrar los modelos locales de Apple y la familia LFM de Liquid IA. En la nube puede enlazarse con proveedores como OpenAI, Anthropic, Gemini, xAI/Grok, Venice IA, OpenRouter, Ollama y LM Studio. También ofrece más de 20 plugins nativos — Mail, Calendar, Vision, Filesystem, Browser, Git, XLSX/PPTX, Music y otros— y funciones de voz.
En el mercado, Osaurus se presenta como un “harness”: una capa de control que unifica modelos, herramientas y flujos de trabajo, similar a proyectos como OpenClaw u Hermes pero con énfasis en la experiencia de consumidor en macOS. A diferencia de muchas herramientas orientadas a desarrolladores, busca ocultar la complejidad del terminal y reducir los riesgos de seguridad ejecutando componentes en una sandbox virtual aislada en el hardware, lo que limita el alcance del modelo sobre el sistema y los datos.
Como servidor MCP, Osaurus puede exponer las mismas herramientas y datos a cualquier cliente compatible; eso permite escoger el modelo más adecuado según capacidad o coste. Pae insiste en que la diferencia entre modelos importa en la práctica — unos rinden mejor en código, otros en búsqueda o visión— y la posibilidad de cambiar entre ellos aporta utilidad para productores y usuarios finales.
Las limitaciones siguen siendo el consumo de recursos y la dependencia del hardware: Osaurus recomienda al menos 64 GB de RAM para modelos locales y alrededor de 128 GB para cargas con modelos grandes como DeepSeek V4. Pae afirma que la eficiencia mejora rápidamente, pero el enfoque local todavía está en desarrollo. Desde su lanzamiento hace casi un año, el proyecto suma más de 112.000 descargas y sus fundadores, incluido Sam Yoo, participan en la aceleradora Alliance en Nueva York mientras planifican los siguientes pasos.
Fuentes
Respuestas (0)
Aún no hay respuestas en este tema.
