La razón del proyecto Zig para su estricta política anti-LLM en contribuciones
El proyecto Zig mantiene una de las políticas anti-LLM más estrictas entre los principales proyectos de código abierto: no se permiten LLM para informes de errores, pull requests ni comentarios en el rastreador de errores, incluyendo traducciones. Los usuarios pueden publicar en su idioma nativo y confiar en las herramientas de traducción de otros, pero el contenido generado por LLM está prohibido.
¿Por qué la prohibición?
El vicepresidente de la comunidad de la Fundación de Software Zig, Loris Cro, explicó el razonamiento en un artículo titulado "Póquer de Contribuyentes y la Prohibición de IA en Zig". La idea central: los contribuyentes importan más que las contribuciones.
En proyectos de código abierto exitosos, los mantenedores eventualmente reciben más PR de los que pueden procesar. El enfoque de Zig es aceptar PR imperfectos y ayudar a los nuevos contribuyentes a mejorar — no solo por ser justos, sino porque cada contribuyente representa una inversión. El objetivo de revisar PR no es meramente incorporar código, sino formar nuevos contribuyentes de confianza que se vuelvan prolíficos con el tiempo.
La asistencia de LLM rompe este modelo por completo. Incluso si un LLM envía un PR perfecto, el tiempo dedicado a revisarlo no hace nada para desarrollar un nuevo contribuyente seguro y confiable. Cro llama a esto "póquer de contribuyentes" — citando el adagio de los juegos de cartas "juegas a la persona, no a las cartas". En el póquer de contribuyentes, apuestas por el contribuyente, no por el contenido de su primer PR.
Contexto: Bifurcación por Bun
El proyecto más destacado escrito en Zig — el runtime de JavaScript Bun — fue adquirido por Anthropic en diciembre de 2025 y hace un uso intensivo de la asistencia de IA. Bun opera su propia bifurcación de Zig y recientemente logró una mejora de rendimiento 4x en bun compile al agregar análisis semántico paralelo y múltiples unidades de generación de código en el backend de LLVM. Sin embargo, como afirma Bun: "Actualmente no planeamos integrar esto en el proyecto principal, ya que Zig tiene una prohibición estricta de contribuciones escritas por LLM".
El argumento de Cro también aborda una réplica común: si un PR está escrito principalmente por un LLM, ¿por qué un mantenedor debería pasar tiempo discutiéndolo en lugar de usar su propio LLM para resolver el mismo problema?
Para quién es esto
Mantenedores de código abierto que evalúan políticas de contribución de IA, y desarrolladores curiosos sobre los argumentos filosóficos y prácticos detrás del creciente número de prohibiciones de LLM en proyectos de código abierto.
📖 Leer la fuente completa: Source
👀 Ver también
Análisis del prompt del sistema forzado de ~12K tokens de Claude Code revela reglas de prioridad que anulan la configuración del usuario
Un análisis del prompt de sistema inyectado de ~12K tokens de Claude Code muestra reglas de prioridad para prohibiciones de letras de canciones, delegación de subagentes y brevedad que anulan los archivos CLAUDE.md y de memoria definidos por el usuario.
Minions de Stripe: Mejorando la Productividad de los Desarrolladores con Agentes de Codificación de Un Solo Uso de Extremo a Extremo.
Los Minions de Stripe son agentes de codificación de un solo uso, de extremo a extremo, diseñados para aumentar la productividad de los desarrolladores al automatizar tareas complejas dentro del ecosistema de Stripe.
Sarvam AI lanza modelos de lenguaje de código abierto de 30B y 105B con infraestructura de entrenamiento india.
Sarvam AI ha liberado como código abierto Sarvam 30B y Sarvam 105B, dos modelos de razonamiento entrenados desde cero en India con capacidad de cómputo proporcionada bajo la misión IndiaAI. Ambos modelos utilizan una arquitectura de Mezcla de Expertos con enrutamiento disperso de expertos y están optimizados para un despliegue eficiente en hardware que va desde GPUs hasta portátiles.
Desglose de costos de DeepSeek V4 Flash: Tasa de acierto de caché y relación de precio explicadas
DeepSeek V4 Flash cuesta 0.0066x por tarea agentica en comparación con Opus 4.7, gracias a una tasa de acierto de caché del 97% y una relación de precio de lectura/escritura de caché de 0,02.