--- title: "Darkbloom AI: Inferencia Privada en Macs" canonical: https://wavect.io/es/blog/darkbloom-ai-private-inference-mac/ language: es description: "Análisis de Darkbloom AI: privacidad, precios API, ingresos con Mac, riesgos, alternativas y plan de piloto seguro para empresas." image: "https://wavect.io/img/blog/headers/header_darkbloom-ai-private-inference-mac.png" --- [**Volver**](/es/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/es/team/kevin-riedl/) [Kevin Riedl](/es/team/kevin-riedl/) https://linkedin.com/in/wsdt 11 min de lectura · 25 de agosto de 2026 Última revisión 25 de agosto de 2026 [**Siguiente**](/es/blog/local-models-vs-apis-break-even-eu-2026/) # Darkbloom AI: ¿Está lista la inferencia privada en Macs inactivos? Resumen Darkbloom es una red de inferencia de IA en alfa pública de Eigen Labs. Enruta peticiones compatibles con OpenAI mediante un coordinador confidencial hacia proveedores Apple Silicon verificados. Puede facilitar la integración y aprovechar Macs inactivos, pero no equivale a inferencia local ni a computación de conocimiento cero. Su propia documentación técnica dice que el coordinador descifra temporalmente el prompt dentro de la memoria de una Confidential VM para routing y facturación, y lo vuelve a cifrar para el proveedor, cuyo proceso reforzado realiza el descifrado final. El repositorio documenta precios fallback de 0,05 dólares por millón de tokens de entrada, 0,20 dólares por millón de salida, un cargo mínimo de 0,0001 dólares y 0 por ciento de comisión de plataforma durante el alfa, aunque los precios en vivo pueden variar. Los ingresos de proveedor dependen de la demanda, no son renta pasiva garantizada. Para uso comercial, conviene limitarse a un piloto de evaluación con datos no sensibles, evals del workload, pruebas de latencia y fallos, coste por resultado aceptado y revisiones escritas de seguridad, legal y operaciones antes de producción. **Darkbloom es una red de inferencia de IA en alfa pública que enruta peticiones compatibles con OpenAI a Macs Apple Silicon verificados.** Ocupa un espacio intermedio entre una API alojada y un modelo que solo se ejecuta en hardware propio. El desarrollador cambia la base URL, el dueño del Mac aporta capacidad y la red coordina cifrado, asignación, atestación y pagos. La decisión comercial exige más que el eslogan. Darkbloom puede simplificar la integración y reducir el precio por token, pero no convierte un Mac ajeno en un enclave de confidential computing. El coordinador y el proveedor seleccionado necesitan texto plano dentro de entornos protegidos. Los ingresos también dependen de demanda, modelo y uptime. Veredicto a **25 de agosto de 2026**: merece un piloto limitado con datos no sensibles, pero el alfa no debe recibir confianza de producción por defecto. | Pregunta | Respuesta actual | Significado comercial | | --- | --- | --- | | ¿Qué es? | Red distribuida de inferencia con proveedores Apple Silicon | Usar hardware ocioso mediante una API alojada. | | Interfaz | Endpoints compatibles con OpenAI y Anthropic Messages | Muchas apps prueban cambiando credenciales y base URL. | | Privacidad | Coordinador confidencial, saltos cifrados, proceso reforzado y atestación | Mejor que un peer sin gestionar, pero no es local ni zero knowledge. | | Madurez | Alfa pública para evaluación | Contrato, disponibilidad y operación pueden cambiar. | | Precio | Por token, con fallback documentado y precios en vivo | Comparar coste por tarea aceptada. | | Ingresos | Dependen de demanda, 0% de comisión en el alfa | No comprar un Mac por una proyección. | | Producción | Piloto prometedor, no aprobación automática | Exigir evidencia técnica, legal y operativa. | ## ¿Qué es Darkbloom AI? [Eigen Labs presentó Project Darkbloom como una iniciativa de investigación para inferencia distribuida en Macs infrautilizados](https://www.eigenlabs.org/blog/project-darkbloom-unlocking-idle-compute-for-ai/). Un coordinador empareja peticiones con nodos. El proveedor ejecuta MLX dentro de un proceso reforzado en Apple Silicon y la aplicación conserva formatos conocidos. El [repositorio open source de Darkbloom](https://github.com/Layr-Labs/d-inference) documenta el sistema como alfa pública. El control plane vive en una Confidential VM, los proveedores conectan por WebSocket saliente y la respuesta vuelve por el coordinador. También publica endpoints de catálogo, precios y atestación. No es la arquitectura de nuestro [análisis de Mesh LLM](/es/blog/mesh-llm-distributed-inference-multiple-computers/). Mesh LLM divide un modelo en etapas entre equipos que organizas. Darkbloom enruta normalmente la petición completa a un proveedor capaz de ejecutar el modelo. Tampoco es self-hosting ordinario porque coordinador y proveedor remoto permanecen dentro del servicio. ## ¿Cómo funciona realmente la privacidad? 1. **Aplicación a coordinador:** TLS y, opcionalmente, sellado X25519 adicional. 2. **Dentro del coordinador:** la Confidential VM descifra para routing y facturación. 3. **Coordinador a proveedor:** cifra de nuevo con una clave efímera para la clave atestada del nodo. 4. **Dentro del proveedor:** el proceso reforzado descifra y ejecuta MLX sin un subprocess externo. 5. **Respuesta:** chunks cifrados regresan al coordinador y luego al cliente. El [documento canónico de cifrado](https://github.com/Layr-Labs/d-inference/blob/master/docs/architecture/security/encryption.md) es preciso: el coordinador ve temporalmente el prompt para routing y facturación, y el proveedor es el punto final de descifrado. Esto elimina vías de observación comunes, pero “cifrado” no significa “nadie fuera de la empresa procesa texto plano”. Las [expectativas de privacidad para consumidores](https://github.com/Layr-Labs/d-inference/blob/master/docs/consumer/privacy-expectations.md) dicen que el coordinador no debe registrar ni retener el prompt y debe cifrarlo antes de abandonar la Confidential VM. El comprador aún necesita pruebas sobre versión desplegada, accesos, telemetría, regiones, subencargados, incidentes y responsabilidad contractual. ## ¿Darkbloom ofrece cifrado de extremo a extremo? **Ambos tramos de red usan cifrado autenticado, pero coordinador y proveedor descifran dentro de sus runtimes protegidos.** Si extremo a extremo significa que solo cliente y usuario final poseen texto plano, no lo es. La descripción correcta es inferencia privada cifrada salto a salto con coordinador confidencial y proveedor atestado. Para datos regulados, la distinción importa. Si un servicio externo nunca puede ver texto plano, usa inferencia local, criptografía específica o una plataforma confidencial aprobada. Nuestro [marco ZK, FHE, MPC y TEE](/es/blog/zk-vs-fhe-vs-mpc-vs-tee/) separa esas garantías. ## ¿Qué compatibilidad ofrece la API? El [quickstart para consumidores](https://github.com/Layr-Labs/d-inference/blob/master/docs/consumer/quickstart.md) documenta base URL de OpenAI, Bearer auth, chat completions en streaming y Anthropic Messages. El repositorio lista también Responses API, tool calling, visión y modelos de razonamiento. Embeddings figura como no implementado y un alias puede apuntar a builds diferentes. Compatible no significa idéntico. Prueba endpoint, streaming, esquema de tools, timeouts, errores, rate limits, cambios de alias y versión del SDK. Un gateway interno puede aplicar política, observabilidad y fallback. Consulta nuestra [comparativa de gateways y routers LLM](/es/blog/llm-gateway-router-comparison-2026/). ## ¿Cuánto cuesta Darkbloom? El repositorio documenta actualmente tarifas fallback de **0,05 dólares por millón de tokens de entrada**, **0,20 dólares por millón de salida** y **0,0001 dólares mínimo por petición**. La comisión de plataforma es 0% durante el alfa. `GET /v1/pricing` devuelve precios en vivo, que conviene archivar al iniciar y cerrar la prueba. Compara calidad, coste por tarea aceptada, time to first token, latencia de cola, reintentos, fallback, ingeniería, seguridad y coste de caída. Nuestro [break-even entre modelos locales y APIs](/es/blog/local-models-vs-apis-break-even-eu-2026/) calcula el coste total. Darkbloom suma comodidad de API y oferta distribuida de hardware de consumo. ## ¿Se puede ganar dinero ejecutando Darkbloom en un Mac? **Sí, si existe demanda asignada.** La [configuración para proveedores](https://console.darkbloom.dev/providers/setup) requiere Apple Silicon, macOS 14 o posterior, internet estable y memoria unificada suficiente. El repositorio recomienda 32 GB o más para modelos grandes o múltiples y al menos 100 GB libres. No conviertas una calculadora en justificación de compra. Un [issue público informó de un Mac conectado sin trabajos de inferencia durante más de un día](https://github.com/Layr-Labs/d-inference/issues/264). Es un caso, no una medición global, pero muestra el riesgo principal: elegibilidad y uptime no crean clientes. Empieza con un Mac existente. Registra trabajos, tokens facturables, pago, consumo incremental, memoria, disco, red, interrupciones y soporte. Calcula ingreso neto por hora disponible y activa. No anualices un incentivo de lanzamiento ni una ráfaga corta de tráfico. ## ¿Cuáles son los riesgos de producción? | Riesgo | Verificación | Gate | | --- | --- | --- | | Trust boundary | Texto plano, atestación, identidad de código, logs | Seguridad aprueba ruta y riesgo residual. | | Datos | Roles, subencargados, regiones, transferencias, retención | Contrato y flujo coinciden con el workload. | | Disponibilidad | Churn, cold starts, colas, failover | Latencia de cola y error budget superan fallos inyectados. | | Modelo | Alias, quantization, licencia, eval drift | Versiones y regression evals bloquean pérdidas. | | Coste | Precio, mínimo, reintentos, comisión, fallback | Coste por resultado aceptado dentro del límite. | | Host | Memoria, Metal, temperatura, disco y parada | El Mac sigue utilizable y recupera con seguridad. | El riesgo del host es real. Un [issue público documentó presión extrema de memoria Metal en un M3 Ultra de 256 GB con tráfico sostenido](https://github.com/Layr-Labs/d-inference/issues/550). Afecta a una versión y configuración concretas, no a toda la flota. Aun así, conviene medir physical footprint, compresión, terminación y recuperación, no solo RSS. ## Darkbloom vs IA local vs API alojada | Opción | Mejor caso | Trade-off | | --- | --- | --- | | Darkbloom | Comodidad API, modelos abiertos y piloto de Apple Silicon distribuido | Madurez temprana y boundary mayor que local | | Modelo local | Datos en hardware controlado y workload compatible | Operación y disponibilidad propias | | Malla privada | Un modelo supera un host y existen varios equipos controlados | Latencia y fallos multinodo | | API convencional | Escala madura, amplitud y soporte | Precio, política, retención y residencia | | Cloud confidencial | Aislamiento hardware y atestación formal | Restricciones, precio y supuestos del proveedor | ## Piloto de Darkbloom en siete pasos 1. **Elige bajo riesgo:** sin datos personales, secretos, código de cliente ni registros regulados. 2. **Congela la decisión:** endpoint, alias, build, precio, revisión, headers y políticas. 3. **Crea baseline:** 50 a 200 tareas representativas con criterio de aceptación. 4. **Mide servicio:** primer token, latencia, throughput, fallos, reintentos, tools y coste aceptado. 5. **Revisa boundary:** cifrado, atestación, logs, telemetría, roles, regiones e incidentes. 6. **Rompe la ruta:** pérdida del proveedor, error del coordinador, modelo ausente, stream lento y fallback. 7. **Decide con scorecard:** amplía solo si calidad, privacidad, latencia, fiabilidad y coste aprueban. ## Preguntas frecuentes sobre Darkbloom AI ### ¿Qué es Darkbloom AI? Es una red de inferencia distribuida en alfa pública de Eigen Labs. Enruta peticiones compatibles con OpenAI mediante un coordinador confidencial hacia proveedores Apple Silicon verificados. ### ¿Es igual que ejecutar un LLM local? No. La inferencia local permanece en hardware propio. Darkbloom usa un coordinador externo y un Mac proveedor dentro de la frontera del servicio. ### ¿Puede el coordinador leer prompts? La documentación dice que los descifra temporalmente en memoria Confidential VM para routing y facturación, no los registra ni retiene y los cifra de nuevo para el proveedor. ### ¿Es compatible con la API de OpenAI? Admite interfaces habituales de OpenAI y Anthropic Messages. Prueba tu SDK y funciones exactas porque no todos los endpoints tienen paridad completa. ### ¿Cuánto cuesta Darkbloom? Los fallback documentados son 0,05 dólares por millón de tokens de entrada, 0,20 por millón de salida y 0,0001 por petición. El precio en vivo puede variar. ### ¿Cuánto puede ganar un Mac? No hay una cifra universal. Demanda, modelo, memoria, uptime, reputación e incentivos determinan los ingresos. Mide primero con hardware existente. ### ¿Está listo para producción? El servicio se presenta como alfa pública para evaluación. Una empresa debe validar calidad, privacidad, legal, disponibilidad, recuperación y coste con datos no sensibles. ## Reflexiones finales Darkbloom combina API compatible con OpenAI, capacidad Apple Silicon ociosa y privacidad verificable. Es comercialmente interesante. La frontera precisa limita el claim: el coordinador procesa texto plano en una Confidential VM, el proveedor descifra en un proceso reforzado y la economía alfa depende de demanda real. Haz un piloto si resuelve un problema de coste o capacidad. Mantén el primer workload sin datos sensibles, guarda precios y versiones, prueba fallos y compara coste por resultado aceptado. Producción solo después de la aprobación de seguridad, legal y operaciones. ## También te puede gustar.. [**Cuándo los modelos locales superan a las APIs** Calcula hardware, ingeniería, utilización, privacidad y coste por tarea exitosa.](/es/blog/local-models-vs-apis-break-even-eu-2026/) [**AI enablement vs consultoría genérica** Compara implementación medible con asesoría sin evidencia de producción.](/es/compare/ai-enablement-vs-generic-ai-consultancy/) Modelos e infraestructura ## Continúa por este clúster Selección de modelos, economía de inferencia, despliegue local, compresión y serving. [Empieza por el artículo fundamental**Alojar LLMs en la UE: Cuándo Salen a Cuenta los Open Weights**](/es/blog/self-hosting-llms-eu-cost/) - [Análisis de FreeToken AI: ¿modelos MoE frontier en una GPU doméstica?](/es/blog/freetoken-ai-inference-engine-review/) - [Ox Alpha Free: configuración, privacidad y guía de compra](/es/blog/ox-alpha-free-ai-model-guide-2026/) - [Precios de Pika Audio API: ¿SFX cuesta de verdad 20 veces menos?](/es/blog/pika-audio-models-api-pricing-2026/) - [La apuesta de $13M de Thunder Compute por virtualizar GPUs: guía de compra](/es/blog/thunder-compute-gpu-virtualization-series-a/) - [AirLLM con 4 GB de VRAM: cómo funciona la inferencia por capas](/es/blog/airllm-layer-wise-inference-low-vram/) Tu bandeja, sin ruido ## Sigue el trabajo que te importa Recibe un correo breve cuando publiquemos algo nuevo. Sigue todo el blog o solo los temas que te interesan. [**Volver**](/es/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/es/team/kevin-riedl/) [Kevin Riedl](/es/team/kevin-riedl/) https://linkedin.com/in/wsdt 11 min de lectura · 25 de agosto de 2026 Última revisión 25 de agosto de 2026 [**Siguiente**](/es/blog/local-models-vs-apis-break-even-eu-2026/) Nuevos artículos por correo × × Recibe nuevos artículos por correo Un correo breve cuando publicamos. Gratis y sin seguimiento. ## Structured Data ```json { "@context": "https://schema.org", "@graph": [ { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ], "employee": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "founder": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "legalRepresentative": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "name": "Wavect GmbH", "subjectOf": { "@id": "https://wavect.io/verified-claims.json#dataset", "@type": "Dataset", "creator": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "description": "A machine-readable registry of quantitative and qualitative claims published by Wavect, with review dates, localized page appearances and public third-party citations where available.", "inLanguage": "en", "isAccessibleForFree": true, "license": "https://creativecommons.org/licenses/by/4.0/", "name": "Wavect verified publication claims", "url": "https://wavect.io/verified-claims.json" }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "sameAs": [ "https://www.wikidata.org/wiki/Q139796367", "https://www.linkedin.com/in/jocr77/", "https://github.com/jo-chris" ], "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/#website", "@type": "WebSite", "inLanguage": [ "en", "de", "es", "zh" ], "name": "Wavect", "potentialAction": { "@type": "SearchAction", "query-input": "required name=search_term_string", "target": { "@type": "EntryPoint", "urlTemplate": "https://wavect.io/search/?q={search_term_string}" } }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/es/blog/darkbloom-ai-private-inference-mac/#webpage", "@type": "WebPage", "dateModified": "2026-08-25", "inLanguage": "es", "isPartOf": { "@id": "https://wavect.io/#website", "@type": "WebSite" }, "lastReviewed": "2026-08-25", "url": "https://wavect.io/es/blog/darkbloom-ai-private-inference-mac/" } ] } ``` ```json { "@context": "https://schema.org", "@type": "BlogPosting", "abstract": "Darkbloom es una red de inferencia de IA en alfa pública de Eigen Labs. Enruta peticiones compatibles con OpenAI mediante un coordinador confidencial hacia proveedores Apple Silicon verificados. Puede facilitar la integración y aprovechar Macs inactivos, pero no equivale a inferencia local ni a computación de conocimiento cero. Su propia documentación técnica dice que el coordinador descifra temporalmente el prompt dentro de la memoria de una Confidential VM para routing y facturación, y lo vuelve a cifrar para el proveedor, cuyo proceso reforzado realiza el descifrado final. El repositorio documenta precios fallback de 0,05 dólares por millón de tokens de entrada, 0,20 dólares por millón de salida, un cargo mínimo de 0,0001 dólares y 0 por ciento de comisión de plataforma durante el alfa, aunque los precios en vivo pueden variar. Los ingresos de proveedor dependen de la demanda, no son renta pasiva garantizada. Para uso comercial, conviene limitarse a un piloto de evaluación con datos no sensibles, evals del workload, pruebas de latencia y fallos, coste por resultado aceptado y revisiones escritas de seguridad, legal y operaciones antes de producción.", "articleBody": " Resumen del blog/IA y agentes/Modelos e infraestructura Darkbloom AI: ¿Está lista la inferencia privada en Macs inactivos? Resumen Darkbloom es una red de inferencia de IA en alfa pública de Eigen Labs. Enruta peticiones compatibles con OpenAI mediante un coordinador confidencial hacia proveedores Apple Silicon verificados. Puede facilitar la integración y aprovechar Macs inactivos, pero no equivale a inferencia local ni a computación de conocimiento cero. Su propia documentación técnica dice que el coordinador descifra temporalmente el prompt dentro de la memoria de una Confidential VM para routing y facturación, y lo vuelve a cifrar para el proveedor, cuyo proceso reforzado realiza el descifrado final. El repositorio documenta precios fallback de 0,05 dólares por millón de tokens de entrada, 0,20 dólares por millón de salida, un cargo mínimo de 0,0001 dólares y 0 por ciento de comisión de plataforma durante el alfa, aunque los precios en vivo pueden variar. Los ingresos de proveedor dependen de la demanda, no son renta pasiva garantizada. Para uso comercial, conviene limitarse a un piloto de evaluación con datos no sensibles, evals del workload, pruebas de latencia y fallos, coste por resultado aceptado y revisiones escritas de seguridad, legal y operaciones antes de producción. Darkbloom es una red de inferencia de IA en alfa pública que enruta peticiones compatibles con OpenAI a Macs Apple Silicon verificados. Ocupa un espacio intermedio entre una API alojada y un modelo que solo se ejecuta en hardware propio. El desarrollador cambia la base URL, el dueño del Mac aporta capacidad y la red coordina cifrado, asignación, atestación y pagos. La decisión comercial exige más que el eslogan. Darkbloom puede simplificar la integración y reducir el precio por token, pero no convierte un Mac ajeno en un enclave de confidential computing. El coordinador y el proveedor seleccionado necesitan texto plano dentro de entornos protegidos. Los ingresos también dependen de demanda, modelo y uptime. Veredicto a 25 de agosto de 2026: merece un piloto limitado con datos no sensibles, pero el alfa no debe recibir confianza de producción por defecto. Resumen de decisión sobre Darkbloom AI PreguntaRespuesta actualSignificado comercial ¿Qué es?Red distribuida de inferencia con proveedores Apple SiliconUsar hardware ocioso mediante una API alojada. InterfazEndpoints compatibles con OpenAI y Anthropic MessagesMuchas apps prueban cambiando credenciales y base URL. PrivacidadCoordinador confidencial, saltos cifrados, proceso reforzado y atestaciónMejor que un peer sin gestionar, pero no es local ni zero knowledge. MadurezAlfa pública para evaluaciónContrato, disponibilidad y operación pueden cambiar. PrecioPor token, con fallback documentado y precios en vivoComparar coste por tarea aceptada. IngresosDependen de demanda, 0% de comisión en el alfaNo comprar un Mac por una proyección. ProducciónPiloto prometedor, no aprobación automáticaExigir evidencia técnica, legal y operativa. ¿Qué es Darkbloom AI? Eigen Labs presentó Project Darkbloom como una iniciativa de investigación para inferencia distribuida en Macs infrautilizados. Un coordinador empareja peticiones con nodos. El proveedor ejecuta MLX dentro de un proceso reforzado en Apple Silicon y la aplicación conserva formatos conocidos. El repositorio open source de Darkbloom documenta el sistema como alfa pública. El control plane vive en una Confidential VM, los proveedores conectan por WebSocket saliente y la respuesta vuelve por el coordinador. También publica endpoints de catálogo, precios y atestación. No es la arquitectura de nuestro análisis de Mesh LLM. Mesh LLM divide un modelo en etapas entre equipos que organizas. Darkbloom enruta normalmente la petición completa a un proveedor capaz de ejecutar el modelo. Tampoco es self-hosting ordinario porque coordinador y proveedor remoto permanecen dentro del servicio. ¿Cómo funciona realmente la privacidad? Aplicación a coordinador: TLS y, opcionalmente, sellado X25519 adicional. Dentro del coordinador: la Confidential VM descifra para routing y facturación. Coordinador a proveedor: cifra de nuevo con una clave efímera para la clave atestada del nodo. Dentro del proveedor: el proceso reforzado descifra y ejecuta MLX sin un subprocess externo. Respuesta: chunks cifrados regresan al coordinador y luego al cliente. El documento canónico de cifrado es preciso: el coordinador ve temporalmente el prompt para routing y facturación, y el proveedor es el punto final de descifrado. Esto elimina vías de observación comunes, pero “cifrado” no significa “nadie fuera de la empresa procesa texto plano”. Las expectativas de privacidad para consumidores dicen que el coordinador no debe registrar ni retener el prompt y debe cifrarlo antes de abandonar la Confidential VM. El comprador aún necesita pruebas sobre versión desplegada, accesos, telemetría, regiones, subencargados, incidentes y responsabilidad contractual. ¿Darkbloom ofrece cifrado de", "articleSection": "AI", "author": { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/" }, "citation": [ { "@type": "WebPage", "name": "Eigen Labs presentó Project Darkbloom como una iniciativa de investigación para inferencia distribuida en Macs infrautilizados", "url": "https://www.eigenlabs.org/blog/project-darkbloom-unlocking-idle-compute-for-ai/" }, { "@type": "WebPage", "name": "repositorio open source de Darkbloom", "url": "https://github.com/Layr-Labs/d-inference" }, { "@type": "WebPage", "name": "documento canónico de cifrado", "url": "https://github.com/Layr-Labs/d-inference/blob/master/docs/architecture/security/encryption.md" }, { "@type": "WebPage", "name": "expectativas de privacidad para consumidores", "url": "https://github.com/Layr-Labs/d-inference/blob/master/docs/consumer/privacy-expectations.md" }, { "@type": "WebPage", "name": "quickstart para consumidores", "url": "https://github.com/Layr-Labs/d-inference/blob/master/docs/consumer/quickstart.md" }, { "@type": "WebPage", "name": "configuración para proveedores", "url": "https://console.darkbloom.dev/providers/setup" }, { "@type": "WebPage", "name": "issue público informó de un Mac conectado sin trabajos de inferencia durante más de un día", "url": "https://github.com/Layr-Labs/d-inference/issues/264" }, { "@type": "WebPage", "name": "issue público documentó presión extrema de memoria Metal en un M3 Ultra de 256 GB con tráfico sostenido", "url": "https://github.com/Layr-Labs/d-inference/issues/550" } ], "dateModified": "2026-08-25", "datePublished": "2026-08-25", "description": "Darkbloom es una red de inferencia de IA en alfa pública de Eigen Labs. Enruta peticiones compatibles con OpenAI mediante un coordinador confidencial hacia proveedores Apple Silicon verificados. Puede facilitar la integración y aprovechar Macs inactivos, pero no equivale a inferencia local ni a computación de conocimiento cero. Su propia documentación técnica dice que el coordinador descifra temporalmente el prompt dentro de la memoria de una Confidential VM para routing y facturación, y lo vuelve a cifrar para el proveedor, cuyo proceso reforzado realiza el descifrado final. El repositorio documenta precios fallback de 0,05 dólares por millón de tokens de entrada, 0,20 dólares por millón de salida, un cargo mínimo de 0,0001 dólares y 0 por ciento de comisión de plataforma durante el alfa, aunque los precios en vivo pueden variar. Los ingresos de proveedor dependen de la demanda, no son renta pasiva garantizada. Para uso comercial, conviene limitarse a un piloto de evaluación con datos no sensibles, evals del workload, pruebas de latencia y fallos, coste por resultado aceptado y revisiones escritas de seguridad, legal y operaciones antes de producción.", "headline": "Darkbloom AI: Inferencia Privada en Macs Inactivos", "image": "https://wavect.io/img/blog/headers/header_darkbloom-ai-private-inference-mac.svg", "inLanguage": "es", "keywords": "IA privada, Infraestructura de IA", "mainEntityOfPage": { "@id": "https://wavect.io/es/blog/darkbloom-ai-private-inference-mac/", "@type": "WebPage" }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/es/blog/darkbloom-ai-private-inference-mac/", "wordCount": 2031 } ``` ```json { "@context": "https://schema.org", "@type": "BreadcrumbList", "itemListElement": [ { "@type": "ListItem", "item": "https://wavect.io/es/", "name": "Inicio", "position": 1 }, { "@type": "ListItem", "item": "https://wavect.io/es/blog/overview/", "name": "Resumen del blog", "position": 2 }, { "@type": "ListItem", "item": "https://wavect.io/es/blog/topics/ai-agents/", "name": "IA y agentes", "position": 3 }, { "@type": "ListItem", "item": "https://wavect.io/es/blog/clusters/models-infrastructure/", "name": "Modelos e infraestructura", "position": 4 }, { "@type": "ListItem", "item": "https://wavect.io/es/blog/darkbloom-ai-private-inference-mac/", "name": "Darkbloom AI: Inferencia Privada en Macs | ", "position": 5 } ] } ``` ```json { "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [ { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Es una red de inferencia distribuida en alfa pública de Eigen Labs. Enruta peticiones compatibles con OpenAI mediante un coordinador confidencial hacia proveedores Apple Silicon verificados." }, "name": "¿Qué es Darkbloom AI?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "No. La inferencia local permanece en hardware propio. Darkbloom usa un coordinador externo y un Mac proveedor dentro de la frontera del servicio." }, "name": "¿Es igual que ejecutar un LLM local?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "La documentación dice que los descifra temporalmente en memoria Confidential VM para routing y facturación, no los registra ni retiene y los cifra de nuevo para el proveedor." }, "name": "¿Puede el coordinador leer prompts?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Admite interfaces habituales de OpenAI y Anthropic Messages. Prueba tu SDK y funciones exactas porque no todos los endpoints tienen paridad completa." }, "name": "¿Es compatible con la API de OpenAI?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Los fallback documentados son 0,05 dólares por millón de tokens de entrada, 0,20 por millón de salida y 0,0001 por petición. El precio en vivo puede variar." }, "name": "¿Cuánto cuesta Darkbloom?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "No hay una cifra universal. Demanda, modelo, memoria, uptime, reputación e incentivos determinan los ingresos. Mide primero con hardware existente." }, "name": "¿Cuánto puede ganar un Mac?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "El servicio se presenta como alfa pública para evaluación. Una empresa debe validar calidad, privacidad, legal, disponibilidad, recuperación y coste con datos no sensibles." }, "name": "¿Está listo para producción?" } ] } ```