llm 0.36: el CLI de Simon Willison suma GPT-6 Sol y Luna

Qué es llm y por qué este release importa

llm 0.36 es la nueva versión de la herramienta de línea de comandos (CLI) que el desarrollador Simon Willison mantiene como proyecto open source para interactuar con modelos de lenguaje desde la terminal. El release salió el 22 de septiembre de 2026 y, aunque es una versión menor, incorpora dos cambios que afectan directamente a developers y equipos técnicos hispanohablantes que ya usan (o quieren empezar a usar) LLMs en scripts y flujos automatizados.

La nota original en el blog de Willison es escueta — es un beat breve, sin análisis — pero la combinación de novedades apunta a una dirección clara: el ecosistema CLI de LLMs está madurando hacia plugins más declarativos y modelos con capacidades más específicas, no solo «más grandes».

Las novedades concretas de llm 0.36

Soporte para dos nuevos modelos de OpenAI

Se añaden dos identificadores a la lista de modelos accesibles desde el CLI:

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

gpt-6-sol para el modelo GPT-6 Sol.
gpt-6-luna para el modelo GPT-6 Luna.

Según la documentación enlazada desde el propio release (developers.openai.com), ambos están listados como modelos disponibles de la familia GPT-6 de OpenAI. El release no detalla diferencias de capacidad, precio o ventana de contexto entre Sol y Luna — esa información hay que buscarla en la página de cada modelo en la documentación oficial de OpenAI si te interesa elegir uno u otro.

Plugins que declaran si soportan conversaciones

Este es el cambio con más implicaciones para quien desarrolla plugins. A partir de 0.36, un plugin de modelo puede declarar supports_conversation = False cuando el modelo subyacente solo acepta prompts de un solo turno. Cuando se da ese caso:

La librería lanza llm.ConversationNotSupported si el modelo recibe historial de asistente o de herramientas.
El comando llm chat rechaza el modelo antes de iniciar la sesión, evitando errores a mitad de camino.

El primer plugin en usar este mecanismo es llm-typesafe, según la nota de release. Para developers hispanohablantes que mantienen integraciones internas, esto significa que pueden marcar límites del modelo en el propio plugin en vez de documentarlos a mano — un paso pequeño pero relevante hacia interfaces más robustas.

Trazas de razonamiento colapsables en `llm logs`

El comando llm logs ahora envuelve las trazas de razonamiento en etiquetas <details><summary> dentro del Markdown. En la práctica: cuando revisas una ejecución pasada, el bloque de thinking aparece colapsado por defecto y se expande con un clic. Útil para auditar respuestas largas sin perder el scroll.

Bug fixes de cinco contribuidores nuevos

El changelog enlazado desde la nota (llm.datasette.io) lista correcciones aportadas por cinco contribuidores primerizos. No se detallan cuáles en la nota corta, pero el detalle es relevante: el proyecto sigue aceptando contribuciones externas y tiene una base de mantenimiento activa.

Por qué este tipo de release le interesa a un founder

Una CLI de LLMs no compite con ChatGPT ni con los playgrounds web: ocupa un nicho distinto, el de integrar modelos en pipelines reproducibles. Casos típicos en una startup:

Clasificación y etiquetado masivo de tickets, leads, feedbacks sin abrir un navegador.
Generación de fixtures, migraciones o documentación desde el pre-commit o el CI.
Agencias y consultoras que pasan prompts idénticos a cientos de inputs y necesitan trazabilidad de qué se envió y qué respondió el modelo.
ETL semántico: extraer entidades de PDFs o CSVs en un cron, sin servidor dedicado.

Lo que hace el release de 0.36 no es revolucionario, pero reduce fricción en tres puntos que suelen doler:

Acceso a modelos nuevos de OpenAI por nombre, sin esperar a que alguien actualice un wrapper.
Manejo explícito de modelos no conversacionales en plugins, lo que evita fallos silenciosos cuando encadenas llamadas.
Logs más legibles para debug de flujos largos.

Qué significa esto para tu startup

Si ya usas llm en algún script interno, el upgrade es trivial:

Ejecuta llm upgrade (o pip install -U llm) y comprueba que gpt-6-sol y gpt-6-luna aparezcan en llm models. Si quieres probar los nuevos modelos, el comando básico es llm -m gpt-6-sol "tu prompt".
Si mantienes un plugin propio para un modelo que no soporta historial, declara supports_conversation = False en lugar de documentarlo en el README. Tu plugin ahora fallará rápido y con un error claro en lugar de a media ejecución.
Si auditas ejecuciones pasadas, regenera el log en Markdown y aprovecha el colapso automático de las trazas de razonamiento.

Acciones concretas:

Audita qué scripts tuyos llaman a APIs de LLM sin trazabilidad. Si los reescribes sobre llm, cada llamada queda en llm logs con su prompt, respuesta y tokens — un registro que sirve para reproducir bugs y justificar costos.
Revisa la doc oficial de GPT-6 Sol y GPT-6 Luna antes de cambiar de modelo en producción. La nota de release no entra en diferencias de precio/latencia/calidad, y son variables que pueden cambiar tu factura mensual.
Si tienes un modelo local o un proveedor menos común, considera escribir un plugin con supports_conversation = False si sabes que el backend solo soporta turnos únicos. Es la forma en que el propio ecosistema lo está haciendo.

Conclusión

llm 0.36 no mueve titulares en medios generalistas, pero es un recordatorio útil: el stack de herramientas para integrar LLMs en procesos de negocio sigue activo, open source, y con un mantenedor (Simon Willison) que publica cadencia regular. Para founders que están construyendo productos con IA en el backend — clasificación, generación, extracción, agentes — vale la pena tener llm en el cinturón de herramientas, aunque solo sea para prototyping rápido.