Ver todos los artículos
noticiasopiniónsin-humoia

Sin humo: Kimi K3.1, Hy4, ERNIE 5.5, Ling 3.2 y Ripple-65B

JG
Jacobo González Jaspe
|
Sin humo: Kimi K3.1, Hy4, ERNIE 5.5, Ling 3.2 y Ripple-65B Sin humo
Este artículo también está en inglés:No Hype: Kimi K3.1, Hy4, ERNIE 5.5, Ling 3.2 and Ripple-65B

Moonshot AI ha publicado los pesos de Kimi K3.1 Pro, un modelo de la clase 3T con una ventana de 1 millón de tokens, y detrás llegaron otros cuatro modelos grandes. Te contamos cada uno con las cifras de sus autores y de un evaluador independiente.

Moonshot AI publica los pesos de Kimi K3.1 Pro

Ilustración generada con IA en nuestra máquina. Ilustración generada con IA en nuestra máquina.

Lo que pasó. Moonshot AI ha lanzado Kimi K3.1 Pro, un modelo agéntico de pesos abiertos y multimodal de serie. Lo describe como su modelo más capaz de la clase 3T hasta la fecha (Hugging Face). Tiene una ventana de contexto de 1 millón de tokens. Las notas de la ficha enseñan los deberes: la prueba de ExploitBench se hizo con un límite de 300 turnos y algunas cifras de la competencia salen del blog de lanzamiento de DeepSeek.

Lo que pensamos. Pesos abiertos a este tamaño son buena noticia para quien quiere saber dónde acaban sus datos y mala para quien sueña con correrlo en el portátil. Un modelo de la clase 3T se compra para una sala de servidores. Eso sí, nos gustan las notas que dicen de dónde sale cada cifra comparada.

Lo bueno. Se puede descargar, así que puedes alojarlo, auditarlo y dejar tus documentos en tu propia red.

Qué haces tú con esto. Antes de emocionarte, mete el tamaño en nuestra calculadora de VRAM. Si la respuesta es un armario de servidores, un modelo abierto más pequeño te lee las facturas igual de bien.

Tencent abre la vista previa de Hy4, un modelo de expertos de 770B

Ilustración generada con IA en nuestra máquina. Ilustración generada con IA en nuestra máquina.

Lo que pasó. El equipo Hy de Tencent ha publicado la vista previa de Hy4, un modelo de mezcla de expertos con 770B parámetros en total, de los que 49B se activan por token (Hugging Face). Artificial Analysis lo probó a través de la API de Tencent. Sacó 35 puntos en su Intelligence Index, frente a una mediana de 37 en su franja de precio. Cuesta 0,83 dólares por millón de tokens de entrada y 2,50 por millón de salida. Tarda 103,27 s hasta el primer token de respuesta, frente a una mediana de 14,55 s (Artificial Analysis).

Lo que pensamos. Barato y lento es un trato real, y la prueba independiente enseña las dos caras. La prueba ciega de la propia Tencent puso a 163 expertos internos a valorar 203 tareas de ingeniería, con Hy4 en 2,99 frente a 2,94 de Kimi K3. Que la plantilla puntúe el modelo de su empresa es una nota de prensa con hoja de cálculo.

Lo bueno. Los pesos son públicos, así que no dependes de la API de Tencent ni de su cola.

Qué haces tú con esto. Para trabajos por lotes de madrugada que nadie vigila, pesa más el precio que la espera. Para lo que espera un cliente, no. Elige la máquina según la tarea con nuestra guía de hardware por tarea.

Baidu lanza ERNIE 5.5 Flash Base para seguir entrenándolo

Ilustración generada con IA en nuestra máquina. Ilustración generada con IA en nuestra máquina.

Lo que pasó. El equipo ERNIE de Baidu anunció ERNIE-5.5-Flash-Base el 5 de noviembre de 2026 (Unite.AI). Es un modelo de mezcla de expertos con 280B parámetros en total y 14B activos por token. Se preentrenó con 33,5 billones de tokens, con un contexto de entrenamiento de hasta 128K, y admite 1 millón de tokens para ajuste fino e inferencia (ERNIE).

Lo que pensamos. Un modelo base es materia prima, no un producto: está pensado para equipos que lo van a seguir entrenando. Baidu dice que el diseño reduce más o menos a la mitad el tráfico de enrutado y los FLOP de los expertos. Su configuración completa de entrenamiento usa 16 nodos con cuatro GPU GB300 cada uno (Unite.AI). Esa configuración deja claro a quién va dirigido, y no es a la clínica dental de Russafa.

Lo bueno. Baidu publica la arquitectura con detalle, como unas capas que comprimen cada 128 tokens en una sola entrada de caché (ERNIE), así que se aprende de ella sin necesidad de ejecutarla.

Qué haces tú con esto. Si no piensas afinar un modelo de 280B, sáltatelo. Si construyes sobre modelos locales, empieza por nuestra página de IA local para developers.

Ant Group suma Ling 3.2 Flash a su serie abierta Ling

Ilustración generada con IA en nuestra máquina. Ilustración generada con IA en nuestra máquina.

Lo que pasó. Ant Group, que desarrolla y publica en abierto la serie Ling, ha lanzado Ling-3.2-flash, el último modelo multimodal nativo de la serie, con 560B parámetros en total, 25B activos, una ventana de contexto de hasta 1 millón de tokens y entrada de imagen, texto y vídeo (Ant Ling). La misma página da para Ling-3.1-flash unos 560B en total, unos 25B activos y también hasta 1 millón.

Lo que pensamos. El tamaño y la ventana son los mismos que en 3.1 Flash. Lo que cambia es la entrada: 3.2 Flash lee imágenes y vídeo de serie, y eso importa más para el papeleo escaneado que cualquier recuento de parámetros.

Lo bueno. La serie también baja de tamaño: Ling-3.0-tiny activa solo 1,3B parámetros (Ant Ling).

Qué haces tú con esto. En una oficina pequeña, lo interesante de una serie así está en el extremo diminuto. Para elegir cómo servirlo: Ollama o vLLM para 1 a 10 usuarios: mismo modelo, misma caja, medido.

Ricursive Intelligence lanza Ripple-65B Preview, entrenado por 32 millones de dólares

Ilustración generada con IA en nuestra máquina. Ilustración generada con IA en nuestra máquina.

Lo que pasó. Ricursive Intelligence ha lanzado Ripple-65B Preview con licencia Apache 2.0. Es un Transformer denso de 65B, preentrenado con 12 billones de tokens y con hasta 1 millón de tokens de contexto (Together AI). Es una versión de uso general del modelo interno de su plataforma de diseño de chips. Ricursive dice que lo entrenó por 32 millones de dólares. Según la empresa, sacó 80,52 en TerminalBench 2.1, por delante de NVIDIA Nemotron 3 Ultra 550B y Thinking Machines Inkling 975B (Ricursive).

Lo que pensamos. Es el modelo más práctico del número: 65B denso, y su ficha da 250 tok/s en 2xB200 antes de cualquier cuantización (Hugging Face). El equipo pasó de 1 a 5 personas. Sam Altman dijo en 2023 que entrenar GPT-4 costó más de 100 millones de dólares (Ricursive), así que 32 millones es una rebaja, aunque carísima. Las victorias en benchmarks son cifras de la propia Ricursive.

Lo bueno. Apache 2.0 te deja usarlo con fines comerciales, modificarlo y ejecutarlo donde quieras.

Qué haces tú con esto. Pruébalo en Together AI a 0,20 dólares por millón de tokens de entrada y 0,60 por millón de salida (Together AI) antes de comprar nada, y luego mira qué pide un modelo de 65B en nuestra calculadora de VRAM.

En una frase

Kimi K3.1 Pro es abierto y enorme: descárgalo si tienes servidores para él y elige un modelo abierto más pequeño si no.

Trabaja con nosotros

Si algo de esta columna encaja en tu empresa, con modelos que corren en tu hardware y no en la nube de otro, cuéntanos qué necesitas o mira cómo trabajamos en consultoría.

Diagrama
Compartir: LinkedIn X
Veredicto semanal

Recibe las guías nuevas antes que nadie

Suscríbete y te avisamos cuando publiquemos guías, plantillas y workflows nuevos. Un correo a la semana, sin spam.

Ya publicados: 101 guías y 25 plantillas. Todo gratis y sin registro.

Bonus: el kit de inicio de IA local en PDF al suscribirte
1x por semana Sin spam Cancela cuando quieras

Ver qué recibes