PewDiePie entrena en casa Ajax, un modelo sin censura, tras dos baneos de OpenAI

Felix Kjellberg, conocido como PewDiePie, está desarrollando Ajax, un modelo de lenguaje sin censura integrada que, según el vídeo de Fireship, entrenó en su casa. El detonante fueron dos baneos de OpenAI: la compañía cerró en dos ocasiones las cuentas del youtuber por destilación. La descripción del vídeo no revela el tamaño del modelo, la base, el dataset ni las condiciones de distribución. A continuación separo lo confirmado del contexto que ayuda a entender la dimensión de la historia.

Qué se sabe de Ajax

Los hechos son pocos, y conviene dejarlo claro desde el principio. La fuente es la descripción y el contenido del vídeo de Fireship; no disponemos de materiales primarios del propio autor.

• Nombre del modelo: Ajax.
• Autor: PewDiePie.
• Posicionamiento: uncensored, es decir, sin las negativas ni los filtros habituales.
• Dónde se entrenó: en casa, con hardware personal.
• Detonante: dos baneos de OpenAI por destilación.
• No se ha revelado: número de parámetros, modelo base, volumen y fuentes de los datos, licencia ni resultados en benchmarks.

La expresión «entrenó en casa» casi con seguridad significa un fine-tuning de un modelo abierto ya existente, y no un preentrenamiento desde cero. Un modelo al nivel de los buques insignia actuales requiere miles de aceleradores y meses de trabajo, y un rack doméstico con unas cuantas GPU no está preparado para eso. Esta es una conclusión nuestra; la fuente no la confirma.

Por qué la destilación acaba en baneos

La destilación consiste en reunir las respuestas de un modelo potente en un dataset y entrenar con él a otro, normalmente más pequeño. El método es legal y las empresas lo usan desde hace tiempo en sus procesos internos. Los problemas empiezan cuando el «maestro» es el modelo cerrado de un tercero. Los términos de uso de OpenAI prohíben emplear los resultados del servicio para desarrollar modelos competidores. El tema ya había generado polémica: a comienzos de 2025 surgieron informes de que OpenAI sospechaba que DeepSeek había utilizado las salidas de sus modelos.

Se desconoce cómo detectó OpenAI la actividad de PewDiePie. Por lo general, estos casos los delata el tráfico: consultas masivas y homogéneas, pipelines automatizados, la estructura de los prompts. Que lo baneen dos veces indica que, tras la primera, no abandonó el esquema, sino que lo reconstruyó.

Para qué sirve un modelo sin censura

A un modelo «uncensored» se le suelen eliminar o debilitar las negativas: se depuran de los datos de entrenamiento los ejemplos del tipo «no puedo ayudarte con esto» y se hace el fine-tuning con una muestra que no contiene esas reacciones. Para el usuario, las ventajas son evidentes: control total sobre el comportamiento, privacidad y ausencia de bloqueos repentinos en mitad del trabajo. Los inconvenientes también lo son: el modelo genera contenido dañino con más facilidad, y la responsabilidad recae en quien lo ejecuta y lo distribuye.

Hay además cierta ironía. Para obtener datos de calidad con los que hacer el fine-tuning, a menudo se recurre justo a las respuestas de modelos cerrados que han pasado por un proceso de alineamiento. Después hay que limpiar de ellas las negativas. Ahí es donde la destilación choca con los términos de la API.

Qué deben hacer desarrolladores y equipos

La historia sirve como pretexto para revisar los procesos propios, sobre todo si generáis datos sintéticos.

• Lee los términos de la API que utilizas. Si prohíben entrenar modelos competidores, no uses las salidas para crear datasets, ni siquiera «para un experimento interno».
• Para datos sintéticos, elige modelos con pesos abiertos y una licencia que permita explícitamente ese uso. Las licencias varían mucho de una familia a otra, así que revisa los detalles.
• No mezcles cuentas personales y de trabajo. Un baneo por incumplir los términos puede bloquear el acceso a todos los proyectos asociados a un mismo perfil.
• Si piensas ejecutar Ajax cuando se publiquen los pesos, espera a las pruebas independientes. Las afirmaciones del autor sobre la calidad no se pueden verificar sin benchmarks ni una descripción de los datos.
• Para el fine-tuning local, calcula con antelación el presupuesto real de memoria de vídeo: LoRA y la cuantización permiten ajustarse a GPU de consumo, pero solo con modelos de tamaño medio.

Por ahora, el balance es sencillo: un nombre muy conocido, una idea interesante y una ausencia casi total de detalles técnicos. Cuando aparezcan los pesos, el dataset y las evaluaciones, se sabrá si es un proyecto open source serio o un experimento mediático.