Deep Cogito entrenó la familia Cogito v1 en la infraestructura de Runpod en su camino hacia la ASI

Deep Cogito, de San Francisco, entrenó la familia de modelos abiertos Cogito v1 en la infraestructura de Runpod. Se trata de una nube de GPU en la que se alquila la capacidad de cómputo en lugar de montar un clúster propio. La gama incluye cinco tamaños, de 3 a 70 mil millones de parámetros, y el objetivo declarado de la compañía es la superinteligencia artificial (ASI). La historia la publicó el blog de Runpod como caso de cliente, así que conviene leerla teniendo en cuenta el género.

Qué se sabe del proyecto

La única fuente pública es una entrada en el blog de Runpod. El fragmento al que tenemos acceso se corta en la frase que dice que Cogito v1 apunta a la superinteligencia artificial. No revela el número de GPU, los tipos de aceleradores, la duración de las ejecuciones ni el coste del entrenamiento. Sin esas cifras no se puede evaluar la escala del cómputo, y inventarlas sería incorrecto.

Los materiales abiertos de la propia Deep Cogito dan una imagen más amplia. La compañía salió del anonimato en abril de 2025 y presentó Cogito v1 Preview. Los modelos no se entrenaron desde cero: parten de checkpoints ya existentes de Llama y Qwen, a los que se aplicó un entrenamiento adicional con una metodología propia.

Cómo funciona Cogito v1

La apuesta principal de Deep Cogito es IDA, destilación y amplificación iterativas. El esquema es el siguiente. Primero, el modelo dedica más cómputo a razonar o buscar y obtiene una respuesta mejor que la que habría dado de inmediato. Eso es la amplificación. Después, el resultado se destila de vuelta a los pesos, y el modelo aprende a producir esa respuesta sin el gasto adicional. El ciclo se repite. La idea es que la mejora no depende del etiquetado humano, sino del cómputo que el equipo esté dispuesto a invertir.

Los modelos son híbridos: responden directamente o activan un modo de razonamiento. La compañía afirmó que Cogito v1 supera a los modelos abiertos del mismo tamaño, incluidas las líneas de Llama, DeepSeek y Qwen. Son afirmaciones suyas. En nuestro material no hay una verificación independiente.

Parámetros clave de la familia:

• Tamaños: 3B, 8B, 14B, 32B y 70B parámetros.
• Modelos base: checkpoints de Llama y Qwen.
• Modos de funcionamiento: respuesta estándar y razonamiento (hybrid reasoning).
• Método de entrenamiento: destilación y amplificación iterativas (IDA).
• Infraestructura: nube de Runpod.
• Acceso: pesos abiertos.

Por qué importa la elección de Runpod

El caso ilustra el camino habitual de un laboratorio pequeño. Un clúster propio de miles de H100 exige cientos de millones de dólares y meses de espera por los suministros. El alquiler por horas permite lanzar experimentos de inmediato y detenerlos cuando el método no funciona. Para IDA, cuyo entrenamiento se basa en ciclos repetidos, esa flexibilidad importa: el volumen de cómputo de cada iteración no se conoce de antemano.

Esta es una valoración nuestra, no una cita de la fuente. Para Runpod, que compite por clientes con CoreWeave, Lambda y los hiperescaladores, un caso así funciona como publicidad. Le dice al mercado que con GPU alquiladas se pueden entrenar modelos no solo para tareas aplicadas, sino también para aspirar a la frontera.

Qué comprobar en la práctica

Un equipo que esté considerando Cogito v1 u otro camino similar debería verificar varias cosas:

1. Ejecutar el modelo del tamaño necesario con sus propias tareas. Los rankings de la compañía no sustituyen una prueba con sus datos, sobre todo en el modo de razonamiento, donde aumentan tanto la latencia como el coste por token.

2. Leer las licencias. Los modelos se basan en Llama y Qwen, por lo que las condiciones de uso se heredan de los checkpoints base.

3. Si planea hacer su propio ajuste fino sobre una base abierta, calcular la economía del alquiler de GPU frente a la compra. Para experimentos con un volumen de cómputo incierto, el alquiler suele salir ganando.

4. Seguir si Deep Cogito publica detalles técnicos: número de GPU, coste de las ejecuciones, datos sobre IDA. Son los que mostrarán si el enfoque es reproducible fuera de este equipo.

Por ahora hay una declaración de intenciones, una gama funcional de modelos abiertos y un proveedor de nube que cuenta el caso con gusto. Para hablar de ASI es poco, pero como ejemplo de que un equipo pequeño puede entrenar modelos competitivos sin un centro de datos propio, el caso sirve.