Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
LanzamientoAnálisis · En radarThe Decoder→ original

Un exinvestigador de Anthropic afirma que la compañía podría reentrenar Mythos con una fracción del cómputo

Jacob Coxon, exinvestigador, afirma que Anthropic ya podría reentrenar el modelo Mythos con una pequeña fracción del cómputo que se gastó la primera vez. Su argumento es una diapositiva de la presentación para la OPI, que muestra cómo creció la eficiencia del entrenamiento para código entre julio de 2024 y octubre de 2026. Anthropic describe esos puntos como estimaciones internas con fines ilustrativos, así que se trata de una opinión y no de un hecho. Conviene incluir en los planes una rápida reducción de costes para los modelos de nivel actual.

Procesado por IA desde The Decoder; editado por Hamidun News
Un exinvestigador de Anthropic afirma que la compañía podría reentrenar Mythos con una fracción del cómputo
Fuente: The Decoder. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalThe Decoder ↗
Editor jefe
Dato clave #1Coxon trabajó en Anthropic unos cuatro meses y se fue por esa diapositiva
El eje del gráfico es logarítmicoun aumento de 10 veces y uno de 100 veces apenas se distinguen
Dato clave #3Coxon pide pausar durante el próximo año el desarrollo de modelos de frontera

Entrenar un gran modelo de lenguaje cuesta cientos de millones de dólares en electricidad y tarjetas gráficas, y de la rapidez con que baja ese coste dependen tanto las tarifas de las API como el equilibrio de fuerzas entre laboratorios. Ahora esa velocidad se discute en público. Jacob Coxon, exinvestigador de OpenAI y Anthropic, afirmó que Anthropic ya hoy podría reentrenar su modelo Mythos gastando solo una fracción de la potencia de cálculo que hicieron falta la primera vez. Para respaldar sus palabras, muestra una diapositiva de la presentación que Anthropic preparó para los inversores antes de su OPI.

Qué muestra la diapositiva

El gráfico recoge el «multiplicador de cómputo para el preentrenamiento» aplicado al código. Dicho de forma sencilla, responde a la pregunta de cuánta menos potencia se necesita hoy para obtener un modelo del mismo nivel que antes. El periodo abarca desde julio de 2024 hasta octubre de 2026.

El eje en el que se representan los valores es logarítmico. Eso significa que la escala está comprimida: un aumento de 10 veces y uno de 100 veces se ven casi igual. Aun así, con esa escala comprimida, la línea sube con mucha pendiente. Eso es lo que Coxon considera importante: si la curva sube con fuerza en una escala que oculta la magnitud, el crecimiento real es enorme y se acelera. A ese régimen lo llama «superexponencial»: cada nueva mejora llega más deprisa que la anterior.

«Es un gráfico una locura, y me sorprende que lo hayan publicado», escribió en X. Según él, esa diapositiva fue una de las principales razones por las que dejó Anthropic, donde trabajó unos cuatro meses.

En el pie de la diapositiva, la propia Anthropic aclara que los puntos se basan en estimaciones internas y se presentan solo con fines ilustrativos. La fuente no incluye valores exactos del multiplicador, así que desde fuera no se puede verificar la magnitud de las mejoras.

Qué significa para Mythos

Mythos es un modelo que en primavera supuso un salto notable en capacidades. Para muchos pareció un avance puntual. Coxon lo ve de otra manera: a su juicio, Mythos se sitúa en la misma curva que las mejoras anteriores y no se aparta de ella.

Un ejemplo sencillo. Usted pasó medio año escribiendo un servicio complejo, tropezando y probando distintas arquitecturas. Un año después lo repite en unas pocas semanas, porque ya sabe qué soluciones funcionan. Si lo mismo ocurre con cada generación de modelos, el nivel que ayer exigía un clúster gigantesco costará mañana varias veces menos. Lo único que seguirá siendo caro es la frontera más avanzada.

Hay que hacer una salvedad honesta. Son palabras de una sola persona, además exempleado, y se apoyan en un gráfico marcado «con fines ilustrativos». No hay una confirmación independiente de que Mythos pueda reentrenarse varias veces más barato.

Por qué Coxon pide una pausa

De su valoración extrae una conclusión radical. Las mejoras algorítmicas, según él, están «al borde de la automatización»: la IA empezará a acelerar por sí misma la investigación en IA. Por eso propone que el próximo año se suspenda el desarrollo de modelos de frontera y que los competidores tengan tiempo de alcanzar a los líderes.

Su razonamiento es este: la pausa «convertiría la inteligencia de nivel humano en una mercancía» y «solo perjudicaría a OpenAI y Anthropic». Si el resto obtiene ese mismo nivel, la ventaja de los dos líderes en el segmento de los modelos más caros desaparecerá. Es un argumento contra la idea extendida de que frenar beneficia a los propios laboratorios.

Coxon ganó notoriedad en septiembre con advertencias públicas sobre los riesgos de la IA avanzada, que otros actores del sector repitieron. Una de las principales preocupaciones es una IA que se mejore a sí misma y pueda escapar al control.

Qué deben hacer desarrolladores y fundadores

Primero, incluyan en el modelo financiero de su producto una reducción rápida de costes para los modelos de nivel actual. Si la eficiencia del entrenamiento crece como muestra la diapositiva, las capacidades de hoy de los modelos insignia pronto serán de uso masivo.

Segundo, no construyan un negocio sobre el acceso exclusivo a un solo modelo: una ventaja que depende de que una red neuronal sea única se disuelve con rapidez.

Tercero, traten estas afirmaciones como una señal, no como una prueba. El gráfico es público, pero los datos internos de Anthropic no lo son. Mientras la compañía no publique las cifras, la velocidad real del progreso solo puede estimarse a partir de indicios indirectos, como los precios de las API y el ritmo de lanzamiento de nuevos modelos.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre Qué muestra la diapositiva?

El gráfico recoge el «multiplicador de cómputo para el preentrenamiento» aplicado al código. Dicho de forma sencilla, responde a la pregunta de cuánta menos potencia se necesita hoy para obtener un modelo del mismo nivel que antes. El periodo abarca desde julio de 2024 hasta octubre de 2026. El eje en el que se representan los valores es logarítmico. Eso significa que la escala está comprimida: un aumento de 10 veces y uno de 100 veces se ven casi igual.

¿Qué se sabe sobre Qué significa para Mythos?

Mythos es un modelo que en primavera supuso un salto notable en capacidades. Para muchos pareció un avance puntual. Coxon lo ve de otra manera: a su juicio, Mythos se sitúa en la misma curva que las mejoras anteriores y no se aparta de ella. Un ejemplo sencillo. Usted pasó medio año escribiendo un servicio complejo, tropezando y probando distintas arquitecturas. Un año después lo repite en unas pocas semanas, porque ya sabe qué soluciones funcionan.

¿Qué se sabe sobre Por qué Coxon pide una pausa?

De su valoración extrae una conclusión radical. Las mejoras algorítmicas, según él, están «al borde de la automatización»: la IA empezará a acelerar por sí misma la investigación en IA. Por eso propone que el próximo año se suspenda el desarrollo de modelos de frontera y que los competidores tengan tiempo de alcanzar a los líderes. Su razonamiento es este: la pausa «convertiría la inteligencia de nivel humano en una mercancía» y «solo perjudicaría a OpenAI y Anthropic».

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
¿Qué te parece?
Cargando comentarios…