Mistral publica los pesos de Le Chonk, un modelo de 1 billón de parámetros que encabeza los abiertos en FrontierCode
Mistral ha publicado los pesos de Le Chonk, un modelo abierto de 1 billón de parámetros que puede ejecutarse en servidores propios sin enviar el código a una API externa. Se trata de un MoE: como una consultora de mil especialistas en la que solo se llama a los necesarios, aquí cada token activa 52 000 millones de parámetros. En el benchmark FrontierCode de Cognition, es el primero entre los modelos abiertos. Los equipos con código cerrado deberían probarlo cuanto antes con sus propias tareas.
Procesado por IA desde X: @minchoi; editado por Hamidun News
Imagine una situación habitual: usted desarrolla un asistente de código para un banco o para un contratista de defensa. Los mejores modelos de código solo están disponibles a través de la API de un tercero, y enviar allí los fuentes está prohibido por las normas de seguridad. Los modelos abiertos suelen ser más débiles, así que hay que elegir entre calidad y control.
La noticia de Mistral trata precisamente de que esa elección puede dejar de ser tan rígida: la compañía ha publicado los pesos de Le Chonk, un modelo de 1 billón de parámetros. Según el post de Min Choi en X, es el mejor modelo abierto en el benchmark FrontierCode de Cognition, y Nvidia lo respaldó desde el primer día.
Qué se ha publicado
Le Chonk utiliza la arquitectura Mixture of Experts (MoE), es decir, una «mezcla de expertos». Tiene 1 billón de parámetros en total, pero para procesar cada token solo se activan unos 52 000 millones. Los pesos ya están disponibles en Hugging Face. También hay una versión en formato NVFP4, una representación numérica de 4 bits que Nvidia promueve para sus GPU. Cuantos menos bits por parámetro, menos memoria ocupan los pesos y más rápida es la inferencia.
La calidad se evaluó con FrontierCode, un benchmark de Cognition, la empresa que desarrolla el agente de código Devin. El post afirma que Le Chonk ocupa el primer puesto entre los modelos abiertos. Sin embargo, no incluye las cifras concretas del resultado, así que con estos datos no es posible comparar el modelo con competidores cerrados.
Cómo entender «1 billón, pero 52 000 millones activos»
Imagine una consultora con mil especialistas. Ante cada consulta del cliente no se convoca a todos: un gestor de enrutamiento elige a unos pocos expertos adecuados. La factura del trabajo es la de un equipo pequeño, pero el conocimiento de la firma es el de una grande. En un MoE ocurre lo mismo: el modelo contiene muchos bloques expertos, y para cada token solo se activa una parte.
El efecto práctico es que la velocidad y el coste de generación se parecen más a los de un modelo de poco más de 50 000 millones de parámetros que a los de un modelo denso de un billón. Pero hay una salvedad: todos los pesos deben seguir cargados en memoria, porque no se sabe de antemano qué expertos necesitará el siguiente token. Según nuestra estimación aproximada, con 4 bits por parámetro, un billón de parámetros ocupa del orden de 500 GB solo en pesos, sin contar la memoria para el contexto. Por eso la versión NVFP4 no es un extra, sino la condición para poder ejecutar el modelo con un número razonable de aceleradores.
Qué hacer con esto
Para los equipos que desarrollan agentes de código o asistentes internos, la noticia tiene tres implicaciones.
- Una alternativa a las API cerradas. Si el resultado en FrontierCode se confirma con sus tareas, habrá un modelo abierto que puede desplegarse en infraestructura propia. Esto importa cuando el código no puede salir hacia servicios externos.
- Preparación para Nvidia. El soporte desde el primer día significa que no habrá que esperar semanas a los kernels optimizados ni a las recetas de despliegue. En producción, esto suele pesar más que una diferencia de un par de puntos en el benchmark.
- Economía de la inferencia. Menos parámetros activos implica menos cálculo por token. Con cargas grandes, es lo que determina el coste.
Lo que todavía no se sabe
El post es muy breve y faltan muchos detalles. No se indica la licencia, de la que depende el uso comercial, ni el tamaño de la ventana de contexto, ni los requisitos de hardware para cada configuración, ni las cifras del propio benchmark. Tampoco está claro hasta qué punto FrontierCode refleja tareas reales: cualquier benchmark público debe complementarse con un conjunto de tareas de su propio repositorio.
El plan razonable es sencillo. Leer la ficha del modelo en Hugging Face, verificar la licencia, ejecutar varias decenas de tareas reales (correcciones de errores, revisiones, generación de tests) y comparar el coste de propiedad con lo que se paga hoy por la API. Si el modelo efectivamente lidera entre los abiertos y el despliegue cabe en el presupuesto de GPU, es un candidato sólido como base para un agente de código autoalojado.
- 22 nov 2026Cursor podría dejar de usar los modelos chinos en los que se basa Composer 2
- 21 nov 2026Microsoft permitirá a las empresas ajustar los modelos MAI con sus propios datos en Azure
- 21 nov 2026Mistral abre en Singapur una sede para Asia y crecerá hasta 200 empleados en 2027
- 21 nov 2026Magnific alcanza $300 millones de ARR con modelos de IA ajenos y sin inversores
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué se ha publicado?
Le Chonk utiliza la arquitectura Mixture of Experts (MoE), es decir, una «mezcla de expertos». Tiene 1 billón de parámetros en total, pero para procesar cada token solo se activan unos 52 000 millones. Los pesos ya están disponibles en Hugging Face. También hay una versión en formato NVFP4, una representación numérica de 4 bits que Nvidia promueve para sus GPU. Cuantos menos bits por parámetro, menos memoria ocupan los pesos y más rápida es la inferencia.
Cómo entender «1 billón, pero 52 000 millones activos»?
Imagine una consultora con mil especialistas. Ante cada consulta del cliente no se convoca a todos: un gestor de enrutamiento elige a unos pocos expertos adecuados. La factura del trabajo es la de un equipo pequeño, pero el conocimiento de la firma es el de una grande. En un MoE ocurre lo mismo: el modelo contiene muchos bloques expertos, y para cada token solo se activa una parte.
¿Qué se sabe sobre Qué hacer con esto?
Para los equipos que desarrollan agentes de código o asistentes internos, la noticia tiene tres implicaciones. Una alternativa a las API cerradas. Si el resultado en FrontierCode se confirma con sus tareas, habrá un modelo abierto que puede desplegarse en infraestructura propia. Esto importa cuando el código no puede salir hacia servicios externos. Preparación para Nvidia. El soporte desde el primer día significa que no habrá que esperar semanas a los kernels optimizados ni a las recetas de despliegue.
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.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.