Yuan 3.0 Ultra: un billón de parámetros con eficiencia récord
YuanLab AI ha lanzado Yuan 3.0 Ultra, un modelo multimodal abierto con arquitectura Mixture-of-Experts y un billón de parámetros. En cada momento solo se activan 68.800 millones. Según los desarrolladores, el número total de parámetros se ha reducido un 33,3 % respecto a enfoques anteriores y la eficiencia del preentrenamiento ha aumentado un 49 %. El modelo se posiciona como solución estrella para uso corporativo y se distribuye con código abierto.
Procesado por IA desde MarkTechPost; editado por Hamidun News
La carrera por los modelos de un billón de parámetros entra en una nueva fase, y la medida clave ya no es el tamaño, sino la capacidad de aprovecharlo. El laboratorio chino YuanLab AI ha presentado Yuan 3.0 Ultra, un modelo multimodal abierto con arquitectura Mixture-of-Experts que maneja un billón de parámetros, pero activa solo 68.800 millones en cada momento. Tras las cifras secas hay un cambio de fondo en cómo se construyen los grandes modelos de lenguaje: en lugar de aumentar la potencia de cálculo por fuerza bruta, los desarrolladores apuestan por una precisión quirúrgica en el uso de recursos.
Para entender el alcance del anuncio hace falta contexto. La arquitectura Mixture-of-Experts no es nueva. Google la usa en Gemini, es la base de Mixtral de Mistral AI y, según varias filtraciones, también de GPT-4 de OpenAI. La idea es que el modelo se compone de muchas subredes "expertas" y, para procesar cada consulta, se activa solo una pequeña parte. Así se obtiene una enorme capacidad de conocimiento sin tener que pasar cada token por todos los parámetros. Yuan 3.0 Ultra lleva esta idea a su límite lógico: de un billón de parámetros, trabajan a la vez menos del siete por ciento. En comparación, la proporción entre parámetros activos y totales de Mixtral 8x7B era bastante menos agresiva.
Las cifras de eficiencia declaradas son especialmente llamativas. Según YuanLab AI, el número total de parámetros del modelo se ha reducido un 33,3 % frente a arquitecturas de capacidades similares, y la eficiencia del preentrenamiento ha aumentado un 49 %. Esto significa que para lograr una calidad de respuestas comparable se necesitan bastantes menos recursos de cálculo y tiempo de entrenamiento. En una época en que entrenar un solo modelo estrella cuesta decenas o cientos de millones de dólares y el acceso a clústeres de GPU sigue siendo un cuello de botella para la mayoría de las empresas, una mejora así no es solo un logro técnico, sino un argumento económico.
La multimodalidad de Yuan 3.0 Ultra es otro rasgo importante. El modelo se presenta como capaz de trabajar no solo con texto, sino con otros tipos de datos, lo que lo hace apto para una amplia gama de tareas corporativas: desde analizar documentos con imágenes hasta escenarios complejos que exigen entender contexto de distintas modalidades. Los detalles de las decisiones arquitectónicas que dan soporte a la multimodalidad aún no se han revelado por completo, pero el mero hecho de integrar estas capacidades en un modelo MoE a escala de billón apunta a un enfoque maduro.
La decisión de abrir el modelo merece atención aparte. En el último año y medio, los laboratorios chinos de IA han ampliado de forma constante su presencia en la comunidad abierta: DeepSeek, Qwen de Alibaba, Yi de 01.AI.
Todos publican modelos con pesos abiertos y crean una alternativa potente a los sistemas cerrados occidentales. Yuan 3.0 Ultra encaja en esa tendencia, pero sube el listón: un modelo MoE de un billón de parámetros con acceso abierto es un desafío no solo para los competidores comerciales, sino para todo el ecosistema de IA abierta.
La cuestión es si investigadores y empresas ajenos a los mayores proveedores de nube podrán desplegar y usar de verdad un modelo de esta escala. Incluso con "solo" 68.800 millones de parámetros activos, la inferencia de un modelo MoE de un billón exige una infraestructura seria para almacenar y enrutar entre expertos.
Para la industria, Yuan 3.0 Ultra es una confirmación más de que MoE se está convirtiendo en la arquitectura dominante de los modelos de nueva generación. Los transformers densos, donde cada parámetro está activo en cada llamada, parecen cada vez más un enfoque derrochador de una era pasada. Además, el modelo agudiza la competencia entre laboratorios chinos y estadounidenses: si los indicadores de eficiencia declarados se confirman con benchmarks independientes, será un argumento de peso de que el liderazgo tecnológico en IA ya no es monopolio de Silicon Valley.
Aun así, conviene recibir las grandes declaraciones con escepticismo profesional. Mientras no se publiquen resultados en benchmarks estándar frente a GPT-4o, Claude 3.5, Gemini Ultra y otros modelos estrella, hablar de "eficiencia inigualable" es prematuro. La verdadera prueba de Yuan 3.0 Ultra empezará cuando la comunidad acceda a los pesos y pueda hacer una evaluación independiente. Solo entonces se sabrá si este modelo es un avance real o un lanzamiento más, ambicioso pero sobrevalorado, en una carrera de escala recalentada.
- 18 nov 2026Moonshot AI reorienta Kimi del código a la ciencia: análisis de genes en 90 minutos en lugar de 4 horas
- 18 nov 2026Una sola coma china hizo que DeepSeek respondiera en chino en el 94% de los casos
- 18 nov 2026Hugging Face redirige las peticiones a LLM a través de OpenRouter: un 46% menos de errores por falta de capacidad
- 18 nov 2026Los modelos de OpenAI reducen un 10–13% el área de los bloques de Jalapeño y mejoran hasta un 14% las GPU de AMD
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.