Arcee AI lanza Trinity Large Thinking, un modelo de razonamiento abierto para agentes de IA

El 1 de abril de 2026, Arcee AI lanzó Trinity Large Thinking, un modelo de razonamiento abierto diseñado para escenarios agénticos largos, con varios pasos, llamadas a herramientas y conservación del contexto entre turnos, en lugar de respuestas breves de chat. Es una señal relevante para el mercado: en un segmento dominado por los modelos cerrados de los grandes laboratorios aparece una opción abierta con licencia Apache 2.0.

Además de llamarlo por API, se puede ejecutar, reentrenar e integrar en sistemas propios sin zonas grises de licenciamiento. Trinity Large Thinking es la versión de razonamiento de la familia Trinity Large, que Arcee desarrolla como alternativa abierta a los grandes modelos propietarios. La compañía ha publicado los pesos en Hugging Face y, al mismo tiempo, ha habilitado el modelo en su API.

La apuesta no pasa por un «chat universal para todo», sino por tareas en las que el agente debe mantener un plan, recordar los pasos anteriores, usar las herramientas con cuidado y no desmoronarse tras varias iteraciones. Este tipo de escenarios se está convirtiendo en la base del desarrollo de IA: agentes de código, operadores de sistemas internos, asistentes corporativos y pipelines con varias llamadas a servicios externos. En cuanto a arquitectura, el modelo pertenece a la clase MoE disperso: Trinity Large Thinking tiene unos 398-400 mil millones de parámetros, pero solo activa unos 13 mil millones por token.

Cuenta con 256 expertos, de los que solo cuatro trabajan a la vez. Este diseño busca mantener un techo de calidad alto sin que la inferencia resulte inasumible. Arcee también habla de soporte para un contexto de hasta 512 mil tokens tras ampliar la ventana, algo especialmente importante para ciclos agénticos largos, repositorios grandes, documentación extensa y tareas complejas de varios turnos.

Otro detalle: el modelo genera una «capa de reflexión» explícita antes de responder, y se recomienda a los desarrolladores conservar ese contexto de razonamiento entre turnos; de lo contrario, la calidad del trabajo multipaso puede caer de forma notable. Lo más interesante del lanzamiento, además de la licencia, es su enfoque declarado en la agencia práctica. Según Arcee, Trinity Large Thinking ocupa el segundo puesto en PinchBench, solo por detrás de Claude Opus 4.

6, y supera claramente al anterior Trinity Large Preview precisamente en el trabajo multipaso con herramientas, el seguimiento de instrucciones y la coherencia en ejecuciones largas. En la ficha del modelo, la compañía también indica buenos resultados en varios benchmarks agénticos, entre ellos τ²-Bench y LiveCodeBench. En paralelo, Arcee pone el acento en el coste: en el momento del anuncio estimaba el precio de salida en unos 0,90 dólares por millón de tokens de salida y presentaba el modelo como una alternativa sustancialmente más barata a los sistemas de razonamiento cerrados para agentes en producción.

El contexto del lanzamiento también importa. Según la compañía, Trinity Large Preview, presentado a finales de enero de 2026, procesó 3,37 billones de tokens a través de OpenRouter en sus dos primeros meses. Arcee afirma que la versión preview se convirtió en el modelo abierto más utilizado de Estados Unidos en la colección OpenClaw y en el cuarto a nivel global.

Para un equipo pequeño, es una forma de demostrar que ya existe demanda de modelos abiertos para escenarios agénticos reales, y no a nivel de demo, sino como carga de trabajo constante. Técnicamente, el proyecto tampoco es trivial: Trinity Large se preentrenó con 17 billones de tokens en 2048 GPU NVIDIA B300, y la compañía había estimado anteriormente en unos 20 millones de dólares todo el camino hasta la familia Large. La principal conclusión del lanzamiento es que el mercado de la IA open source está pasando de la carrera por «quién escribe mejores textos» a la carrera por «qué modelo sostiene con más fiabilidad un trabajo largo».

La importancia de Trinity Large Thinking no reside en haber superado al instante a los líderes cerrados en todas las métricas, que no lo ha hecho, sino en que ofrece a desarrolladores y empresas otra opción realmente abierta para construir sistemas agénticos sin las limitaciones de un modelo solo accesible por API. La cuestión ya no es si se puede lanzar un modelo de razonamiento abierto de esta clase, sino qué estabilidad mostrará en producción, donde lo que cuenta no son las demos vistosas, sino los ciclos de varias horas, el coste de los errores y la previsibilidad del comportamiento.