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 radarHabr AI→ original

ICLR 2026 en Río: qué piensan los investigadores sobre el escalado de los grandes modelos

ICLR 2026 reunió a finales de abril a investigadores de primer nivel en Río de Janeiro. En la conferencia más prestigiosa del año se debatió cómo escalar los modelos con más eficiencia (los chips se encarecen), dónde es peligrosa la IA y cómo protegerse, y si habrá lugar para los modelos abiertos cuando los gigantes mantienen cerrados sus sistemas más potentes. AIRI estuvo allí y comparte sus primeras impresiones.

Procesado por IA desde Habr AI; editado por Hamidun News
ICLR 2026 en Río: qué piensan los investigadores sobre el escalado de los grandes modelos
Fuente: Habr AI. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalHabr AI ↗
Editor jefe
Dato clave #1Los contextos largos (200K+ tokens) se vuelven estándar y dejan de ser una rareza
Dato clave #2Los ingenieros optimizan la velocidad de inferencia y la eficiencia energética, no solo el tamaño de los pesos
Dato clave #3Surgen métodos de escalado dinámico del cómputo según los datos de entrada

ICLR 2026 se celebró a finales de abril en Río de Janeiro y confirmó su estatus como la principal cita anual de los investigadores de IA. Para la comunidad científica es más que una publicación prestigiosa en una revista: es el lugar donde nacen y se ponen a prueba ideas que un año después se convertirán en estándar de la industria.

Escalado con la vista puesta en la eficiencia

La era de «más parámetros = mejor modelo» se acerca a su fin, despacio pero sin pausa. En ICLR se habló menos del tamaño de los nuevos modelos y más del retorno de la inversión: si inviertes 100 millones y obtienes una mejora del 3 %, económicamente ya no tiene sentido. Los investigadores están cansados de fingir que el escalado garantiza el progreso.

¿Por qué ha ocurrido? Los chips se encarecen en lugar de abaratarse. Duplicar los parámetros ya no duplica el rendimiento. Las empresas han empezado a calcular con honestidad lo que cuesta entrenar un modelo base, más el ajuste fino para cada tarea específica.

  • Los contextos largos (200K+ tokens) se vuelven estándar y dejan de ser una rareza
  • Los ingenieros optimizan la velocidad de inferencia y la eficiencia energética, no solo el tamaño de los pesos
  • Surgen métodos de escalado dinámico del cómputo según los datos de entrada
  • Los modelos de mezcla de expertos (MoE) desplazan a las arquitecturas densas clásicas

En la conferencia se notó un cambio de mentalidad: los investigadores hablan de long-lived foundation models, modelos que viven mucho tiempo y mejoran de forma iterativa. En lugar de reentrenar constantemente desde cero, se añaden datos nuevos, adaptadores especializados y capas nuevas. Es más barato, más sencillo en producción y se está convirtiendo en la nueva norma.

La seguridad como prioridad

Hubo claramente más charlas sobre seguridad y garantías que un año antes. En ICLR 2025 era un tema marginal. En 2026 es corriente principal. Los investigadores sostienen que los grandes modelos deben entrenarse no solo para el rendimiento, sino también para la robustez: resistencia a ejemplos adversariales, a cambios de distribución y a intentos de manipulación.

«Ya no podemos lanzar un modelo y confiar en que nadie lo rompa en condiciones reales» — una

postura típica en los paneles de la conferencia.

No se trata solo de regulación (aunque los Estados están creando nuevos requisitos). Se trata de que la propia comunidad científica ha tomado conciencia de que la carrera por los resultados SOTA es peligrosa si no se contabilizan los costes reales del daño.

Pesos abiertos a la sombra de los sistemas corporativos

La pregunta más tensa de la conferencia: ¿tendrá opciones el código abierto en IA si Anthropic, OpenAI y Meta* mantienen cerrados sus modelos más avanzados?

En ICLR la opinión estaba dividida. Una parte de la comunidad científica insiste en que los modelos abiertos son infraestructura crítica y hay que desarrollarlos pese a los riesgos. La otra ya es realista: los mejores modelos quedarán en manos de las corporaciones, que tienen los recursos para entrenarlos y responden ante los inversores. La ciencia abierta puede quedarse en un papel de apoyo: desarrollar metodología, pero no ocupar la primera línea.

Qué significa

ICLR 2026 mostró que la era del escalado exponencial termina, pero la IA no se frena: cambia de rumbo. Viene una era de optimización sistémica: cómo usar mejor los recursos, cómo hacer los modelos más fiables y cómo lograr que la ciencia abierta siga siendo relevante.

Para startups e ingenieros, esto significa que la ventaja competitiva ya no está en entrenar un modelo aún más grande, sino en desplegar los modelos existentes de forma más barata, rápida y segura.

*Meta ha sido declarada organización extremista y está prohibida en Rusia.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre Escalado con la vista puesta en la eficiencia?

La era de «más parámetros = mejor modelo» se acerca a su fin, despacio pero sin pausa. En ICLR se habló menos del tamaño de los nuevos modelos y más del retorno de la inversión: si inviertes 100 millones y obtienes una mejora del 3 %, económicamente ya no tiene sentido. Los investigadores están cansados de fingir que el escalado garantiza el progreso. ¿Por qué ha ocurrido? Los chips se encarecen en lugar de abaratarse. Duplicar los parámetros ya no duplica el rendimiento.

¿Qué se sabe sobre La seguridad como prioridad?

Hubo claramente más charlas sobre seguridad y garantías que un año antes. En ICLR 2025 era un tema marginal. En 2026 es corriente principal. Los investigadores sostienen que los grandes modelos deben entrenarse no solo para el rendimiento, sino también para la robustez: resistencia a ejemplos adversariales, a cambios de distribución y a intentos de manipulación. «Ya no podemos lanzar un modelo y confiar en que nadie lo rompa en condiciones reales» — una postura típica en los paneles de la conferencia.

¿Qué se sabe sobre Pesos abiertos a la sombra de los sistemas corporativos?

La pregunta más tensa de la conferencia: ¿tendrá opciones el código abierto en IA si Anthropic, OpenAI y Meta mantienen cerrados sus modelos más avanzados? En ICLR la opinión estaba dividida. Una parte de la comunidad científica insiste en que los modelos abiertos son infraestructura crítica y hay que desarrollarlos pese a los riesgos. La otra ya es realista: los mejores modelos quedarán en manos de las corporaciones, que tienen los recursos para entrenarlos y responden ante los inversores.

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…