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 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.
- 20 nov 2026GitLab hace que los créditos de Duo Agent Platform rindan hasta 2 veces más
- 20 nov 2026Superhuman abre Go a 20 agentes de terceros: el asistente ya tiene 1 millón de usuarios
- 20 nov 2026AWS lanza NVIDIA Dynamo como servicio gestionado para modelos que no caben en un solo servidor
- 20 nov 2026Kimi Code CLI ya funciona con Amazon Bedrock sin una clave de API independiente
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.
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.