Noticias sobre Qwen

Que un desarrollador haya portado con éxito llama.cpp a una PlayStation 5 con jailbreak y con compatibilidad para inferencia en GPU significa que los límites de hardware para ejecutar modelos de lenguaje de gran tamaño se están expandiendo aún más hacia dispositivos de consumo no dedicados a la IA. Esto demuestra la gran flexibilidad del ecosistema de código abierto y de los frameworks de inferencia multiplataforma.

Meta ha lanzado oficialmente Muse Spark Open, un modelo de código abierto con 81.600 millones de parámetros que admite entradas multimodales y un contexto amplio, desafiando la competencia de Qwen, GLM y Kimi en el mercado de los modelos de lenguaje de gran tamaño de código abierto. Este movimiento significa que Meta está ampliando el alcance de sus modelos de IA y adentrándose en el terreno del código abierto.

Mediante técnicas como el posentrenamiento, la cuantificación y la especialización del kernel, los modelos de código abierto se ejecutan a altas velocidades en hardware local. Esto muestra que a través de la optimización de la tecnología subyacente, el rendimiento de inferencia de modelos grandes locales del hardware de consumo se ha mejorado significativamente.

Ecosia abandona un único gran modelo de negocio y recurre a múltiples soluciones de ponderación de código abierto, lo que significa que la adquisición de IA a nivel empresarial está evolucionando de "buscar una única marca líder" a "combinar modelos de código abierto bajo demanda". Este cambio muestra que los grandes modelos de código abierto no solo pueden reducir eficazmente los costos operativos en entornos de producción reales, sino que también pueden evitar riesgos en la cadena de suministro, como interrupciones de los proveedores de servicios, mediante la complementación de múltiples modelos.

Alibaba ha lanzado Qwen-Image-2.1-Turbo, reduciendo los pasos de desruido del modelo de imagen 7B a tan solo 8 pasos. Esto significa que los modelos de generación de imágenes de código abierto están avanzando hacia entornos de producción de baja latencia y bajo coste mediante la optimización algorítmica, reduciendo aún más la barrera de entrada para los desarrolladores.

El Underdog Saluki 27B comprime el volumen del modelo a 7,89 GB a través de una cuantificación extrema de 2 bits y supera la versión original en tareas específicas, lo que significa que la comunidad de código abierto está explorando el límite superior de las capacidades verticales de modelos grandes en entornos con recursos limitados a través de un ajuste preciso, en lugar de depender únicamente del apilamiento integral de modelos de precisión total.

Los modelos de lenguaje de gran tamaño están reaprendiendo el estilo telegráfico para lograr la compresión de tokens, lo que significa que, bajo la presión de los costos, los desarrolladores intentan sortear la redundancia del lenguaje natural tradicional mediante la optimización del estilo de los prompts y la codificación de las salidas, logrando así reducir costos y aumentar la eficiencia sin perder densidad de información.

Se lanza la versión occidentalizada del modelo Qwen, orientada a usuarios empresariales estadounidenses. Este modelo es una variante de Image-Text-to-Text Transformers que utiliza tecnologías Safetensors y Mixture of Experts, y cuenta con la característica de desacoplamiento conductual (behavioral-unlearning).

Reflection ha lanzado Beam, un modelo de mezcla de expertos (MoE), con el objetivo de reducir los costes de cómputo a entre una tercera y una cuarta parte, manteniendo al mismo tiempo unas capacidades equivalentes de programación y de inferencia. Esta estrategia demuestra que los modelos de código abierto extranjeros están pasando de la búsqueda exclusiva de escalas de parámetros a centrarse en la eficiencia, intentando hacer frente a la presión competitiva del ecosistema de código abierto de China en términos de control de costes.

El Qwen de Alibaba ha evolucionado rápidamente desde sus primeros modelos pequeños hasta convertirse en un modelo de código abierto de pesos con una escala masiva de 2,4 billones de parámetros, lo que significa que las reservas tecnológicas y la velocidad de iteración del gigante tecnológico chino en el bando de código abierto de los modelos de lenguaje de gran tamaño a nivel global se están acelerando. Esta estrategia de código abierto a gran escala reducirá aún más las barreras para que los desarrolladores de todo el mundo utilicen modelos de primer nivel.

Los creadores de Redis lanzan ds4, un motor de inferencia de modelos de lenguaje grande local para máquinas con mucha memoria, lo que significa que la implementación localizada de modelos de lenguaje grande está evolucionando desde un marco general tradicional a una pila de tecnología única altamente optimizada. A través de la refactorización del lenguaje C subyacente y la cuantificación asimétrica, se mejora enormemente la eficiencia de ejecutar modelos expertos mixtos (MoE) complejos localmente. Esto alentará aún más a los desarrolladores a migrar cargas de trabajo de inferencia que originalmente dependían de la nube a la ubicación local.

Liu Dayi Heng asumió plenamente el control del equipo de Qwen, y en coordinación con Alibaba, fusionó el negocio de grandes modelos con el departamento de token Foundry, que depende directamente del CEO del grupo, lo que significa que Alibaba está consolidando aún más la posición estratégica de Qwen en el campo de código abierto y la pista de Agent a través de una actualización de la estructura organizativa y la renovación de los líderes tecnológicos.

La actualización integral de Alibaba a la plataforma de preguntas mil de AI marca un cambio en la entrega de servicios de modelos de gran tamaño (MaaS) en el país, desde la simple llamada a la API de modelo hasta la producción de Agentes y la entrega de infraestructura integrada. A través de la agregación de múltiples ecosistemas de modelos y la optimización de rendimiento de ingeniería, el foco de competencia de los proveedores de servicios en la nube se ha trasladado a cómo convertir las capacidades de los grandes modelos en fuerza productiva real y control de procesos empresariales.

El equipo Qwen de Alibaba ha lanzado Qwen3.8-LiveTranslate, que reduce la latencia de la traducción simultánea en tiempo real para 60 idiomas a 2,3 segundos mediante una nueva arquitectura. Esto significa que las capacidades de ingeniería de los modelos de lenguaje de gran tamaño en la interacción de voz en tiempo real y el procesamiento de flujo de baja latencia continúan profundizándose, extendiéndose desde los modelos de lenguaje de gran tamaño de propósito general hacia soluciones de interacción ultrarrápida para escenarios verticales.