Ya no necesitas un enorme laboratorio de IA para crear un mejor bot de programación. La startup RadixArk tomó un modelo gratuito del equipo Qwen de Alibaba, lo entrenó durante 18 días con 1.200 tareas seleccionadas a mano y más que duplicó su puntuación en una de las pruebas más difíciles para agentes de IA. Después, ofreció el resultado de forma gratuita.

DaisyRose-27B: conclusiones clave

  • RadixArk lanzó DaisyRose-27B, su primer modelo, basado en el modelo gratuito Qwen3.8-27B

  • Su puntuación en Terminal-Bench 4.1 pasó del 5,6 % al 12,0 % tras 18 días de entrenamiento con 144 chips Nvidia H200

  • Superó al modelo Qwen original en todas las pruebas comparativas que RadixArk evaluó, desde programación hasta razonamiento

  • El modelo es gratuito y se puede modificar conforme a la licencia Apache 2.0

RadixArk anunció el lanzamiento el 18 de noviembre en una publicación de blog en Hugging Face, el sitio donde los desarrolladores de IA comparten modelos. «¿Cuánto se puede mejorar un modelo pequeño en 18 días con 144 GPU?», preguntó la empresa en X.

Lo que hizo realmente RadixArk

RadixArk no construyó un modelo desde cero, algo que les cuesta miles de millones a los grandes laboratorios. Tomó Qwen3.8-27B, un modelo de 27.000 millones de parámetros que cualquiera puede descargar, y siguió entrenándolo mediante aprendizaje por refuerzo, en el que la IA intenta realizar una tarea, recibe una calificación y aprende de lo que funcionó.

Las tareas eran el secreto. RadixArk y su socio Eigent AI crearon miles de tareas candidatas de aprendizaje automático, ingeniería de software y ciencia, y luego se quedaron con unas 1.200. Cada una apuntaba a un error que el modelo original cometía repetidamente, requería muchos pasos para resolverse y solo podía superarse resolviéndola de verdad, no engañando al evaluador. Un solo intento podía durar hasta 1,5 horas e implicar más de 100 llamadas a herramientas.

Prueba comparativaQwen3.8-27BDaisyRose-27BTerminal-Bench 4.15.612.0Terminal-Bench 2.173.075.5DeepSWE v1.142.246.2IFBench79.582.4GPQA Diamond89.290.7

El verdadero producto es un entrenamiento más barato

En realidad, RadixArk vende sus herramientas de entrenamiento, y el modelo es la prueba. Entrenó DaisyRose-27B con Miles, su software gratuito de aprendizaje por refuerzo, y su propio sistema de entrenamiento, que, según afirma, logró aprovechar para trabajo útil el 37 % de la potencia máxima de cada chip, frente al 16 % de un popular sistema de entrenamiento de código abierto. Esto significa que se necesita un 57 % menos de tiempo de GPU para el mismo trabajo, según la empresa, con mejoras aún mayores en algunos otros diseños de modelos.

Los entornos de prueba también importan. Cada intento se ejecuta en un entorno aislado: una copia nueva de la tarea, separada y protegida. RadixArk ejecutó unos 944.000 de estos entornos entre mediados de septiembre y mediados de noviembre, con hasta 1.566 en simultáneo, y afirma que el coste de la nube fue aproximadamente un 80 % menor que al usar proveedores populares de entornos aislados. La ejecución completa utilizó unas 63.000 horas de GPU.

Lee también: Los desarrolladores reciben gratis 1.000 millones de dólares en entrenamiento de IA mientras Meta inunda Hugging Face

Por qué importa

La gran carrera de la IA está pasando de quién construye el modelo más grande a quién saca más partido de uno ya existente. Si un equipo pequeño puede duplicar la puntuación de un modelo gratuito en una exigente prueba de agentes en menos de tres semanas, las empresas con sus propios datos podrían crear bots potentes y especializados sin contar con los presupuestos de los laboratorios punteros.

Conviene poner las cifras en perspectiva. Una tasa de aprobación del 12,0 % en Terminal-Bench 4.1 sigue significando que el modelo no supera la mayoría de esas tareas, y las mejoras en las pruebas más fáciles fueron de apenas unos puntos cada una. Los resultados proceden de las propias pruebas de RadixArk, y la empresa ha pedido a los usuarios que compartan en qué aspectos el modelo se queda corto.

Qué observar a continuación

Habrá que ver si desarrolladores externos pueden reproducir las mejoras con sus propias tareas y si otros equipos adoptan Miles para entrenar a sus propios agentes. Si lo hacen, cabe esperar una oleada de modelos pequeños, baratos y especializados, construidos sobre modelos gratuitos de Qwen, Meta y otros, lo que presionará a los grandes laboratorios que cobran por sus mejores modelos.

Lee a continuación: Hugging Face replica las pruebas matemáticas de OpenAI y admite que el verificador está «en una fase temprana y es rudimentario»