¿Qué ocurrió?

Will Knight, de WIRED, cuenta que una startup rusa llamada Mostik ha construido una forma de que los modelos de IA se comuniquen entre sí sin producir texto. El nombre significa "puentecito" en ruso, y eso es justo lo que hace el método: dos modelos interactúan a través de los valores matemáticos de sus pesos, no de sus salidas.

En la práctica, las capacidades de un modelo grande pueden trasladarse a uno pequeño de forma mucho más eficiente que hoy. El método habitual mete la salida de texto de un modelo en otro, lo que cuesta tiempo y dinero. Mostik se salta ese paso intermedio.

La demostración: un puente entre 753.000 y 4.000 millones

El equipo dice haber usado el método para construir un modelo que se disparó a lo más alto de ARC-AGI 3, una competición conocida por su dificultad, pero no da detalles porque quieren ganarla. Para ilustrar la idea, en cambio, tendieron un puente entre dos modelos chinos de pesos abiertos:

  • La versión mayor de GLM-5.2, con 753.000 millones de parámetros.
  • Una versión de Qwen-3.5 de 4.000 millones que funciona en un móvil.
  • El sistema híbrido resultante cuesta una veinteava parte del modelo GLM completo.
  • Su rendimiento queda exactamente a medio camino entre ambos.

¿Por qué importa?

La consejera delegada de Mostik, Sasha Malysheva, lo apoya en una observación sencilla: en aprendizaje automático se sabe que los conjuntos de modelos rinden mejor que los modelos aislados. O, como dice la broma interna de la empresa, el futuro de la IA se parece a adivinar el peso de un cerdo: la media de unas cuantas personas al azar acierta más que un solo experto.

Malysheva extrae de ahí una conclusión más audaz: "Personalmente no creo que vayamos a tener un modelo monolítico en el futuro, ni que las capacidades de los modelos vengan del escalado". Si el método se sostiene, podría elevar el valor de los modelos de pesos abiertos y facilitarles competir con los modelos de frontera cerrados.

Vladimir Arustamian, responsable técnico de Lovable y conocido del equipo, dice que si Mostik permite emparejar modelos de frontera con otros especializados en biología o física, se entrenarían muchos más modelos específicos: "Este equipo lleva unos meses en esto y ya tiene funcionando algo que yo habría situado años más adelante".

¿Hasta qué punto es verificable?

Aquí conviene la cautela. No hay publicación revisada por pares, no se comparte ningún detalle del resultado en ARC-AGI 3 y la única demostración concreta es un ejemplo con dos modelos. "Rendimiento justo a la mitad, coste una veinteava parte" es una frase llamativa, pero no se dice en qué tareas ni con qué prueba se midió.

Karl Tuyls, excientífico de Google DeepMind familiarizado con la tecnología, resume así el método: "Puedes acercarte a la calidad del modelo grande sin que el modelo grande gestione todo el bucle". El científico jefe de Mostik, Stanislav Smirnov, profesor de la Universidad de Ginebra y medallista Fields en 2010, admite la dificultad: encontrar terreno común entre dos modelos es sorprendentemente difícil porque "parece que todavía no hay un lenguaje matemático adecuado".

¿Qué sigue?

Smirnov cree que un análisis matemático más profundo podría revelar cosas nuevas sobre cómo funcionan los modelos y en qué se parecen al cerebro humano. La empresa dice que no compartirá sus resultados de ARC-AGI 3 hasta que acabe la competición, con lo que la comprobación independiente del método también queda en gran medida a la espera.