Modelos gratis y nuevos proveedores de la semana (06/11)

En este artículo vas a ver:

• Lo que realmente quedó disponible para descargar esta semana.
• Dónde existe precio de API y dónde solo hay costo de infraestructura.
• Por qué Shackleton AI y ORO son proveedores de infraestructura, no nuevos LLM.
• Lo que todavía no debe llamarse open source.

Kimi K3.1 Pro liberó los pesos el 4 de noviembre

Moonshot informó en el anuncio de Kimi K3.1 Pro que los pesos completos se liberarían hasta el 4 de noviembre. El model card de Moonshot AI en Hugging Face ya está disponible, así que el modelo entra como open-weight de la semana, no solo como acceso cerrado por el producto Kimi.

La release oficial presenta a K3.1 Pro como un modelo para programación, uso agéntico, razonamiento y trabajo con documentos. La empresa reporta 65,7% en Terminal-Bench 4.0 y 92,7% en BenchCAD con herramientas. Estos números son evaluaciones de Moonshot misma, útiles como referencia inicial, pero no equivalen a un benchmark independiente.

El costo depende del camino elegido. Para descargar y ejecutar los pesos, la fuente no lista una tarifa de licencia. Para la API hospedada, la página oficial de precios de Kimi informa US$ 2,00 por 1 millón de tokens de entrada (R$ 10,20) y US$ 10,00 por 1 millón de tokens de salida (R$ 51,00), usando la referencia de US$ 1 = R$ 5,10.

Para quien programa, la diferencia más importante es operativa. Los pesos abiertos permiten probar cuantización, servir localmente y conectar el modelo a su propio harness. La API reduce la operación de GPU, pero cambia la cuenta a tokens y exige revisar retención de datos, límites y disponibilidad por región.

ERNIE 5.5 Flash Base llegó el 5 de noviembre

Baidu publicó ERNIE 5.5 Flash Base el 5 de noviembre como un checkpoint base de pesos públicos. Usa una arquitectura Mixture of Experts dispersa, con 280 mil millones de parámetros totales y 14 mil millones activados por token.

El preentrenamiento se hizo en 33,5 trillones de tokens, con contexto de entrenamiento de hasta 128 mil tokens. Para ajuste fino e inferencia, Baidu informa soporte a contexto de 1 millón de tokens. El punto importante es que el checkpoint termina en el preentrenamiento, sin mid-training o post-training.

Eso hace a ERNIE más interesante para equipos que quieren construir sobre el modelo que para quien busca un chatbot listo. La descarga aparece como parte del lanzamiento, sin precio de licencia informado en la página. El costo real depende de almacenamiento, GPUs, cuantización, ajuste y de las reglas del Model License Agreement.

El rótulo correcto es pesos públicos bajo licencia propia. No es seguro tratarlo automáticamente como open source en el sentido de una licencia aprobada por OSI. La publicación individual de bridgecode sobre ERNIE 5.5 Flash Base detalla los benchmarks divulgados y los límites de la comparación.

Axion 1.0 abrió la receta, no una descarga lista

El 2 de noviembre, el paper Axion 1.0 en arXiv y el repositorio oficial en GitHub presentaron un modelo denso de 35 mil millones de parámetros entrenado con 5,6 billones de tokens, junto con una propuesta de reproducción abierta del proceso de entrenamiento.

La distinción importa. El proyecto abre investigación, código y parte de los artefactos necesarios para estudiar la receta, pero el material consultado no confirma un checkpoint oficial listo para descargar y usar. Por eso, Axion entra en esta retrospectiva como investigación e infraestructura open, no como modelo free disponible para producción.

Este caso muestra por qué la palabra abierto necesita contexto. Código abierto, datos documentados, receta reproducible y pesos publicados son capas diferentes. Para elegir un modelo, vale la pena revisar cada una antes de calcular costo o prometer ejecución local.

Shackleton AI y ORO disputan la infraestructura de agentes

El 4 de noviembre, Shackleton AI anunció su salida del stealth. La empresa se describe como un laboratorio de investigación enfocado en optimización de largo horizonte, un área ligada a tareas que exigen planificación, ejecución y corrección en muchas etapas. El anuncio no trajo un modelo free ni una tabla pública de precios.

En la misma fecha, ORO presentó su plataforma para entornos de entrenamiento y evaluación de agentes. La propuesta acerca a la empresa a un proveedor de infraestructura para reinforcement learning, con entornos y pruebas orientados a medir agentes en tareas más largas. También aquí, no hay un nuevo modelo abierto identificado en el anuncio.

La tendencia es clara: además de competir por pesos, las empresas están intentando controlar el entorno en el que los agentes aprenden y son evaluados. Para desarrolladores, esto puede ser tan importante como el modelo, porque el resultado final depende de herramientas, memoria, sandbox, pruebas y criterios de éxito.

Lo que todavía no entra como modelo free

El 5 de noviembre, Thinking Machines anunció Inkling 2 Small, pero informó que los pesos comienzan cerrados en Tinker. La empresa planea liberar el modelo bajo Apache 2.0 la semana siguiente. Por lo tanto, es una novedad relevante para seguir, pero no debe contarse como modelo open source o free disponible esta semana.

El mismo cuidado vale para APIs que ofrecen créditos promocionales o acceso temporal. Un modelo puede ser gratuito para probar y seguir cerrado, o puede tener pesos abiertos y exigir una infraestructura cara. La comparación correcta separa licencia, disponibilidad, precio por token y costo de operación.

Cómo comparar los lanzamientos sin caer en el hype

Kimi K3.1 Pro es el caso más directo para probar ahora: pesos públicos, model card accesible y API con precio divulgado. ERNIE 5.5 Flash Base es más adecuado para quien acepta partir de un checkpoint base y asumir el trabajo de adaptación. Axion interesa a quien quiere estudiar la receta de entrenamiento, mientras que Shackleton y ORO apuntan a la capa de entornos y evaluación.

Para organizar la lectura, vale la pena comparar a Kimi con el resultado de Kimi K3.1 Pro en Terminal-Bench 4.0 y observar cómo benchmarks de contexto largo, como StateBench, limitan conclusiones generales. El resumen semanal anterior también ayuda a separar pesos, APIs y proveedores.