Modelos gratuitos y nuevos proveedores de la semana (30/10)

En el lado de los productos, Strawberry, FluxCap y AvalonX muestran que la disputa no ocurre solo por el modelo más fuerte. También ocurre por la experiencia lista, por el dominio de aplicación y por la capacidad de transformar horas de trabajo especializado en un flujo repetible.

En este artículo verás:

• Lo que cambió con Mistral Large 4, CEIA Lumi-4B y LFM3.
• Cómo Strawberry, FluxCap y AvalonX están creando nuevas puertas de entrada para IA.
• Qué precios aparecieron y cómo quedan en reales con la tasa de referencia de US$ 1 = R$ 5,10.
• Qué vale la pena probar ahora y qué aún necesita validación independiente.

Mistral Large 4 y CEIA Lumi-4B amplían la oferta de pesos disponibles

El 29 de octubre, Mistral publicó Large 4, también llamado Le Chonk, como un modelo multimodal de aproximadamente 1 billón de parámetros, con 49 mil millones activos por token. La empresa abrió los pesos e indicó caminos de ejecución con Hugging Face, vLLM y SGLang, lo que permite probar el modelo fuera de la API hospedada.

La apertura de los pesos no elimina el costo de infraestructura. Para quien prefiera la API, la tabla oficial de precios de Mistral lista US$ 0,70 por millón de tokens de entrada, equivalente a R$ 3,57, y US$ 2,10 por millón de tokens de salida, equivalente a R$ 10,71. Esos valores son de la API, no de la descarga de los pesos.

CEIA Lumi-4B apareció el 28 de octubre como un modelo de lenguaje de 4 mil millones de parámetros orientado al portugués. La tarjeta oficial en Hugging Face disponibiliza los archivos en BF16 y registra 44,80% de promedio en cinco métricas propias, con segunda posición entre nueve modelos en el recorte presentado.

El punto de atención de Lumi-4B es la documentación. La tarjeta aún no informa una licencia, los datos completos de entrenamiento, el harness o las instrucciones de inferencia. Por lo tanto, es descargable y útil para experimentación, pero no debe tratarse automáticamente como open source completo.

LFM3 lleva una familia compacta para texto, visión y audio

Publicado el 27 de octubre, LFM3 de Liquid AI organiza seis modelos de clase 2B sobre una base compartida, LFM3-1.7B-Base. La familia incluye variantes para texto, visión, audio, uso multimodal y tareas de decisión, con modelos como LFM3-VL-2B, LFM3-Audio-2B, LFM3-Omni-2B, d1-2B y d1-Omni-2B.

La propuesta es relevante para aplicaciones locales y de borde. Liquid AI presenta resultados de inferencia en dispositivos y GPUs, incluyendo una prueba en la que LFM3-1.7B alcanza 3,6 mil millones de tokens por día en una NVIDIA B300 con 1.024 solicitudes concurrentes. Es un número de la propia empresa, no un benchmark independiente.

El anuncio no presenta una tarifa única de API. Para el equipo de desarrollo, la ganancia inmediata es tener una familia compacta para comparar por tarea, memoria y latencia, en vez de elegir un único modelo grande para todo el sistema.

Strawberry 1.0 convierte el navegador en una puerta de entrada para agentes

El 26 de octubre, Strawberry presentó la versión 1.0 de su navegador con companions, agentes que trabajan dentro de las cuentas y aplicaciones que el usuario ya utiliza. La actualización también creó una plaza para organizar los companions de una tarea a otra.

La propuesta combina producto y acceso gratuito. El comunicado de lanzamiento informa un plan free con 500 créditos y planes pagos a partir de US$ 20 por mes, equivalentes a R$ 102,00 según la tasa de referencia usada en este informe. El punto central no es un modelo abierto, sino una experiencia lista para delegar tareas al navegador. Los detalles de precio están en la página oficial de Strawberry.

Para quien desarrolla herramientas de IA, Strawberry es una señal de que el proveedor puede controlar la distribución incluso sin entrenar el modelo más grande. La interfaz, los conectores y el flujo de ejecución se vuelven parte del producto.

FluxCap y AvalonX llevan IA vertical a sectores críticos

El 28 de octubre, FluxCap se presentó como una plataforma de Deep Legal Tech creada por Jonathan Kanter, Doha Mekki y un equipo de ingeniería con experiencia en sistemas complejos. El producto comienza por antimonopolio y organiza tres motores propios para hechos, derecho y estrategia.

La plataforma fue diseñada para investigación, análisis de evidencias, preparación de escritos y preparación para testimonios. El comunicado también destaca la revisión y auditoría de hechos, citas y conclusiones. Esto coloca la verificación en el centro del producto, algo importante en flujos jurídicos donde una respuesta convincente no basta.

AvalonX llegó en la misma semana con una propuesta diferente: pruebas continuas de seguridad ofensiva apoyadas por IA. El sitio informa que su sistema Aether tiene 400 mil millones de parámetros y combina pentest programado con escaneo continuo de vulnerabilidades.

La empresa ofrece una prueba inicial gratuita y planes públicos de US$ 249 por mes, equivalentes a R$ 1.269,90, US$ 599 por mes, equivalentes a R$ 3.054,90, y US$ 899 por mes, equivalentes a R$ 4.584,90. Los valores se pueden consultar en la página oficial de precios de AvalonX. La diferencia respecto a un modelo gratuito es clara: el usuario compra un proceso operativo, no solo acceso a pesos.

Lo que esto cambia para quien desarrolla con IA

La semana muestra una división cada vez más práctica. Los pesos disponibles reducen la dependencia de un único proveedor y permiten controlar memoria, latencia e implementación. Los proveedores verticales, por otro lado, venden contexto, integración, verificación y una tarea completa.

Esto también cambia la forma de comparar modelos. Un modelo pequeño puede ganar en costo y latencia, mientras que un sistema vertical puede ganar en calidad operativa. Para ampliar el análisis, vale la pena cruzar los lanzamientos con el Artificial Analysis Intelligence Index v5 y con el benchmark SnowPR de Snowflake, recordando siempre que cada ranking mide un recorte diferente.

El próximo paso no es elegir un ganador universal. Es separar lo que necesita ejecutarse localmente, lo que puede usar API y lo que exige un flujo listo con auditoría, conectores y responsabilidad operativa.