La startup utilizó este enfoque para crear un modelo que se ha disparado hasta lo más alto de la ARC-AGI 3, una competencia notoriamente difícil para modelos de IA. No me dieron más detalles porque quieren ganar el concurso. Sin embargo, para demostrar la idea también crearon un puente entre dos modelos chinos de peso abierto. La versión más grande de GLM-5.2 cuenta con 753,000 millones de parámetros, mientras la versión de Qwen-3.5 contiene 4,000 millones de parámetros y puede ejecutarse en un dispositivo móvil. El sistema híbrido resultante cuesta una vigésima parte del modelo GLM completo, y su rendimiento se sitúa exactamente a medio camino entre ambos.
"Es bien sabido en el ámbito del aprendizaje automático que los conjuntos de modelos funcionan mejor que los modelos individuales", me comentó Sasha Malysheva, directora ejecutiva de Mostik, mientras tomábamos un café.
Varios modelos piensan mejor que uno
Malysheva, quien desarrolló el enfoque, compartió una broma habitual dentro de la empresa: el futuro de la IA es similar a adivinar el peso de un cerdo. En los círculos matemáticos, es bien sabido que un puñado de personas elegidas al azar puede estimar con mayor precisión que un experto el peso de un cerdo cuando se combinan y promedian sus estimaciones.
Al igual que cuando se estima colectivamente el peso de un cerdo, combinar los resultados de varios modelos de IA suele dar mejores resultados. Normalmente, esto implica introducir el resultado de un modelo en otro, lo que requiere una buena cantidad de tiempo y dinero. El equipo de Mostik, sin embargo, ha descubierto una forma de que los modelos de IA se comuniquen entre sí sin generar texto. Si tiene éxito, podría aumentar el valor de los modelos de código abierto, lo que les permitiría competir mejor con los modelos de código cerrado que ofrecen laboratorios de vanguardia como Anthropic y OpenAI.
Malysheva asegura que combinar muchos modelos diferentes podría resultar en una forma más efectiva de hacer avanzar la IA. "Personalmente, no creo que vayamos a tener un modelo monolítico [en el futuro] ni que las capacidades de los modelos provengan del escalado", me dijo, refiriéndose a la estrategia de hacer modelos más grandes y alimentarlos con más datos.
"Si Mostik hace posible combinar modelos de vanguardia con modelos específicos de cada ámbito (como la biología, la física, etc.), se entrenarían muchos más modelos especializados", observa Vladimir Arustamian, responsable técnico de la empresa de software de IA Lovable, que conoce al equipo de Mostik. "Este equipo lleva solo unos meses trabajando en ello y ya tiene algo en funcionamiento que yo habría pensado que tardaría años en materializarse".
La técnica de Mostik significa que "se puede alcanzar una calidad similar a la de los grandes modelos sin que estos gestionen todo el ciclo, lo que permite obtener mejoras sustanciales con solo un modelo más pequeño funcionando en paralelo", explica Karl Tuyls, antiguo informático de Google DeepMind. El método es una obviedad para cualquiera que tenga la tarea de ejecutar modelos de la forma más eficiente posible, agrega Tuyls.
Un puente para cerrar la brecha
Stanislav Smirnov, profesor de la Universidad de Ginebra y ganador de la Medalla Fields en 2010, es el científico jefe de Mostik. Sostiene que encontrar un punto en común entre dos modelos de IA resulta sorprendentemente difícil. "Parece que aún no existe un lenguaje matemático adecuado", añade. Mientras tanto, el trabajo de Mostik es una forma de salvar, literalmente, esa brecha.
Smirnov destaca que el trabajo de Mostik también podría revelar nuevos aspectos sobre cómo funcionan realmente los modelos de IA y cómo esto se compara con el funcionamiento del cerebro humano. Smirnov señala que un análisis matemático más profundo podría revelar puntos en común en la forma en que tanto los modelos de IA como los seres humanos razonan ante problemas difíciles.
WIRED.com. Adaptado por Andrea Baranenko.