Fermisense
Una consultora que publicó un resultado de 2026 ampliamente leído que muestra un modelo abierto ajustado de 9 mil millones de parámetros que supera a los modelos de frontera en una tarea comercial limitada.
Fermisense entrenó un pequeño modelo abierto en la revisión de catálogos de comercio electrónico utilizando el aprendizaje por refuerzo y reportó una precisión del 87,3 por ciento frente al 76,9 de la mejor configuración de frontera que probó. El artículo tuvo éxito en Hacker News porque argumentaba algo que la gente quería escuchar: no siempre se necesita el modelo más grande.
La advertencia está en la palabra estrecha. El resultado se basa en una tarea repetitiva y bien definida con muchos ejemplos de los que aprender, que es exactamente la situación en la que gana un modelo pequeño y especializado. No hay evidencia de que los modelos pequeños superen a los modelos de frontera en general.