Microsoft deja de perseguir la frontera y apuesta por pequeños modelos especializados
Mustafa Suleyman sostiene que la eficiencia por token importa más que la potencia bruta. Microsoft entrena modelos compactos para campos concretos y deja que un orquestador derive los casos difíciles.
Microsoft AI acaba de ofrecer la explicación más clara hasta ahora sobre su rumbo, y no conduce al modelo más grande del mundo. En una publicación del 30 de julio, su responsable Mustafa Suleyman argumenta que el sector debe equilibrar el máximo rendimiento con el coste. Microsoft entrenará por ello modelos compactos para campos concretos, en lugar de un único gigante de propósito general.
Suleyman utiliza como ejemplo MAI-Cyber-1-Flash, el modelo de ciberseguridad de Microsoft. Afirma que supera a Mythos de Anthropic por doce puntos porcentuales en el benchmark CyberGym y cuesta la mitad. La cifra lleva un asterisco: el resultado depende de MDASH, el sistema de Microsoft que coordina varios modelos y sigue enviando las tareas más difíciles a los modelos de razonamiento de OpenAI. La empresa también asegura que MAI-Image-2.5-Flash reduce hasta un 84% los costes de GPU respecto a GPT-Image-2. Suleyman reconoce además un segundo motivo: quiere que los modelos sean intercambiables para que Microsoft no dependa nunca de una sola familia, incluida la de OpenAI.
Qué hay detrás
El cambio interesante no está en los modelos, sino en la capa superior. Un harness, también llamado orquestador, es el software que decide qué modelo resuelve cada parte de una tarea y qué contexto recibe. Con un orquestador decente, el caro modelo frontera deja de ser el que carga con todo el trabajo y se convierte en el especialista al que se recurre para el 10% más difícil. El resto pasa a algo pequeño y barato. Anthropic ha integrado este patrón en Claude Fable 5, donde el modelo grande delega en Sonnet, y Fugu de Sakana está construido por completo alrededor de la misma idea. Si el sector acaba ahí, la pregunta competitiva dejará de ser «¿qué modelo puntúa más alto?» y pasará a ser «¿quién distribuye mejor las tareas?».
Qué significa esto para ti: Para la mayoría de la gente no cambia nada hoy, y probablemente no notes qué modelo te ha contestado. La estrategia sí explica una sensación que quizá ya tengas: los asistentes se están abaratando sin volverse claramente peores. Si desarrollas con IA, puedes copiar el enfoque. Envía el trabajo rutinario a un modelo pequeño y reserva uno bueno para las partes que exigen criterio de verdad. Las afirmaciones concretas de Microsoft requieren una cautela: proceden de sus propios benchmarks, y su gran resultado de ciberseguridad sigue dependiendo discretamente de modelos OpenAI. Todavía no está claro que los pequeños MAI puedan sustituir a la frontera.
Fuentes
Fuentes: https://microsoft.ai/news/optimizing-the-frontier-performance-curve/
OpenAI rebaja un 80% GPT-5.6 Luna mientras se intensifica la guerra de precios de la IA
El modelo GPT-5.6 más pequeño cuesta ahora un 80% menos y el intermedio, un 20% menos. Estas son las nuevas cifras y los motivos por los que la rebaja llega ahora.
