Alibaba lanza QwQ, su modelo abierto de razonamiento paso a paso

El equipo Qwen de Alibaba ha presentado QwQ-32B-Preview, un modelo de lenguaje de unos 32.000 millones de parámetros diseñado para resolver problemas complejos de matemáticas y programación razonando paso a paso antes de dar una respuesta. La empresa lo ha publicado como modelo abierto, con los pesos disponibles para su descarga, lo que permite a desarrolladores e investigadores ejecutarlo y estudiarlo sin depender de una API de pago.

Qué es un modelo de razonamiento

QwQ genera secuencias de razonamiento antes de una conclusión, y su tarjeta de modelo mostraba ese texto al usuario. Conviene no confundir una explicación extensa con una prueba de corrección ni llamar «bloc interno» a cualquier texto visible: el modelo sigue prediciendo tokens y puede construir una cadena plausible que termina en una respuesta equivocada. La evaluación debe puntuar el resultado y comprobar cada paso relevante.

OpenAI había presentado en septiembre o1-preview y comunicó que no mostraría al usuario su cadena de razonamiento sin procesar. La comparación útil no consiste en asumir que ambos sistemas «piensan» igual, sino en fijar tarea, presupuesto de cómputo, número de intentos, versión y criterio de corrección.

La apuesta de Alibaba: abrir el modelo

QwQ-32B-Preview, cuyo nombre la compañía no ha explicado oficialmente, parte de la familia Qwen2.5 de Alibaba y se centra específicamente en esa capacidad de razonamiento extendido. La compañía lo ha publicado en Hugging Face bajo una licencia abierta, de forma que cualquiera con hardware suficiente puede descargarlo, ejecutarlo localmente y modificarlo, algo que ningún modelo de la familia o1 de OpenAI permite.

El propio nombre incluye la etiqueta "Preview": Alibaba presenta el modelo como una versión preliminar, no como un producto terminado, y advierte de limitaciones propias de un sistema aún en desarrollo, como posibles bucles de razonamiento o cambios inesperados de idioma en mitad de una respuesta. Con 32.000 millones de parámetros, es un modelo de tamaño medio-alto, muy lejos del tamaño de los grandes modelos cerrados pero suficiente para plantar cara en pruebas de matemáticas y programación.

Por qué importa

Hasta ahora, el razonamiento paso a paso de estilo o1 era terreno casi exclusivo de OpenAI. Que Alibaba publique un modelo abierto orientado al mismo problema cambia el tablero: reduce la distancia entre lo que solo estaba disponible mediante una API cerrada y de pago y lo que cualquier laboratorio, universidad o empresa puede descargar y adaptar a coste cero de licencia. También confirma que el enfoque de "pensar antes de responder" no es una técnica propietaria de un único laboratorio, sino una dirección de trabajo que varios equipos, incluidos los chinos, están explorando en paralelo.

Para el usuario no técnico, la diferencia práctica es que este tipo de modelos tiende a fallar menos en problemas que requieren varios pasos lógicos encadenados —una ecuación con varias incógnitas, una función de código con varias condiciones—, aunque a cambio de respuestas más lentas. Para el sector, QwQ-32B-Preview es una señal más de que la competencia por los modelos de razonamiento se libra ya en dos frentes: el de los sistemas cerrados de los grandes laboratorios estadounidenses y el de las alternativas abiertas que empresas chinas como Alibaba están dispuestas a poner en manos de cualquiera.

Pesos abiertos no significan coste cero

La tarjeta de QwQ indicaba licencia Apache 2.0, 32,5 mil millones de parámetros y contexto de 32.768 tokens. Eso permite estudiar y adaptar los pesos bajo la licencia, pero no elimina memoria, electricidad, servidores, mantenimiento ni evaluación. «Gratis» describe como mucho la ausencia de una tarifa de licencia concreta.

También conviene separar modelo y producto. Los pesos no traen necesariamente una interfaz, monitorización, filtros, soporte o garantías de servicio. Una empresa que compara el modelo local con una API debe contar hardware, concurrencia, latencia, personal y el coste de conservar una versión segura.

Cómo probar razonamiento sin premiar la verborrea

Se prepara un conjunto oculto con respuesta verificable, se fija el número de muestras y se puntúa la conclusión antes de leer la explicación. Después se clasifican errores: premisa inventada, cálculo, código que no compila, paso omitido o bucle. El propio equipo advertía sobre mezcla de idiomas, bucles recursivos y debilidades fuera de matemáticas y programación.

La longitud necesita su propia métrica. Un sistema puede acertar consumiendo diez veces más tokens; otro puede fallar deprisa. Tiempo, coste, tasa de acierto y posibilidad de verificar forman un vector, no un ranking único. En código, ejecutar pruebas es más valioso que una explicación convincente; en matemáticas, sustituir el resultado en la ecuación detecta errores que una cadena fluida oculta.

Una receta de reproducción local

El nombre del modelo no basta para repetir un resultado. Se guardan el hash o revisión de los pesos, la versión de la biblioteca, la plantilla de chat, el mensaje de sistema, la temperatura, el límite de salida y el hardware. También se conserva la pregunta exacta y la regla de puntuación. Cambiar cualquiera de estos elementos puede alterar precisión, longitud y velocidad.

La cuantización añade otra variable. Reducir la precisión de los pesos permite ejecutar el modelo con menos memoria, pero puede cambiar el comportamiento. Una comparación debe nombrar el formato y repetir un subconjunto con la versión de referencia. Si sólo una variante cabe en el equipo, esa restricción es parte del resultado, no un detalle técnico que se omite.

Razón visible, verificación externa

Una cadena larga puede ser útil como interfaz: muestra dónde comprobar, permite pedir una alternativa y hace visibles algunos supuestos. No garantiza que refleje fielmente el proceso que produjo la respuesta. Por ello, no se evalúa si «suena a pensamiento», sino si cada afirmación intermedia es necesaria, correcta y compatible con el resultado.

Las herramientas cambian el examen. Una calculadora, un intérprete de código o una búsqueda pueden corregir límites del modelo, pero entonces se evalúa el sistema completo: qué herramienta eligió, qué datos envió, cómo interpretó la salida y qué hizo ante un error. Comparar un modelo con herramientas contra otro sin ellas atribuye al modelo una ventaja del entorno.

Para una persona, el uso seguro empieza por clasificar la tarea. Si la respuesta puede comprobarse con una prueba, un cálculo o una fuente, se ejecuta esa comprobación. Si afecta a salud, dinero o derechos, la explicación del modelo no sustituye al profesional ni al documento autorizado. Y si no existe una vía de verificación, la incertidumbre debe quedar visible en vez de rellenarse con más pasos.

Benchmarks con condiciones, no trofeos

Una puntuación sólo es comparable si coincide el conjunto, la plantilla, las herramientas, el muestreo y el criterio. Los resultados publicados por un fabricante sirven como hipótesis para reproducir, no como garantía para una tarea distinta. Un preview puede cambiar además sin que el nombre general del producto revele todas las diferencias.

Antes de aceptar un benchmark conviene auditar también el artefacto publicado: versión de pesos, plantilla de conversación, temperatura, límite de salida y código de evaluación. Cambiar uno de esos elementos puede alterar la puntuación sin que el nombre del modelo cambie. Guardar la configuración y las respuestas fallidas permite distinguir una mejora del sistema de una ventaja introducida por el protocolo.

La capacidad transferible es evaluar razonamiento por trazabilidad y resultado: versión exacta, presupuesto, prueba ejecutable y error clasificado. Ver muchos pasos puede ayudar a encontrar un fallo, pero no convierte la cadena en evidencia. La última palabra la tiene hoy la comprobación externa, repetida con casos enteramente nuevos que el modelo no vio durante la preparación y conservada con todas sus preguntas, respuestas y criterios para comparar la siguiente versión sin mover el examen después del resultado.