Alibaba lanza Qwen2.5-Max y dice superar a DeepSeek-V3 y GPT-4o

Alibaba ha presentado Qwen2.5-Max, un modelo de lenguaje de gran escala que, según su propia evaluación, aventaja a DeepSeek-V3 y a GPT-4o en varias pruebas de referencia. El anuncio, publicado a través del equipo Qwen, llega en un momento muy concreto: apenas días después de que DeepSeek sacudiera la conversación global sobre inteligencia artificial y en plena celebración del Año Nuevo chino. El mensaje de fondo es que la carrera por la frontera de la IA ya no es cosa de un solo laboratorio chino, sino de un ecosistema entero empujando a la vez.

Qué es Qwen2.5-Max

Se trata de un modelo de tipo Mixture-of-Experts (MoE), una arquitectura que en lugar de activar toda la red para cada consulta reparte el trabajo entre distintos "expertos" especializados y solo enciende los que hacen falta. Esto permite escalar el tamaño del modelo sin disparar el coste de cómputo en cada respuesta.

Según Alibaba, Qwen2.5-Max se ha preentrenado con más de 20 billones de tokens —la unidad mínima de texto que procesa un modelo, aproximadamente equivalente a fragmentos de palabras— y después se ha refinado con dos técnicas habituales en el postentrenamiento: ajuste supervisado (SFT), que enseña al modelo con ejemplos curados de respuestas correctas, y aprendizaje por refuerzo con retroalimentación humana (RLHF), que ajusta su comportamiento según las preferencias de evaluadores humanos.

La propia compañía reconoce en su anuncio hasta qué punto DeepSeek ha marcado el terreno. El equipo Qwen admite que la comunidad investigadora e industrial tenía "experiencia limitada" en cómo escalar de forma efectiva modelos extremadamente grandes, y que muchos detalles críticos de ese proceso solo se conocieron con la reciente publicación de DeepSeek V3. Es una manera poco habitual de citar a un rival directo como referencia técnica.

Qué dicen los benchmarks

Alibaba compara Qwen2.5-Max en dos frentes: los modelos ajustados para conversación (los que llegan al usuario final) y los modelos base (la versión previa al pulido).

En la comparación de modelos instruct, la que importa para aplicaciones como el chat o la programación, Alibaba sitúa a Qwen2.5-Max frente a DeepSeek V3, GPT-4o y Claude-3.5-Sonnet. Según sus resultados, el modelo supera a DeepSeek V3 en pruebas como:

• Arena-Hard, que aproxima las preferencias humanas.
• LiveBench, que mide capacidades generales.
• LiveCodeBench, centrada en programación.
• GPQA-Diamond, de preguntas de nivel avanzado.

La compañía añade que obtiene resultados "competitivos" en otras evaluaciones como MMLU-Pro, que examina conocimiento con problemas de nivel universitario. El matiz importa: "competitivo" no es lo mismo que "superior", y el propio anuncio distingue con cuidado entre las pruebas donde afirma ganar y aquellas donde solo se acerca.

En los modelos base, Alibaba reconoce que no puede acceder a los sistemas propietarios como GPT-4o y Claude-3.5-Sonnet, así que la comparación se limita a modelos de pesos abiertos: DeepSeek V3, Llama-3.1-405B —el mayor modelo denso de pesos abiertos— y Qwen2.5-72B, uno de los mejores modelos densos abiertos. Ahí la empresa afirma tener "ventajas significativas en la mayoría de los benchmarks".

Conviene leer estas cifras con la cautela de siempre: son evaluaciones internas del propio fabricante, publicadas sin un informe técnico independiente que las respalde en el momento del anuncio. Que un laboratorio se declare vencedor en sus propias pruebas es la norma del sector, no la excepción, y no equivale a una validación externa.

Cómo se usa y qué implica el precio de entrada

Qwen2.5-Max ya está disponible en Qwen Chat, donde se puede conversar con el modelo directamente, además de usar funciones como artifacts y búsqueda. Para desarrolladores, la API se ofrece a través de Alibaba Cloud bajo el nombre de modelo qwen-max-2025-01-25: hay que registrar una cuenta de Alibaba Cloud, activar el servicio Model Studio y generar una clave.

Un detalle nada menor para quien quiera integrarlo: las API de Qwen son compatibles con las de OpenAI. En la práctica, esto significa que una empresa que ya tenga su código montado sobre las herramientas de OpenAI puede apuntar a Qwen2.5-Max cambiando poco más que la dirección del servidor y el nombre del modelo. Esa compatibilidad reduce el coste de cambiar de proveedor y es una palanca comercial evidente en un mercado donde retener a los desarrolladores es media batalla.

Llama la atención, además, el ejemplo que Alibaba elige para mostrar el modelo en su código: preguntarle qué número es mayor, si 9.11 o 9.8. Es precisamente el tipo de comparación numérica sencilla en la que varios modelos de lenguaje han tropezado, y usarla como demostración es un guiño a esa fragilidad conocida.

Por qué este anuncio importa

El contexto lo dice casi todo. Durante los últimos años, el relato dominante situaba la frontera de los grandes modelos en un puñado de laboratorios, mayoritariamente estadounidenses. La irrupción de DeepSeek rompió ese marco al colocar a un actor chino en la conversación de primera línea. Qwen2.5-Max es la respuesta de Alibaba: no un laboratorio aislado, sino una gran tecnológica con su propia nube empujando hacia el mismo terreno, y haciéndolo días después y en pleno Año Nuevo chino.

El propio equipo Qwen deja clara su ambición de fondo. Afirma estar dedicado a mejorar las capacidades de razonamiento de sus modelos mediante aprendizaje por refuerzo a escala, y sostiene que ese esfuerzo "promete permitir que nuestros modelos trasciendan la inteligencia humana". Es una declaración de intenciones grandilocuente, del tipo que abunda en los anuncios del sector, y que conviene separar de lo que el modelo demuestra hoy.

Para el usuario y para las empresas, lo tangible es más sobrio pero más útil: hay un nuevo modelo de gran escala accesible por chat y por API, con compatibilidad técnica que facilita probarlo, y con la promesa —de momento solo respaldada por benchmarks propios— de rendir al nivel de los mejores sistemas propietarios. Lo que falta por ver es cómo se comporta fuera del terreno controlado de las pruebas de referencia, y si futuras evaluaciones independientes confirman las cifras que Alibaba pone sobre la mesa.