Los modelos de 2026 sacrifican conocimiento factual para razonar mejor
Simon Willison pidió a Qwen 3.8 27B un círculo en SVG y el modelo tardó 21 minutos en pensarlo. Ese exceso de deliberación revela un cambio de fondo en el entrenamiento de los LLM abiertos.
Un modelo abierto de 17 GB ha puesto encima de la mesa el debate del año en el entrenamiento de LLM: cuánto peso debe dedicarse a memorizar hechos y cuánto a razonar. Simon Willison pidió a Qwen 3.8 27B, el modelo de Alibaba que había llegado arriba en Hacker News, que dibujara un círculo en SVG. La respuesta tardó 21 minutos: el modelo gastó 22.276 tokens de razonamiento interno para producir 3.223 tokens de salida. El círculo salió animado, con estudio compositivo de aire Bauhaus, porque el modelo decidió por su cuenta que un círculo simple no bastaba.
Su publicación acumuló 148 puntos y 61 comentarios en menos de doce horas. Ese mismo día el hilo más votado era otro, titulado "Models Are Getting Dumber on Purpose", con 288 puntos y 163 comentarios.
Qué se gana al olvidar hechos
La tesis va contra la intuición: los laboratorios están recortando conocimiento factual a propósito. El punto de partida es una estimación de la serie "Physics of Language Models": almacenar hechos cuesta del orden de 2 bits por parámetro. Es una aproximación empírica, no una cota formal, pero sirve para la intuición. Si un modelo quiere actuar de enciclopedia fiable de miles de millones de asociaciones, se come buena parte de su presupuesto de parámetros antes de dedicar un solo peso a gramática, código o seguimiento de instrucciones.
Y el negocio no sale por tres motivos. Los hechos caducan: una tanda de entrenamiento cuesta meses y cientos de millones de dólares, y el día que termina ya empieza a quedar obsoleta. Los hechos memorizados no componen: un modelo que ha visto "React 18 usa el renderer concurrente" reconoce la cadena, no entiende React. Y cada peso gastado en un dato que se consulta poco es un peso que no codifica un procedimiento lógico reutilizable.
El respaldo empírico que cita el análisis está en AIME 2026, el benchmark de matemáticas de varios pasos. GPT-4 en 2023 apenas resolvía esos problemas con unos 280.000 millones de parámetros activos estimados. GLM-5.2 llega al 99,2% con unos 40.000 millones. DeepSeek V4 Flash es competitivo con unos 13.000 millones. La reducción de cómputo activo es de un orden de magnitud y, según el texto, no viene de mejores datos: esos modelos fallan bastante en preguntas factuales. Viene de razonamiento destilado.
Los mecanismos que señala son el aprendizaje por refuerzo sobre tareas verificables, donde la recompensa es limpia y binaria porque el resultado se comprueba solo (una demostración, un test que pasa), y la predicción multi-token, que según el artículo da en torno a un 72% de mejora de throughput. Encima, un patrón de despliegue en el que el harness —las herramientas, el contexto, la recuperación— carga con el conocimiento mientras el modelo solo aporta el procedimiento.
Lo que conviene mirar
Las cifras de esa tabla salen del propio artículo y de sus referencias cruzadas, no de una medición independiente, así que hay que tomarlas como orientativas antes de decidir nada con ellas. Lo que sí es accionable para quien despliega modelos: el control de esfuerzo de razonamiento ya es un parámetro de producción y hay que ajustarlo, porque un modelo que delibera 21 minutos sobre un círculo es tan inútil en una API interactiva como uno que alucina la versión de una librería.