Quasar 438B, el modelo europeo líder en IA, supera a Mistral y Nemotron en inteligencia y velocidad
Quasar 438B: Europe's Leading AI Model
Multiverse Computing presenta Quasar 438B, su primer modelo de razonamiento a gran escala, que alcanza una puntuación de 43 en el Artificial Analysis Intelligence Index, la más alta de cualquier modelo europeo. El modelo, disponible en inglés y español, supera a Mistral Medium 3.5 (30) y a NVIDIA Nemotron 3 Ultra (38) tanto en inteligencia como en velocidad, respondiendo 500 tokens en 15,3 segundos. Destaca en razonamiento de contexto largo (75,0 en AA-LCR) y en tareas de agente en terminal (69,3 en Terminal-Bench v2.1), posicionándose como una opción práctica para agentes empresariales y codificación a gran escala.
Solo tres modelos en la comparación son más rápidos, y solo uno de ellos, Gemini 3.7 Flash, obtiene una puntuación más alta en el índice.
- fantyoon
Puede que esté leyendo mal esto. Pero parece que dan a entender fuertemente que entrenaron este modelo. O al menos quieren dar la impresión de que ese es el caso. De lo contrario, la línea de "El modelo líder de Europa" no tiene mucho sentido.
Su pan de cada día es eliminar parámetros de los modelos [1] y creo que esto es GLM 5.2 con parámetros eliminados. Se anuncia en su changelog [2] como "las capacidades son idénticas a GLM 5.2", tiene los mismos dos ajustes de esfuerzo "alto" y "máximo", y ambos son solo texto [3]. Puede que me equivoque en esto, pero me encantaría saber más sobre lo que hicieron antes de cambiar de opinión.
No soy el mayor fan del marketing personalmente. Independientemente de lo que sea este modelo.
[1]: https://multiversecomputing.com/compactifai/deployment
[2]: https://docs.compactif.ai/changelog/#added-3
[3]: https://docs.compactif.ai/features/multi-modality/#compatibi...
- pu_pe
La empresa me suena a puro humo. De su página "Acerca de":
> En el corazón de la plataforma de Multiverse está CompactifAI, una tecnología de compresión que aplica redes tensoriales, un marco matemático de la física cuántica, al problema de la compresión de modelos de IA. Esta aplicación fue pionera del cofundador y director científico, el Dr. Román Orús, y reduce el tamaño de los modelos de lenguaje grandes hasta en un 80-95% con una pérdida de precisión insignificante.
Irónico, considerando que están lanzando un modelo de 438B que pierde contra uno de 27B. De otra parte:
> Singularity Machine Learning es un servicio en la nube que utiliza aprendizaje automático cuántico para resolver problemas de aprendizaje supervisado.
No me sorprendería si estos tipos solo ajustaron un modelo chino abierto y lo llamaron un día.
- espadrine
Deseo que esta empresa tenga grandes modelos. Me alegra ver puntuaciones tan buenas.
Veo que tienen una cuenta de HuggingFace[0] y que han ajustado GPT-OSS, Nemotron y Qwen en el pasado bajo nuevos nombres.
Hay algunas cosas que me preocupan, sin embargo.
• No indican el número de parámetros activos, ni si preentrenaron el modelo. Podría ser un ajuste de MiniMax M3, ya que el número de parámetros casi coincide (435B vs. 438B).
• Mencionan el uso de algoritmos cuánticos en otros proyectos: https://multiversecomputing.com/singularity a pesar de que los algoritmos cuánticos no suelen ser útiles actualmente.
No sería la primera empresa con un lanzamiento llamativo, como Brampton Intelligence[1] o SubQ[2].
A diferencia de ellos, sí parecen tener experiencia en el ajuste de modelos. A pesar de mis preocupaciones, estoy animándoles a que aprendan a entrenar modelos.
[0]: https://huggingface.co/MultiverseComputingCAI
- walrus01
No quiero que los modelos de pesos abiertos de China sean los únicos viables para alojamiento local (deepseek v4 flash 0731 Q8, qwen 3.8-flash-next Q8, GLM-5.3-Flash) en la clase de menos de 200GB de RAM.
Quiero ver que cosas como Mistral y Laguna (no CN) tengan éxito. He pasado alrededor de una semana usando Laguna S 2.1 como prueba y aunque no me impresionaron sus capacidades, también es totalmente aceptable para muchos propósitos.
Espero que esta gente de Quasar aprenda que si anuncias un modelo nuevo y ya rinde peor que cosas que la gente puede descargar de huggingface, y/o comprar acceso con planes de tokens muy baratos vía openrouter o opencode... Si tu modelo nuevo es solo API y la gente no puede descargarlo/examinarlo, tendrá muy poca adopción y uso en el mundo real.
Puedo verlo como un nicho para cosas de soberanía europea si es absolutamente necesario, alojado y ejecutado en Europa, claro. Igual que Mistral. Ese es un nicho que existe, probablemente hay suficiente espacio para un par de empresas de tamaño modesto haciéndolo... ¿supongo?
- Roark66
Cuando los pesos están cerrados no me creo ningún benchmark.
Acabo de hacer que Qwen3.8-27B obtuviera un 10% extra en SWE Pro añadiendo un proxy delante que tiene algunas "características tipo arnés" simples:
- cuando el modelo se atasca le dice "continúa"
- cuando no envía salida, JSON malformado, se desliza al formato de uso de herramientas incorrecto, etc. le pide que "lo intente de nuevo mejor"
- detecta repetición y se lo dice al modelo.
- inyecta un prompt sobre "planificación del uso de herramientas" cuando parece que está usando las mismas herramientas repetidamente.
- inyecta un recordatorio de que puede usar herramientas si no hay usos de herramientas durante más de X mensajes.
10% - solo con eso.
Tengo más que probar. Mi punto es que los modelos de pesos abiertos se prueban en calidad de modelo desnudo. Los modelos "frontera" se prueban como modelo + cualquier salsa secreta que decidan poner delante.