1
00:00:10,000 --> 00:00:15,800
Buenas, esto es BIMPRAXIS, el podcast donde el

2
00:00:15,800 --> 00:00:17,920
BIM se encuentra con la inteligencia artificial.

3
00:00:20,519 --> 00:00:23,620
Exploramos la ciencia, la tecnología y el futuro

4
00:00:23,620 --> 00:00:26,559
desde el enfoque de la arquitectura, ingeniería y

5
00:00:26,559 --> 00:00:27,179
construcción.

6
00:00:28,859 --> 00:00:29,519
¡Empezamos!

7
00:00:37,280 --> 00:00:40,579
Muy buenas, bienvenidas, bienvenidos a un nuevo episodio

8
00:00:40,579 --> 00:00:42,280
de BIMPRAXIS.

9
00:00:42,259 --> 00:00:44,399
Hoy os traemos el fin del límite de

10
00:00:44,399 --> 00:00:47,560
lectura en la inteligencia artificial y la llegada

11
00:00:47,560 --> 00:00:50,820
de SubQ, el modelo que procesa 12 millones

12
00:00:50,820 --> 00:00:53,079
de tokens de un plumazo y de forma

13
00:00:53,079 --> 00:00:54,320
asequible.

14
00:00:54,219 --> 00:00:56,039
Una auténtica barbaridad, la verdad.

15
00:00:55,960 --> 00:00:57,939
Es que piénsalo por un momento.

16
00:00:57,939 --> 00:01:00,799
Imagina poder cargar absolutamente todo el conocimiento de

17
00:01:00,799 --> 00:01:04,379
una empresa entera, cada correo cruzado, cada contrato

18
00:01:04,379 --> 00:01:06,560
legal y cada línea de código de los

19
00:01:06,560 --> 00:01:09,379
últimos 10 años en una fracción de segundo.

20
00:01:09,359 --> 00:01:11,319
Y lo más importante, que el sistema no

21
00:01:11,319 --> 00:01:13,879
olvide ningún detalle al darte la respuesta.

22
00:01:13,659 --> 00:01:14,640
Eso es.

23
00:01:14,640 --> 00:01:16,439
Ese es el nivel de disrupción que vamos

24
00:01:16,439 --> 00:01:17,739
a analizar hoy.

25
00:01:17,739 --> 00:01:20,579
Nuestro objetivo en este programa es entender cómo

26
00:01:20,579 --> 00:01:23,939
una empresa llamada Subquadratic ha logrado romper lo

27
00:01:23,939 --> 00:01:25,599
que parecía la ley de gravedad de la

28
00:01:25,599 --> 00:01:28,120
IA, o sea, el coste cuadrático de la

29
00:01:28,120 --> 00:01:28,379
atención.

30
00:01:28,739 --> 00:01:30,659
Y para eso vamos a destripar su anuncio

31
00:01:30,659 --> 00:01:33,400
de lanzamiento del 5 de mayo de 2026

32
00:01:33,400 --> 00:01:35,519
y, bueno, sus informes técnicos.

33
00:01:36,159 --> 00:01:37,239
Exacto.

34
00:01:37,299 --> 00:01:38,359
Porque esto lo cambia todo.

35
00:01:39,120 --> 00:01:42,799
Si conectamos esto con el panorama general, resulta

36
00:01:42,799 --> 00:01:45,579
evidente que la última década de desarrollo de

37
00:01:45,579 --> 00:01:48,519
software ha estado definida por las carencias de

38
00:01:48,519 --> 00:01:51,000
la inteligencia artificial, no por sus virtudes.

39
00:01:51,519 --> 00:01:53,140
Totalmente de acuerdo.

40
00:01:53,140 --> 00:01:55,400
Es decir, la industria entera ha invertido miles

41
00:01:55,400 --> 00:01:58,280
de millones en crear arquitecturas raras, bases de

42
00:01:58,280 --> 00:02:01,140
datos vectoriales y sistemas de enrutamiento con un

43
00:02:01,140 --> 00:02:04,079
único propósito, esquivar lo que los modelos no

44
00:02:04,079 --> 00:02:05,700
podían procesar de una sola vez.

45
00:02:06,459 --> 00:02:09,479
Hemos construido rascacielos sobre un andamio de limitaciones

46
00:02:09,479 --> 00:02:10,180
matemáticas.

47
00:02:11,139 --> 00:02:13,460
Y hoy vamos a explorar justo qué pasa

48
00:02:13,460 --> 00:02:17,360
cuando esas limitaciones de repente desaparecen del mapa.

49
00:02:17,360 --> 00:02:17,900
Exacto.

50
00:02:17,900 --> 00:02:20,780
Es un seísmo a nivel técnico y económico.

51
00:02:20,939 --> 00:02:23,080
A ver, vamos a desgranar esto.

52
00:02:23,080 --> 00:02:25,360
Porque para entender por qué SubQ es tan

53
00:02:25,360 --> 00:02:28,300
revolucionario, primero hay que entender por qué los

54
00:02:28,300 --> 00:02:32,759
modelos actuales, los famosos transformers, colapsan cuando leen

55
00:02:32,759 --> 00:02:34,740
textos muy largos.

56
00:02:34,759 --> 00:02:36,800
Colapsan ellos y colapsan las facturas de los

57
00:02:36,800 --> 00:02:38,460
servidores, todo, hay que decirlo.

58
00:02:38,479 --> 00:02:39,719
Claro, claro.

59
00:02:39,719 --> 00:02:41,979
El problema de fondo es eso que llaman

60
00:02:41,979 --> 00:02:43,919
atención densa, ¿verdad?

61
00:02:44,000 --> 00:02:44,879
Eso es.

62
00:02:44,879 --> 00:02:47,400
La atención densa o dense attention.

63
00:02:47,599 --> 00:02:50,159
Cuando un modelo transformer lee un documento, la

64
00:02:50,159 --> 00:02:52,919
forma en que extrae el contexto es comparando

65
00:02:52,919 --> 00:02:56,439
cada palabra, cada token, con absolutamente todos los

66
00:02:56,439 --> 00:02:58,719
demás tokens de ese mismo texto.

67
00:02:58,419 --> 00:03:00,879
O sea, una matriz gigante donde todo se

68
00:03:00,879 --> 00:03:02,060
cruza con todo.

69
00:03:01,919 --> 00:03:03,240
Exactamente.

70
00:03:03,240 --> 00:03:05,560
Funciona como una evaluación exhaustiva.

71
00:03:05,560 --> 00:03:09,080
Cada palabra evalúa matemáticamente su relevancia frente a

72
00:03:09,080 --> 00:03:11,539
la totalidad del documento para decidir qué peso

73
00:03:11,539 --> 00:03:12,439
tiene.

74
00:03:12,439 --> 00:03:14,439
Desde el punto de vista cualitativo, es el

75
00:03:14,439 --> 00:03:17,560
método más riguroso posible para no perder información.

76
00:03:17,520 --> 00:03:19,759
Pero computacionalmente es una pesadilla.

77
00:03:19,719 --> 00:03:21,500
Una pesadilla total.

78
00:03:21,500 --> 00:03:23,919
Genera un crecimiento cuadrático, lo que los informáticos

79
00:03:23,919 --> 00:03:26,080
llamamos ODN al cuadrado.

80
00:03:26,080 --> 00:03:28,120
Esto significa que si duplicas la longitud del

81
00:03:28,120 --> 00:03:30,500
texto, el coste informático no se duplica.

82
00:03:30,500 --> 00:03:31,960
Se multiplica por cuatro.

83
00:03:31,960 --> 00:03:32,319
Eso es.

84
00:03:32,319 --> 00:03:34,280
Y si el texto es 10 veces más

85
00:03:34,280 --> 00:03:36,699
largo, el coste se multiplica por 100.

86
00:03:36,819 --> 00:03:39,340
En entornos empresariales, donde un repositorio de código

87
00:03:39,340 --> 00:03:42,280
tiene millones de tokens, esa curva matemática hace

88
00:03:42,280 --> 00:03:44,580
que sea prohibitivo en tiempo y en dinero.

89
00:03:44,400 --> 00:03:46,319
Ya, a ver, vamos a desgranar esto con

90
00:03:46,319 --> 00:03:46,979
una analogía.

91
00:03:47,719 --> 00:03:49,979
Es como organizar un evento de networking, donde

92
00:03:49,979 --> 00:03:52,620
obligas a cada invitado a tener una conversación

93
00:03:52,620 --> 00:03:57,139
individual, profunda y obligatoria con absolutamente todos los

94
00:03:57,139 --> 00:03:58,800
asistentes del edificio.

95
00:03:58,860 --> 00:04:01,360
solo para encontrar a su compañero de trabajo.

96
00:04:01,280 --> 00:04:02,180
Tal cual.

97
00:04:02,419 --> 00:04:04,743
Es un desperdicio masivo de energía.

98
00:04:04,883 --> 00:04:06,583
La inmensa mayoría de esas charlas no van

99
00:04:06,583 --> 00:04:07,963
a servir para nada.

100
00:04:07,843 --> 00:04:09,703
Es que esa imagen lo clava.

101
00:04:09,923 --> 00:04:12,643
De todas esas interacciones forzadas, el resultado es

102
00:04:12,643 --> 00:04:14,203
nulo casi siempre.

103
00:04:14,443 --> 00:04:16,903
El modelo compara la preposición de del primer

104
00:04:16,903 --> 00:04:19,383
párrafo con la palabra indemnización de la página

105
00:04:19,383 --> 00:04:21,443
800 y se da cuenta de que no

106
00:04:21,443 --> 00:04:22,643
tienen relación.

107
00:04:22,803 --> 00:04:25,083
Pero ya has pagado el cálculo de la

108
00:04:25,083 --> 00:04:27,183
tarjeta gráfica por hacerlo.

109
00:04:27,203 --> 00:04:28,323
Exacto.

110
00:04:28,283 --> 00:04:30,503
Los propios creadores de SubQ lo llaman un

111
00:04:30,503 --> 00:04:33,183
trabajo inútilmente cuadrático.

112
00:04:33,743 --> 00:04:35,403
Y esa es la razón exacta por la

113
00:04:35,403 --> 00:04:37,723
que la industria ha tenido que inventar tantos

114
00:04:37,723 --> 00:04:38,743
parches estos años.

115
00:04:39,343 --> 00:04:42,363
Aunque bueno, yo recuerdo que cuando salió Flash

116
00:04:42,363 --> 00:04:45,523
Attention, parecía que nos habían salvado la vida.

117
00:04:45,683 --> 00:04:48,263
Parecía que ya podíamos meter textos enormes sin

118
00:04:48,263 --> 00:04:49,523
arruinarnos.

119
00:04:49,523 --> 00:04:52,443
A ver, Flash Attention fue un avance brillante,

120
00:04:52,443 --> 00:04:53,343
sin duda.

121
00:04:53,403 --> 00:04:55,983
Pero optimizó la memoria, no las matemáticas.

122
00:04:56,623 --> 00:04:57,623
¿Cómo es eso?

123
00:04:57,543 --> 00:05:00,223
Lo que hizo fue reestructurar cómo se movían

124
00:05:00,223 --> 00:05:02,103
los datos dentro de la memoria de las

125
00:05:02,103 --> 00:05:05,843
tarjetas gráficas, minimizando los viajes lentos de información.

126
00:05:05,843 --> 00:05:09,223
Ejecutaba esa atención densa mucho más rápido.

127
00:05:09,523 --> 00:05:12,063
Pero seguía comparando todo con todo.

128
00:05:12,143 --> 00:05:13,123
Exactamente.

129
00:05:13,123 --> 00:05:14,723
La ley de gravedad seguía ahí.

130
00:05:14,723 --> 00:05:16,723
El número de operaciones era el mismo, así

131
00:05:16,723 --> 00:05:18,123
que el O de alí al cuadrado seguía

132
00:05:18,123 --> 00:05:19,443
dictando las reglas.

133
00:05:19,363 --> 00:05:21,783
O sea, volviendo al evento de networking, Flash

134
00:05:21,783 --> 00:05:24,183
Attention hizo que la gente caminara y hablara

135
00:05:24,183 --> 00:05:26,703
a cámara rápida, pero seguían teniendo que hablar

136
00:05:26,703 --> 00:05:29,123
con las 10.000 personas del edificio.

137
00:05:29,423 --> 00:05:31,403
Esa es la metáfora perfecta.

138
00:05:31,443 --> 00:05:33,903
Y como esa barrera matemática seguía ahí, tuvimos

139
00:05:33,903 --> 00:05:36,563
que sobrevivir con soluciones temporales, parches.

140
00:05:37,423 --> 00:05:39,363
Pues hablemos de esos parches, porque es donde

141
00:05:39,363 --> 00:05:41,463
todo el mundo ha estado metido hasta ahora,

142
00:05:41,583 --> 00:05:43,203
empezando por los sistemas RAG.

143
00:05:43,703 --> 00:05:45,403
Uf, los sistemas RAG.

144
00:05:46,003 --> 00:05:48,223
Como no podíamos meter todo el contexto de

145
00:05:48,223 --> 00:05:50,863
golpe, usábamos una base de datos externa como

146
00:05:50,863 --> 00:05:52,743
si fuera un bibliotecario rápido.

147
00:05:52,863 --> 00:05:54,803
Te busca los tres párrafos que más se

148
00:05:54,803 --> 00:05:56,823
parecen a tu pregunta y solo le pasa

149
00:05:56,823 --> 00:05:57,823
eso a la IA.

150
00:05:57,903 --> 00:06:00,043
El problema ahí es que pierdes toda la

151
00:06:00,043 --> 00:06:01,683
jerarquía de la información.

152
00:06:02,003 --> 00:06:04,443
Troceas un manual técnico y el pobre modelo

153
00:06:04,443 --> 00:06:06,983
recibe un párrafo suelto sin saber de dónde

154
00:06:06,983 --> 00:06:09,463
viene ni qué premisas había antes.

155
00:06:09,223 --> 00:06:11,343
Claro, se pierde el contexto vecino.

156
00:06:12,003 --> 00:06:14,203
Otro intento muy popular han sido los flujos

157
00:06:14,203 --> 00:06:15,843
de trabajo con agentes.

158
00:06:15,643 --> 00:06:17,903
Poner a varias IAs pequeñitas a hablar entre

159
00:06:17,903 --> 00:06:18,723
ellas.

160
00:06:18,343 --> 00:06:19,243
Eso es.

161
00:06:19,243 --> 00:06:21,163
Te pasas la información en cadena para resolver

162
00:06:21,163 --> 00:06:23,283
un problema grande por partes.

163
00:06:23,283 --> 00:06:24,983
Pero claro, cada vez que un agente le

164
00:06:24,983 --> 00:06:27,443
resume algo al siguiente, acumula errores.

165
00:06:27,503 --> 00:06:29,583
El juego del teléfono es cacharrado de toda

166
00:06:29,583 --> 00:06:30,143
la vida.

167
00:06:30,203 --> 00:06:31,063
Totalmente.

168
00:06:31,063 --> 00:06:33,743
Y coordinar eso con código es súper frágil.

169
00:06:33,743 --> 00:06:35,823
A la mínima desviación, el sistema entero se

170
00:06:35,823 --> 00:06:36,663
cae.

171
00:06:36,303 --> 00:06:39,763
Ya, pero la industria también intentó cambiar la

172
00:06:39,763 --> 00:06:40,943
arquitectura base, ¿no?

173
00:06:40,943 --> 00:06:44,163
Por ejemplo, los modelos recurrentes o de espacio

174
00:06:44,163 --> 00:06:46,043
de estados, como Mamba.

175
00:06:46,103 --> 00:06:48,943
Sí, esos tomaron el camino de la compresión.

176
00:06:48,943 --> 00:06:51,563
Leen secuencialmente como si tomaran apuntes.

177
00:06:51,563 --> 00:06:53,103
El coste se vuelve lineal.

178
00:06:53,103 --> 00:06:55,143
Genial para el bolsillo, pero malísimo para los

179
00:06:55,143 --> 00:06:56,243
datos exactos.

180
00:06:56,503 --> 00:06:58,823
Comprimen y difuminan la información.

181
00:06:58,843 --> 00:06:59,543
Claro.

182
00:06:59,543 --> 00:07:01,843
Si necesitas el DNI exacto de un cliente

183
00:07:01,843 --> 00:07:03,383
que apareció en la página 3 de un

184
00:07:03,383 --> 00:07:05,703
PDF de mil páginas, Mamba ya lo ha

185
00:07:05,703 --> 00:07:08,403
comprimido tanto que es irrecuperable.

186
00:07:08,363 --> 00:07:09,723
Vale.

187
00:07:09,723 --> 00:07:12,003
¿Y qué me dices de la atención dispersa

188
00:07:12,003 --> 00:07:14,063
de modelos como DeepSeek?

189
00:07:14,283 --> 00:07:17,183
Tenían un indexador que decidía dónde mirar antes

190
00:07:17,183 --> 00:07:18,003
de leer.

191
00:07:18,003 --> 00:07:19,363
Parecía la solución.

192
00:07:19,343 --> 00:07:20,083
Parecía.

193
00:07:20,083 --> 00:07:21,323
Pero había trampa.

194
00:07:21,323 --> 00:07:23,503
El indexador previo tiene que evaluar cada bloque

195
00:07:23,503 --> 00:07:25,723
contra todos los demás para decidir si es

196
00:07:25,723 --> 00:07:26,743
relevante.

197
00:07:26,423 --> 00:07:28,363
Ah, o sea que el indexador en sí

198
00:07:28,363 --> 00:07:31,003
mismo seguía siendo ODN al cuadrado.

199
00:07:30,923 --> 00:07:31,683
Premio.

200
00:07:31,683 --> 00:07:33,863
Reducían la carga después, pero el cuello de

201
00:07:33,863 --> 00:07:36,043
botella seguía ahí al escalar a millones de

202
00:07:36,043 --> 00:07:36,283
tokens.

203
00:07:36,883 --> 00:07:39,123
Y aquí es donde entra SubQ y rompe

204
00:07:39,123 --> 00:07:40,323
la baraja.

205
00:07:40,323 --> 00:07:44,703
Su arquitectura se llama SSA, Atención Selectiva Subcuadrática,

206
00:07:44,703 --> 00:07:48,043
y afirman que escala de forma lineal.

207
00:07:47,943 --> 00:07:49,523
O de N puro y duro.

208
00:07:49,523 --> 00:07:51,783
Duplicas el texto, duplicas el coste.

209
00:07:51,783 --> 00:07:52,483
Ya está.

210
00:07:52,423 --> 00:07:55,643
Y dicen que lo logran con un enrutamiento

211
00:07:55,643 --> 00:07:57,343
dependiente del contenido.

212
00:07:56,863 --> 00:07:58,403
Exacto.

213
00:07:58,403 --> 00:08:00,903
No usan patrones fijos ni comprimen datos.

214
00:08:00,903 --> 00:08:04,023
La arquitectura SSA analiza el significado de cada

215
00:08:04,023 --> 00:08:06,567
bloque de información y sólo calcula la atención

216
00:08:06,567 --> 00:08:08,767
en las posiciones que realmente importan.

217
00:08:09,207 --> 00:08:11,467
Sin importar dónde estén en el texto.

218
00:08:11,507 --> 00:08:13,127
Da igual si están en la primera palabra

219
00:08:13,127 --> 00:08:14,947
o en la posición 10 millones.

220
00:08:14,867 --> 00:08:15,527
Pero espera, espera.

221
00:08:15,527 --> 00:08:18,287
Si el modelo decide saltarse partes del texto

222
00:08:18,287 --> 00:08:20,787
para ahorrar tiempo, ¿no corremos el riesgo de

223
00:08:20,787 --> 00:08:23,127
que se pierda la pista clave que estaba

224
00:08:23,127 --> 00:08:25,667
escondida justo en el párrafo más aburrido?

225
00:08:25,567 --> 00:08:27,967
Es la duda lógica, pero el SSA no

226
00:08:27,967 --> 00:08:30,767
da saltos a ciegas ni hace aproximaciones vagas.

227
00:08:30,947 --> 00:08:33,487
Restringe la atención exactamente a las posiciones que

228
00:08:33,487 --> 00:08:36,427
tienen señal basándose en el significado.

229
00:08:36,407 --> 00:08:37,947
O sea, sabe que ahí no hay nada

230
00:08:37,947 --> 00:08:38,847
relevante.

231
00:08:38,867 --> 00:08:39,727
Eso es.

232
00:08:39,727 --> 00:08:42,567
Mantiene lo que llaman una recuperación dispersa desde

233
00:08:42,567 --> 00:08:44,267
posiciones arbitrarias.

234
00:08:44,367 --> 00:08:47,327
Identifica matemáticamente que no hay correlación y bloquea

235
00:08:47,327 --> 00:08:49,707
el cálculo intensivo solo donde la certeza de

236
00:08:49,707 --> 00:08:51,547
irrelevancia es absoluta.

237
00:08:51,327 --> 00:08:53,427
Es como si en nuestro evento de networking

238
00:08:53,427 --> 00:08:56,187
masivo a cada invitado le pusiéramos un auricular

239
00:08:56,187 --> 00:08:58,327
que escanea todas las voces de la sala

240
00:08:58,327 --> 00:09:00,007
a la vez y le guía directo a

241
00:09:00,007 --> 00:09:02,307
la única persona que habla de su tema,

242
00:09:02,307 --> 00:09:04,067
ignorando el ruido del resto.

243
00:09:04,247 --> 00:09:04,627
Tal cual.

244
00:09:04,627 --> 00:09:07,567
Y cuando pasas eso a rendimiento informático, los

245
00:09:07,567 --> 00:09:08,567
datos asustan.

246
00:09:08,567 --> 00:09:11,227
A los 12 millones de tokens reducen el

247
00:09:11,227 --> 00:09:14,247
coste informático, los flops, casi mil veces frente

248
00:09:14,247 --> 00:09:15,787
a un transformer normal.

249
00:09:15,647 --> 00:09:17,387
Madre mía, mil veces.

250
00:09:17,307 --> 00:09:18,227
Mil veces.

251
00:09:18,227 --> 00:09:20,667
Y a un millón de tokens es 52,2

252
00:09:20,667 --> 00:09:22,447
veces más rápido que usar Flash Attention.

253
00:09:23,187 --> 00:09:26,007
Es que eso cambia la usabilidad por completo.

254
00:09:26,087 --> 00:09:28,547
Pasamos de mandar un documento enorme a la

255
00:09:28,547 --> 00:09:31,467
IA y prepararnos un café mientras piensa a

256
00:09:31,467 --> 00:09:33,827
tener respuestas instantáneas.

257
00:09:33,607 --> 00:09:34,547
Es un salto brutal.

258
00:09:35,347 --> 00:09:37,767
Pero claro, todo esto de la arquitectura SSA

259
00:09:37,767 --> 00:09:40,507
suena espectacular en la teoría matemática.

260
00:09:40,647 --> 00:09:42,147
La prueba de fuego es otra.

261
00:09:42,327 --> 00:09:44,747
De nada sirve una ventana de contexto gigante

262
00:09:44,747 --> 00:09:46,547
si la IA no sabe usarla.

263
00:09:46,067 --> 00:09:47,327
Exacto.

264
00:09:47,327 --> 00:09:49,607
Y por eso los investigadores hacen una distinción

265
00:09:49,607 --> 00:09:52,147
clave entre el contexto nominal y el contexto

266
00:09:52,147 --> 00:09:52,907
funcional.

267
00:09:52,947 --> 00:09:55,267
El contexto nominal es lo que cabe físicamente

268
00:09:55,267 --> 00:09:56,147
en el prompt, ¿no?

269
00:09:56,147 --> 00:09:58,327
Lo que te venden en marketing.

270
00:09:58,567 --> 00:09:59,147
Eso es.

271
00:09:59,147 --> 00:10:01,007
Te caben dos millones de tokens, ¿vale?

272
00:10:01,007 --> 00:10:01,807
Muy bien.

273
00:10:01,847 --> 00:10:04,107
Pero el contexto funcional es sobre lo que

274
00:10:04,107 --> 00:10:06,687
la IA realmente puede razonar de manera fiable

275
00:10:06,687 --> 00:10:08,747
sin inventarse cosas ni perderse.

276
00:10:08,387 --> 00:10:11,727
Y para demostrar su contexto funcional, SubQ se

277
00:10:11,727 --> 00:10:13,567
ha sometido a benchmarks muy duros.

278
00:10:13,987 --> 00:10:17,447
Por ejemplo, en el test RULER, a 128.000

279
00:10:17,447 --> 00:10:22,147
tokens, SubQ logra un 95% de precisión, superando

280
00:10:22,147 --> 00:10:24,507
a Opus 4.6, que se queda en un

281
00:10:24,507 --> 00:10:25,347
94,8.

282
00:10:25,707 --> 00:10:28,427
Sí, pero RULER es solo el calentamiento.

283
00:10:28,427 --> 00:10:31,507
La verdadera locura es el benchmark MRCR versión

284
00:10:31,507 --> 00:10:34,147
2, que evalúa el razonamiento a un millón

285
00:10:34,147 --> 00:10:35,147
de tokens.

286
00:10:35,067 --> 00:10:36,907
Que es la prueba más dura de razonamiento

287
00:10:36,907 --> 00:10:39,207
multisalto sobre fragmentos dispersos.

288
00:10:39,107 --> 00:10:41,327
Lo fascinante aquí es que estos benchmarks no

289
00:10:41,327 --> 00:10:43,567
son de buscar palabras claves sueltas.

290
00:10:43,647 --> 00:10:45,847
Son tareas donde la evidencia está rota en

291
00:10:45,847 --> 00:10:47,527
mil pedazos por todo el documento.

292
00:10:48,067 --> 00:10:50,267
Si el modelo falla al principio, corrompe toda

293
00:10:50,267 --> 00:10:51,167
la respuesta.

294
00:10:51,147 --> 00:10:53,127
Pues agárrate a los datos, porque la diferencia

295
00:10:53,127 --> 00:10:54,347
es abismal.

296
00:10:54,447 --> 00:10:56,707
En este test, a un millón de tokens,

297
00:10:56,707 --> 00:10:59,487
SubQ logra un 65,9%.

298
00:11:00,147 --> 00:11:03,607
Mientras tanto, Gemini 3.1 Pro se desploma a

299
00:11:03,607 --> 00:11:05,327
un 26,3%.

300
00:11:05,647 --> 00:11:08,987
Opus 4.7 saca un 32,2%.

301
00:11:09,147 --> 00:11:13,467
Y GPT-5.4 llega a un 36,6.

302
00:11:13,467 --> 00:11:17,627
O sea, SubQ prácticamente dobla a los mejores

303
00:11:17,627 --> 00:11:21,187
modelos densos del mercado en razonamiento complejo.

304
00:11:21,127 --> 00:11:23,327
Es que los transformers tradicionales se saturan por

305
00:11:23,327 --> 00:11:24,467
el ruido de fondo.

306
00:11:24,467 --> 00:11:26,487
SubQ aísla la señal tan bien que su

307
00:11:26,487 --> 00:11:27,827
cadena lógica no se rompe.

308
00:11:28,307 --> 00:11:30,167
Y en ingeniería de software real, en el

309
00:11:30,167 --> 00:11:33,907
SW Bench Verified, saca un 81,8%.

310
00:11:33,987 --> 00:11:35,747
Y aquí es donde la cosa se pone

311
00:11:35,747 --> 00:11:37,487
muy interesante.

312
00:11:37,487 --> 00:11:40,107
A ver, pregunta para quienes nos escuchan.

313
00:11:40,107 --> 00:11:43,307
¿Cuántas veces habéis subido un documento larguísimo a

314
00:11:43,307 --> 00:11:45,227
una IA y os ha devuelto un resumen

315
00:11:45,227 --> 00:11:46,727
súper genérico?

316
00:11:46,727 --> 00:11:49,207
¿O directamente se ha inventado un dato crucial

317
00:11:49,207 --> 00:11:51,487
porque perdió el hilo a mitad de camino?

318
00:11:51,607 --> 00:11:53,487
Esa amnesia es el pan de cada día

319
00:11:53,487 --> 00:11:54,527
en las empresas.

320
00:11:54,527 --> 00:11:56,887
Por primera vez vemos que el contexto funcional

321
00:11:56,887 --> 00:11:59,067
de verdad alcanza el contexto nominal.

322
00:11:59,687 --> 00:12:02,327
Todo esto suena muy bien en el laboratorio,

323
00:12:02,327 --> 00:12:04,247
pero ¿cómo se traduce al mundo real y

324
00:12:04,247 --> 00:12:05,287
al mercado?

325
00:12:05,367 --> 00:12:07,087
Porque SubQ ya no es un proyecto de

326
00:12:07,087 --> 00:12:08,027
investigación.

327
00:12:08,027 --> 00:12:08,327
No, no.

328
00:12:08,327 --> 00:12:11,530
Es una realidad comercial con una infraestructura masiva

329
00:12:11,530 --> 00:12:12,530
detrás.

330
00:12:12,471 --> 00:12:14,770
Hablemos de esa capacidad real.

331
00:12:15,030 --> 00:12:16,571
12 millones de tokens.

332
00:12:17,150 --> 00:12:19,571
Para hacernos una idea, eso equivale a cargar

333
00:12:19,571 --> 00:12:23,510
toda la biblioteca estándar de Python 3.13, que

334
00:12:23,510 --> 00:12:25,711
son unos 5 millones de tokens.

335
00:12:25,510 --> 00:12:28,071
O podrías meter 6 meses enteros de revisiones

336
00:12:28,071 --> 00:12:30,410
de código de React, que son 7 millones

337
00:12:30,410 --> 00:12:31,350
y medio.

338
00:12:31,150 --> 00:12:32,591
En un solo prompt.

339
00:12:32,591 --> 00:12:34,371
Y todavía te sobra espacio.

340
00:12:33,890 --> 00:12:35,311
Es alucinante.

341
00:12:35,270 --> 00:12:37,451
Pero entrenar algo así no debe ser nada

342
00:12:37,451 --> 00:12:38,010
fácil, ¿no?

343
00:12:38,150 --> 00:12:40,410
Han tenido que inventar casi una metodología nueva,

344
00:12:40,410 --> 00:12:41,951
en tres fases.

345
00:12:42,030 --> 00:12:45,610
Primero el pre-entrenamiento clásico, luego un ajuste fino

346
00:12:45,610 --> 00:12:48,931
supervisado, el SFT, para que aprenda a estructurar

347
00:12:48,931 --> 00:12:50,890
respuestas tan gigantescas.

348
00:12:50,811 --> 00:12:51,931
Y la tercera fase.

349
00:12:51,871 --> 00:12:54,130
El aprendizaje por refuerzo, o RL.

350
00:12:54,130 --> 00:12:56,150
Y esto es crucial para evitar que la

351
00:12:56,150 --> 00:12:57,990
IA se vuelva perezosa.

352
00:12:57,630 --> 00:12:58,871
¡Perezosa!

353
00:12:59,711 --> 00:13:01,350
Sí, cuando le metes millones de palabras a

354
00:13:01,350 --> 00:13:03,510
un modelo estadístico, tiende a mirar solo el

355
00:13:03,510 --> 00:13:05,850
principio y el final del texto y pasa

356
00:13:05,850 --> 00:13:07,431
olímpicamente del medio.

357
00:13:07,431 --> 00:13:10,311
Con el aprendizaje por refuerzo castigan algorítmicamente esa

358
00:13:10,311 --> 00:13:13,451
pereza, obligándola a buscar la evidencia esté donde

359
00:13:13,451 --> 00:13:14,171
esté.

360
00:13:14,471 --> 00:13:15,770
Increíble.

361
00:13:15,770 --> 00:13:17,770
Y ya tienen productos en la calle.

362
00:13:17,770 --> 00:13:20,971
Tienen la API de SubQ para empresas, tienen

363
00:13:20,971 --> 00:13:24,051
SubQ Code, que es un agente de programación

364
00:13:24,051 --> 00:13:27,211
que funciona en la terminal sobre repositorios enteros.

365
00:13:27,130 --> 00:13:29,591
Y SubQ Search, que es como un buscador

366
00:13:29,591 --> 00:13:31,850
interno corporativo, pero súper rápido.

367
00:13:31,870 --> 00:13:32,831
Claro.

368
00:13:32,831 --> 00:13:35,870
Y hay un respaldo corporativo muy fuerte detrás.

369
00:13:35,931 --> 00:13:38,890
Justin D'Angelo de CEO, Alex Whedon de CTO

370
00:13:38,890 --> 00:13:41,030
y un equipo de gente que viene de

371
00:13:41,030 --> 00:13:42,971
Meta, Google y Oxford.

372
00:13:42,331 --> 00:13:44,671
Y han levantado 29 millones de dólares en

373
00:13:44,671 --> 00:13:45,870
capital semilla.

374
00:13:45,971 --> 00:13:48,730
Inversores de OpenAI, de Antropic, el cofundador de

375
00:13:48,730 --> 00:13:48,931
Tinder.

376
00:13:49,510 --> 00:13:51,110
O sea, hay dinero serio apostando a que

377
00:13:51,110 --> 00:13:52,791
la era de la atención cuadrática se ha

378
00:13:52,791 --> 00:13:53,650
acabado.

379
00:13:52,671 --> 00:13:57,010
Entonces, a nivel práctico, ¿qué significa todo esto?

380
00:13:57,211 --> 00:13:59,211
Pues que estamos pasando de tratar a la

381
00:13:59,211 --> 00:14:01,791
IA como un buscador donde tienes que pedir

382
00:14:01,791 --> 00:14:04,030
las cosas a trocitos, a tener a un

383
00:14:04,030 --> 00:14:06,890
experto que puede descargarse toda la historia de

384
00:14:06,890 --> 00:14:08,951
tu empresa en el cerebro al instante.

385
00:14:09,171 --> 00:14:10,551
Al estilo Matrix, tal cual.

386
00:14:10,990 --> 00:14:11,510
Exacto.

387
00:14:11,510 --> 00:14:13,671
Yo me descargo el Kung Fu y la

388
00:14:13,671 --> 00:14:15,811
IA se descarga los últimos 20 años de

389
00:14:15,811 --> 00:14:16,390
contabilidad.

390
00:14:17,230 --> 00:14:18,730
Y lo que lo cambia todo es la

391
00:14:18,730 --> 00:14:20,331
viabilidad económica.

392
00:14:19,350 --> 00:14:22,370
Al escalar de forma lineal, el coste baja

393
00:14:22,370 --> 00:14:23,610
radicalmente.

394
00:14:23,630 --> 00:14:25,390
Hablamos de una quinta parte del coste de

395
00:14:25,390 --> 00:14:26,910
los líderes actuales.

396
00:14:26,931 --> 00:14:29,571
Proyectos que antes eran imposibles por presupuesto, ahora

397
00:14:29,571 --> 00:14:30,571
son el nuevo estándar.

398
00:14:30,951 --> 00:14:33,211
Esto plantea un escenario alucinante para el futuro

399
00:14:33,211 --> 00:14:34,890
del trabajo corporativo.

400
00:14:35,230 --> 00:14:36,331
Desde luego.

401
00:14:36,331 --> 00:14:38,390
Y esto plantea una pregunta importante.

402
00:14:38,571 --> 00:14:40,910
Si ahora tenemos modelos que no olvidan nada,

403
00:14:40,910 --> 00:14:42,870
que no pierden el contexto, y que pueden

404
00:14:42,870 --> 00:14:44,990
mantener el estado completo de un contrato masivo

405
00:14:44,990 --> 00:14:46,951
en su memoria a una fracción del coste,

406
00:14:47,910 --> 00:14:50,270
¿qué pasará con gran parte del trabajo humano

407
00:14:50,270 --> 00:14:53,711
que hoy consiste pura y exclusivamente en resumir,

408
00:14:53,711 --> 00:14:56,010
organizar y recordar el contexto a otros humanos

409
00:14:56,010 --> 00:14:58,030
en reuniones interminables?

410
00:14:59,370 --> 00:15:01,370
Uf, telita con esa pregunta.

411
00:15:01,571 --> 00:15:03,270
Nos deja mucho en lo que pensar para

412
00:15:03,270 --> 00:15:04,750
el futuro de las oficinas.

413
00:15:04,770 --> 00:15:05,750
Sin duda.

414
00:15:05,750 --> 00:15:06,331
Vienen curvas.

415
00:15:07,171 --> 00:15:09,650
Antes de despedirnos hasta el próximo programa, os

416
00:15:09,650 --> 00:15:11,510
informamos de que las voces que oyes han

417
00:15:11,510 --> 00:15:13,831
sido generadas por la IA de Notebook LM

418
00:15:13,451 --> 00:15:16,390
y que dirigiendo el podcast se encuentra Julio

419
00:15:16,390 --> 00:15:18,551
Pablo Vázquez, un humano que te envía saludos.

420
00:15:19,211 --> 00:15:21,870
En caso de error, probablemente sean errores humanos.

421
00:15:21,910 --> 00:15:22,990
Nos escuchamos.

422
00:15:33,870 --> 00:15:36,010
Y hasta aquí el episodio de hoy.

423
00:15:36,010 --> 00:15:37,591
Muchas gracias por tu atención.

424
00:15:47,350 --> 00:15:49,610
Esto es BIMPRAXIS.

425
00:15:49,610 --> 00:15:51,691
Nos escuchamos en el próximo episodio.

426
00:16:12,730 --> 00:16:12,791
¡Suscríbete al canal!