Union Alpha y Laguna lideran una prueba incompleta

Qué reveló la primera ronda de pruebas

Aún no lo llamaría un ranking, pero el panorama inicial ya resulta interesante: Union Alpha y Laguna-S-2.1 rindieron mejor que las demás. La fuente primaria no es una ficha de modelo ni un benchmark estandarizado, sino las notas de un desarrollador publicadas en una discusión sobre una ejecución real que quedó sin terminar.

La prueba incluyó Union Alpha, Nex-N2.5-Pro, Dots-3-Note, Laguna-S-2.1, Cohere North-mini-code, Nemotron-3-Ultra, Gemma-4-31B y GLM-5.2. Esta última funcionó sin tool calling y con una ventana de contexto de 32K. La ejecución tuvo que interrumpirse por una tormenta y la desconexión de los ordenadores de la red eléctrica, por lo que los resultados solo reflejan el punto en el que se detuvo la prueba.

Union Alpha fue lenta, pero siguió funcionando. Laguna-S-2.1 parecía convincente en calidad, pero un proveedor inestable la perjudicó. Es una diferencia importante: en un escenario práctico, un modelo que responde algo peor pero está disponible de forma predecible puede ser más útil que uno más potente detrás de una API poco fiable.

Nex-N2.5-Pro recibió una valoración prudente como modelo prometedor. Cohere North-mini-code pareció débil, Dots-3-Note falló con contextos largos y no fue posible sacar conclusiones sobre Nemotron-3-Ultra debido a la inestabilidad de su proveedor. Gemma-4-31B y GLM-5.2 funcionaron mal en esta ronda, aunque no se analizaron sus causas por separado.

La discusión también planteó la hipótesis de que otro sistema, JEV, podría estar basado en Qwen 2.5 de 14B, y citó la ventana de 32K como indicio indirecto. Se trata de una reconstrucción OSINT, no de una arquitectura confirmada. El participante todavía no había probado JEV en ese momento.

Por qué la estabilidad importa más que una lista atractiva de modelos

La principal conclusión práctica es sencilla: una prueba así no mide solo la inteligencia del modelo, sino todo el recorrido hasta la respuesta. El proveedor, la latencia, la conservación de contextos largos y la disponibilidad de tool calling pueden alterar el resultado más que las diferencias en la calidad abstracta de generación.

Union Alpha gana esta ronda preliminar no por velocidad, sino porque siguió respondiendo. Laguna-S-2.1 parece una candidata sólida, pero su acceso inestable la vuelve arriesgada para tareas agentivas largas. Dots-3-Note ya mostró un límite más concreto: los problemas aparecen a medida que crece el contexto.

En la siguiente ronda, primero separaría los errores del modelo de los errores del proveedor y después repetiría las mismas tareas con una longitud de contexto fija. De otro modo, una API débil puede confundirse fácilmente con una LLM débil, y una buena respuesta ocasional con calidad sostenida.

No es un veredicto final, sino una instantánea útil de la realidad de ingeniería: un modelo se elige como parte de un sistema completo, y el nombre del endpoint suele decir menos que su comportamiento tras varias horas de trabajo.

Anteriormente comparamos herramientas gratuitas de IA para resumir reuniones según precisión, límites del plan gratuito y riesgo de alucinaciones. Esa evaluación complementa esta prueba de estrés al mostrar por qué las condiciones reales importan tanto como los resultados de los benchmarks.