RespuestasPublicado20 fuentes
StartLux: un modelo de 27B queda segundo en la prueba MCP de CAICT y pone en duda la carrera por los parámetros
StartLux V1.0 27B Preview quedó segundo en la prueba MCP de CAICT con 39,25 puntos, apenas 1,30 por debajo del DeepSeek V4 Pro de 1,6 billones de parámetros. El modelo de 27.000 millones de parámetros superó al DeepSeek V4 Flash 0731 de 284.000 millones y al Step 3.7 Flash de 198.000 millones; además, lideró la nave...
Publicado porEditado con GPT-5.6 LunaImágenes generadas con GPT Image 1.5
Respuesta de investigación
Conclusiones clave
- StartLux V1.0 27B Preview quedó segundo en la prueba MCP de CAICT con 39,25 puntos, apenas 1,30 por debajo del DeepSeek V4 Pro de 1,6 billones de parámetros.
- El modelo de 27.000 millones de parámetros superó al DeepSeek V4 Flash 0731 de 284.000 millones y al Step 3.7 Flash de 198.000 millones; además, lideró la navegación por ubicación y obtuvo buenos resultados en automat...
- La prueba refuerza la importancia de medir el uso fiable de herramientas, el coste de despliegue, la privacidad y la finalización de tareas, en lugar de fijarse únicamente en el número de parámetros.
Prompt de IA
openai.comCreate a landscape editorial hero image for this Studio Global article: How did Shanghai-based StartLux’s StartLux-V1.0-27B-Preview, a 27-billion-parameter model built on Qwen3.6-27B with targeted post-training a. Article summary: StartLux-V1.0-27B-Preview was a notable outlier in CAICT’s MCP special test: it placed second overall with a 39.25 score despite having 27 billion parameters. It trailed the 1.6-trillion-parameter DeepSeek-V4-Pro by 1.30. Topic tags: general, general web, user generated, documentation. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks,
El modelo local StartLux-V1.0-27B-Preview, desarrollado por la empresa Shanghai StartLux, se ha convertido en uno de los argumentos más claros a favor de los modelos compactos para agentes. En la prueba especial de MCP del referente de inteligencia artificial confiable de la Academia China de Tecnología de la Información y las Comunicaciones (CAICT), obtuvo 39,25 puntos y el segundo puesto general, solo 1,30 puntos por detrás del DeepSeek-V4-Pro, un modelo de 1,6 billones de parámetros. 10
3
El resultado no significa que un modelo de 27.000 millones de parámetros haya superado en términos generales a los sistemas de escala billonaria. Sí indica que un modelo más pequeño, optimizado para llamar a herramientas y ejecutar procesos de varios pasos, puede competir con modelos mucho mayores cuando la evaluación se centra en el comportamiento práctico de un agente.
Qué midió la prueba MCP de CAICT
La evaluación cubrió seis tareas especializadas: navegación por ubicación, búsqueda web, automatización de navegadores, análisis financiero, gestión de repositorios de código y diseño 3D. A ellas se sumó una valoración global, con un total de siete apartados. El examen se centró en la colaboración entre varias herramientas, la ejecución de tareas complejas y la interacción con entornos reales; los informes publicados señalan que la media se calculó a partir de tres pruebas completas. 10
7
Este matiz es importante. Una prueba de MCP —el Model Context Protocol, un estándar para conectar modelos con herramientas y fuentes de contexto— no equivale a una clasificación general de modelos lingüísticos. Evalúa si un sistema puede interpretar un objetivo, elaborar un plan, elegir las herramientas adecuadas y completar una operación.
Para una empresa que quiere desplegar agentes, esa capacidad puede ser más relevante que responder correctamente a preguntas aisladas de conocimiento o razonamiento.
Cómo quedó frente a modelos mucho más grandes
La clasificación global publicada sitúa a StartLux por delante de varios modelos con una cantidad de parámetros muy superior:
- StartLux-V1.0-27B-Preview: 27.000 millones de parámetros; 39,25 puntos.
- DeepSeek-V4-Pro: 1,6 billones de parámetros; primer puesto, 1,30 puntos por delante.
- DeepSeek-V4-Flash-0731: 284.000 millones de parámetros; 38,24 puntos, por detrás de StartLux.
- Step-3.7-Flash: 198.000 millones de parámetros; también quedó por debajo de StartLux.
Según los informes citados, StartLux también superó en 5,34 puntos a su modelo de comparación del mismo tamaño, Qwen-3.6-27B. El conjunto de modelos evaluados incluía además AgentCPM-Explore, pero las fuentes disponibles no ofrecen puntuaciones globales fiables para cada uno de esos sistemas. 2
3
10
El modelo destacó especialmente en tareas prácticas de agentes. Quedó primero en navegación por ubicación y, según los resultados divulgados, empató o se impuso al DeepSeek-V4-Pro en automatización de navegadores y análisis financiero. 4
6
7
Un dato relevante, pero no una sentencia contra los modelos grandes
La lectura más sólida es la de la eficiencia de parámetros, no la del fin de la escala. Los modelos grandes todavía pueden ofrecer capacidades más amplias, un mejor rendimiento en tareas difíciles y mayor margen para el razonamiento avanzado.
Lo que sugiere la prueba de CAICT es que el posentrenamiento y la especialización pueden tener un efecto enorme cuando la evaluación premia la ejecución fiable de un flujo de trabajo. StartLux presenta su sistema como un modelo de agentes desplegable localmente y atribuye parte de su enfoque a un proceso de investigación automatizada denominado “AI trains AI”. Esas son explicaciones de la empresa: la prueba respalda el rendimiento observado, pero no demuestra por sí sola qué métodos de entrenamiento lo causaron.
La conclusión más prudente es más limitada: la optimización específica para el uso de herramientas, la planificación y la finalización de tareas puede reducir considerablemente la distancia frente a modelos mucho más grandes en determinados escenarios empresariales.
Qué puede cambiar con el despliegue local
Un modelo de 27.000 millones de parámetros resulta, en principio, mucho más viable para una infraestructura privada que uno de 1,6 billones, especialmente si se dispone de una versión cuantizada y del hardware adecuado. Esto puede ser atractivo para organizaciones que ejecutan agentes de forma repetitiva y a gran volumen:
- Control de los datos: las instrucciones sensibles y los resultados de las herramientas pueden permanecer dentro del entorno de la empresa, en lugar de enviarse a una API externa.
- Control de costes: la inferencia de alto volumen puede reducir algunos pagos recurrentes por consulta, aunque el coste total debe incluir hardware, electricidad, operación e ingeniería.
- Latencia y disponibilidad: una instalación local puede reducir la dependencia de la conectividad y de la capacidad disponible en los servidores de un proveedor.
- Personalización: la empresa puede adaptar las herramientas, las políticas y las evaluaciones a un flujo de trabajo concreto.
No son garantías automáticas. El despliegue local también traslada al cliente la responsabilidad de comprar y mantener el hardware, actualizar el modelo, gestionar permisos, conservar registros, monitorizar el sistema y protegerlo frente a incidentes. Un modelo más pequeño puede ser más fácil de ejecutar sin ser necesariamente más sencillo de gobernar.
StartLux forma parte de una tendencia más amplia
El mercado está generando cada vez más modelos que priorizan la eficiencia frente al número máximo de parámetros. NVIDIA describe Nemotron 3.5 Lightning como un modelo abierto de mezcla de expertos de 30.000 millones de parámetros, con solo 3.000 millones activos, diseñado para la ejecución de alto volumen en agentes que permanecen activos. La documentación de NVIDIA también recoge variantes de Gemma 4 de 12.000 y 31.000 millones de parámetros. 25
26
Fuentes secundarias y catálogos de modelos sitúan asimismo a Muse Glimmer, de Meta, dentro de la categoría de agentes locales, aunque la evidencia disponible aquí no permite verificar de forma independiente la documentación original de lanzamiento de Meta. 27
33
Sin necesidad de exagerar el papel de un modelo concreto, el patrón es evidente: los desarrolladores están optimizando cada vez más los parámetros activos, el rendimiento, la cuantización, la fiabilidad de las llamadas a herramientas y la operación en equipos propios.
Qué deberían medir ahora los compradores empresariales en China
El resultado de StartLux podría impulsar una estrategia de adquisición más segmentada:
- Modelos compactos privados o locales para flujos sensibles, repetitivos y de gran volumen.
- Modelos avanzados en la nube para tareas amplias, poco frecuentes o excepcionalmente difíciles, en las que la capacidad máxima pese más que la sencillez de despliegue.
- Evaluaciones del flujo completo, que incluyan precisión de las llamadas a herramientas, recuperación ante errores, tasa de finalización, rendimiento en chino, adaptación al sector, latencia y coste operativo.
- Gobernanza antes del lanzamiento, con controles sobre permisos, conservación de datos, observabilidad, actualizaciones del modelo y escalado a supervisión humana.
Este enfoque sustituye una pregunta poco útil —“¿qué modelo tiene más parámetros?”— por otra mucho más práctica: “¿qué modelo completa este trabajo de forma fiable, con un coste y un riesgo aceptables?”
La carrera por los parámetros se convierte en una carrera por los flujos de trabajo
StartLux-V1.0-27B-Preview no ha terminado con la competencia entre modelos pequeños y grandes. Lo que ha hecho es volver más difícil ignorar el equilibrio entre ambos. Un modelo compacto que funciona bien en tareas reales mediadas por herramientas puede ser una compra empresarial más conveniente que uno mucho mayor cuando las prioridades son la privacidad, un coste predecible, la baja latencia y el despliegue privado.
La siguiente etapa de la compra de inteligencia artificial probablemente no consistirá en elegir un único ganador universal, sino en ajustar el tamaño del modelo y el modo de despliegue al trabajo concreto. En ese mercado, los 39,25 puntos de StartLux importan no porque vuelvan irrelevante el número de parámetros, sino porque muestran cuánta capacidad puede concentrarse en un sistema lo bastante pequeño como para plantearse su operación local.
Studio Global AI
Continúe su investigación
Esta página incluye una respuesta respaldada por fuentes que puede continuar dentro de Studio Global.
La gente también pregunta
¿Cuál es la respuesta corta a "StartLux: un modelo de 27B queda segundo en la prueba MCP de CAICT y pone en duda la carrera por los parámetros"?
StartLux V1.0 27B Preview quedó segundo en la prueba MCP de CAICT con 39,25 puntos, apenas 1,30 por debajo del DeepSeek V4 Pro de 1,6 billones de parámetros.
¿Cuáles son los puntos clave a validar primero?
StartLux V1.0 27B Preview quedó segundo en la prueba MCP de CAICT con 39,25 puntos, apenas 1,30 por debajo del DeepSeek V4 Pro de 1,6 billones de parámetros. El modelo de 27.000 millones de parámetros superó al DeepSeek V4 Flash 0731 de 284.000 millones y al Step 3.7 Flash de 198.000 millones; además, lideró la navegación por ubicación y obtuvo buenos resultados en automat...
¿Qué debo hacer a continuación en la práctica?
La prueba refuerza la importancia de medir el uso fiable de herramientas, el coste de despliegue, la privacidad y la finalización de tareas, en lugar de fijarse únicamente en el número de parámetros.