dots3-note preview no es solo un lanzamiento de modelo: es la apuesta de Xiaohongshu por controlar la infraestructura de IA

La publicación de dots3-note preview por parte de Xiaohongshu —la plataforma china de contenidos sobre estilo de vida, compras y recomendaciones— tiene un alcance estratégico mayor que el del propio modelo. La compañía parece estar pasando de aplicar IA en funciones concretas, como la búsqueda, la clasificación y la recomendación, a construir una capa de inteligencia general que pueda sostener asistentes, comprensión multimodal y futuros flujos para creadores y comercio.

Eso no convierte a dots3-note preview en el nuevo líder universal de la IA. La lectura más sólida es otra: Xiaohongshu está desarrollando un modelo suficientemente capaz para sus datos y recorridos de usuario, lo bastante eficiente para desplegarlo a gran escala y suficientemente abierto como para atraer pruebas, herramientas y aplicaciones externas.

Qué es dots3-note preview

Dots3-note preview es el primer modelo público de la familia dots3 de Xiaohongshu. Utiliza una arquitectura de mezcla de expertos (MoE, por sus siglas en inglés) con 280.000 millones de parámetros totales, aunque activa 16.000 millones por token. Admite hasta 512.000 tokens de contexto y puede recibir texto, imágenes, vídeo y audio como entrada para generar texto. 249

La diferencia entre parámetros totales y activos es importante. Un modelo MoE puede disponer de un gran conjunto de pesos especializados sin utilizarlo completo para cada token. Así, Xiaohongshu puede buscar una capacidad amplia manteniendo cada ejecución de inferencia por debajo del coste de un modelo denso que activara los 280.000 millones de parámetros en todo momento.

El modelo también está orientado al razonamiento complejo y a tareas de agentes de larga duración. Las descripciones públicas destacan la búsqueda en varios turnos y la ejecución de tareas a través de distintas etapas, no solo las respuestas breves a preguntas. 12 Es un enfoque que encaja con una plataforma basada en publicaciones, imágenes, vídeos, reseñas y decisiones que suelen desarrollarse paso a paso.

Por qué esta arquitectura encaja con Xiaohongshu

Una decisión cotidiana sobre estilo de vida rara vez consiste en una sola consulta. Un usuario puede querer comparar destinos, evaluar productos, interpretar ejemplos visuales, contrastar recomendaciones de la comunidad y finalmente elegir una opción. En principio, un modelo multimodal con una ventana de contexto de 512.000 tokens podría mantener una mayor cantidad de esas evidencias en un mismo espacio de trabajo.

El recorrido potencial sería algo así:

1. localizar publicaciones o productos relevantes;
2. comparar afirmaciones, imágenes y experiencias de usuarios;
3. resumir las ventajas y desventajas; y
4. ayudar al usuario a avanzar hacia una acción.

Esto es una inferencia a partir de las capacidades y objetivos de evaluación declarados para el modelo, no una prueba de que Xiaohongshu ya haya convertido cada paso en una función disponible para el público. El cambio estratégico está en el alcance previsto: la IA deja de ser un componente limitado a ordenar o recomendar contenido y pasa a ser una capa capaz de conectar descubrimiento, interpretación y acción.

La familia dots3 apunta a una infraestructura, no a un experimento aislado

El propio nombre dots3-note preview sugiere una estrategia de cartera. Xiaohongshu ha descrito variantes previstas llamadas jazz y aria, con una familia diseñada para cubrir distintos puntos de equilibrio entre capacidad, latencia y coste. 18

Esta estructura resulta útil para una gran plataforma de consumo. Un modelo más rápido y barato puede encargarse de interacciones de gran volumen, mientras que las variantes más exigentes se reservan para el razonamiento complejo, el análisis multimodal o los agentes que trabajan durante más tiempo. Una familia de modelos también permite ajustar el tamaño a la economía de cada producto, en lugar de enviar todas las tareas a un único sistema pesado.

En ese sentido, el lanzamiento no trata tanto de colocar un mismo modelo en todas partes como de crear una plataforma interna reutilizable para varios productos.

¿Por qué abrirlo con licencia Apache 2.0?

Xiaohongshu publicó el modelo bajo la licencia permisiva Apache 2.0 y lo puso a disposición a través de Hugging Face y GitHub. 239 Esto reduce las barreras para que investigadores y desarrolladores lo estudien, ejecuten, modifiquen e integren en productos comerciales, siempre de acuerdo con las condiciones de la licencia.

Para Xiaohongshu, las ventajas son prácticas además de reputacionales:

• Evaluación externa: usuarios independientes pueden probar fallos y cargas de trabajo reales que quizá no aparezcan en las pruebas internas.
• Comentarios sobre el despliegue: los desarrolladores pueden detectar cuellos de botella y mejorar las integraciones con marcos de servicio y distintos tipos de hardware.
• Crecimiento del ecosistema: ajustes especializados, herramientas y aplicaciones pueden ampliar el alcance del modelo más allá de los productos propios de Xiaohongshu.
• Reclutamiento y credibilidad: una publicación utilizable ofrece a los investigadores algo concreto que evaluar y sobre lo que construir.

Los repositorios y materiales públicos incluyen rutas de despliegue y distintas opciones de checkpoint, por lo que se trata de un lanzamiento operativo y no únicamente de un anuncio de investigación. 34

Tener los pesos disponibles no demuestra automáticamente calidad, seguridad ni preparación para producción. Lo que sí hace es facilitar que terceros examinen esas propiedades. La distinción es especialmente importante en un modelo preliminar: sus evaluaciones públicas son indicios de capacidad, no un veredicto independiente y completo.

La compatibilidad inmediata con Huawei Ascend apunta a la portabilidad

El lanzamiento también incluyó una adaptación para hardware Huawei Ascend desde el mismo día. 115 Esto sugiere que la portabilidad de hardware forma parte de la estrategia y no es una consideración de última hora.

Para una plataforma china, poder funcionar más allá de un único ecosistema de aceleradores puede aumentar la flexibilidad de despliegue, la resiliencia de la cadena de suministro y la viabilidad de usos domésticos o locales. Por sí sola, esa compatibilidad no demuestra que el modelo sea más capaz que sus competidores. Sí muestra que Xiaohongshu está pensando en dónde se ejecutará el modelo y quién podrá adoptarlo.

¿Por qué crear un modelo propio si ya existen modelos de terceros?

Los modelos externos pueden ofrecer capacidades generales muy sólidas, pero una plataforma como Xiaohongshu posee activos que un proveedor genérico no controla por completo: su propio contenido multimodal, las búsquedas y acciones de guardado de los usuarios, las convenciones de su comunidad de creadores y los procesos específicos mediante los que las personas toman decisiones sobre estilo de vida.

Controlar la capa del modelo puede dar a Xiaohongshu más margen para:

• adaptarlo a su contenido y terminología;
• controlar el coste de inferencia con un volumen muy elevado de consultas;
• ajustar la latencia y acelerar la evolución de los productos;
• definir sus propias decisiones de privacidad y seguridad; y
• reducir la dependencia del precio, la disponibilidad o la hoja de ruta de otro proveedor.

La plataforma también cuenta con un canal de distribución directo. Distintos reportes sitúan su audiencia en más de 300 millones de usuarios mensuales, lo que ofrece a una familia de modelos exitosa un entorno amplio para probarse e integrarse. 115 El rendimiento comercial no está garantizado, pero la lógica estratégica es clara: si la IA se convierte en la interfaz principal para descubrir información sobre estilo de vida y actuar a partir de ella, la plataforma que controle tanto el ecosistema de contenidos como la capa de inteligencia podría conservar una mayor parte del valor generado.

Cómo encaja en la carrera de modelos de las plataformas chinas

Xiaohongshu se suma a una tendencia más amplia: las grandes plataformas tecnológicas chinas están desarrollando modelos fundacionales junto con productos de consumo, servicios en la nube y ecosistemas de hardware. ByteDance ha desarrollado la familia Doubao, Alibaba ha creado Qwen y Reuters ha documentado la competencia entre empresas chinas de IA y sus estrategias de modelos abiertos o de bajo coste. 171819

El panorama de modelos fundacionales de China elaborado por IDC también enumera iniciativas vinculadas con Alibaba, Baidu, ByteDance, Tencent y otras grandes compañías tecnológicas. 21 La lógica común es la integración vertical: un modelo propio puede conectar datos, distribución, infraestructura y comunidad de desarrolladores de forma más estrecha que una API externa.

El punto de entrada particular de Xiaohongshu es la toma de decisiones basada en contenidos y estilo de vida. Alibaba parte de sus fortalezas en comercio y nube; Baidu, de la búsqueda y los servicios empresariales; ByteDance combina una enorme distribución entre consumidores con sus propios esfuerzos en modelos; y Tencent aporta grandes ecosistemas sociales y de plataforma. Los productos y capacidades exactos varían, pero la dirección estratégica es parecida: los modelos fundacionales están convirtiéndose en infraestructura central, no en simples funciones opcionales de una aplicación.

La conclusión real

Dots3-note preview no necesita desplazar a los principales modelos de frontera para ser relevante. Su importancia está en la combinación de escala, activación dispersa, contexto largo, comprensión multimodal, licencia abierta y portabilidad de hardware.

En conjunto, estas decisiones muestran que Xiaohongshu intenta controlar la capa que estará por debajo de sus futuros productos. La compañía se prepara para un escenario en el que los usuarios no se limiten a buscar información sobre estilo de vida o desplazarse por recomendaciones. En su lugar, podrían pedir a un sistema de IA que interprete contenidos, compare posibilidades y les ayude a tomar una decisión a lo largo de varios pasos.

Por eso, el lanzamiento se entiende mejor como una apuesta de infraestructura: un modelo capaz, pero no presentado como universalmente dominante; abierto a la evaluación externa; y estrechamente alineado con los datos y flujos de trabajo de la plataforma que lo ha creado.