Cómo un equipo de treinta personas construyó un modelo abierto entre los cinco primeros del mundo

La historia arranca con el nombre que Corea del Sur dio a su apuesta por la inteligencia artificial. La iniciativa KAI, dirigido por el ministerio de Ciencia y TIC, construye una infraestructura de cómputo a gran escala para que el país pueda desarrollar sus propios modelos base. Esa capacidad, levantada sobre GPU de NVIDIA, se abre a los equipos seleccionados a través de socios locales de infraestructura y nube, de modo que puedan entrenar sin construir sus propios centros de datos. El objetivo declarado no es producir unos pocos modelos potentes, sino crear una base común de capacidades que llegue desde los servicios públicos hasta las empresas emergentes. El propio ministerio publica estos resultados de la segunda ronda en esa línea, en msit.go.kr.

El resultado práctico se ve en la trayectoria de Motif Technologies, invitada en el canal de desarrolladores de NVIDIA. Motif es un equipo de unas treinta personas, filial del fabricante de chips Moreh. La empresa entró en el programa por una convocatoria complementaria después de que Naver Cloud y NC AI fueran eliminados en enero de 2026; fue seleccionada en febrero de 2026 y recibió la misma asignación de cómputo que sus rivales, unos 768 GPU NVIDIA B200. Un equipo de unas treinta personas, con un presupuesto de 768 GPU y origen público, consiguió una puntuación independiente superior a la de las gamas de producto de las mayores empresas tecnológicas del mundo.

Desde cero, en cinco meses, con arquitectura propia

La estructura de parámetros de Motif-3 muestra un equilibrio interesante. El modelo tiene 314 mil millones de parámetros en total, pero activa unos 13.200 millones por token, seleccionando 8 expertos de 384 más un experto compartido. Así mantiene una gran capacidad de conocimiento mientras el coste de inferencia se mantiene cerca del de un modelo denso de 13 mil millones. Tiene 53 capas, una dimensión oculta de 4096, un vocabulario de 220.160 tokens y una ventana de contexto de 262.144 tokens. El preentrenamiento consumió unos 12,5 billones de tokens. Todos esos valores de arquitectura proceden de la ficha oficial del modelo publicada en huggingface.co. La parte más discutida de la arquitectura es la GDLA, atención latente diferencial agrupada. La atención multicabezal estándar tiene un problema conocido: los tokens irrelevantes acumulan un peso de atención desproporcionado y degradan la concentración del modelo. Motif combina ese mecanismo con una representación latente comprimida de claves y valores, buscando eliminar el ruido y sostener un contexto de 256K sin un coste de memoria proporcional. La ficha del modelo indica que el diseño se concibió desde cero, sin reparametrizar ninguna arquitectura de código abierto existente.

El postentrenamiento es igual de poco convencional. Tras un ajuste fino supervisado general, seis maestros especializados entrenados con aprendizaje por refuerzo, un maestro de ingeniería de software y una destilación multimaestro on-policy se combinan en un único modelo. La tabla de resultados de la ficha llama la atención sobre la longitud de las salidas: en la evaluación independiente, Motif-3 generó 190 millones de tokens de salida frente a una mediana de 61 millones entre sus pares. El modelo llega a sus respuestas hablando más, lo que sube la puntuación y el coste en la misma proporción. En esa misma fecha el modelo ocupaba el puesto 34 de 577 sistemas evaluados, frente a una mediana de 15; aiweekly.co recogió esa misma posición. Y un último detalle: recurrir a seis maestros especializados más un maestro aparte de ingeniería de software muestra que parte del presupuesto de entrenamiento se fue en enseñar en lugar de aprender. Para un equipo con recursos escasos es una apuesta inteligente: destilar el conocimiento de modelos ya fuertes en su propia arquitectura en vez de hacer crecer un modelo gigante desde cero. El secreto del éxito puede estar exactamente ahí.

Primero en un índice independiente, eliminado por el Estado

La firma de evaluación independiente Artificial Analysis otorgó a Motif-3 un 47 en su índice de inteligencia. Eso lo convierte en el mejor modelo de Corea del Sur, el noveno entre los grandes modelos de lenguaje del mundo y el cuarto entre los modelos de pesos abiertos. La empresa lo presenta además como la mejor puntuación alcanzada por un modelo desarrollado fuera de Estados Unidos y China. Sus rivales quedan por detrás en el mismo índice: el Solar Pro 4 de Upstage con 42, el A.X K2 de SK Telecom con 35 y el K-EXAONE 2.0 del LG AI Research Institute con 31. artificialanalysis.ai indica en su metodología que las pruebas agénticas y de código suman un 58 % del peso.

El resultado dentro del programa público es casi el contrario. La evaluación de la segunda ronda pondera las pruebas de referencia con 40 puntos, la evaluación experta con 35 y la de usuarios con 25, y esta última depende de un panel público de 200 personas. en.sedaily.com recoge el mismo reparto de puntos y el mismo orden de los rivales. Cuando el ministerio anunció los resultados el 18 de agosto, Upstage, SK Telecom y el LG AI Research Institute pasaron a la siguiente ronda, mientras Motif quedó eliminado por un margen muy estrecho. asiae.co.kr atribuye ese margen tan estrecho directamente al briefing ministerial. El ministerio lo atribuyó a unas puntuaciones de usabilidad bajas. Las características del modelo figuran en el anuncio oficial de msit.go.kr. El panel expertly premió lo que Motif hace mejor: tareas agénticas y programación, capacidades especializadas reunidas en un solo modelo.

Esa distancia resume la pregunta más difícil del sector. Un índice independiente mide lo que un modelo es capaz de hacer; una evaluación estatal mide lo que entrega a los ciudadanos. Un modelo que resuelve las tareas agénticas más difíciles puede obtener una mala nota como producto si su interfaz está sin pulir, su ajuste incompleto o su distribución sin resolver. Ahí es exactamente donde se quedó Motif. En retrospectiva, ese déficit parece más una carencia de producto que un fallo de arquitectura.

La decisión de licencia y su lugar en las clasificaciones

La versión beta publicada el 14 de julio tenía pesos descargables, pero con una licencia limitada a la investigación y los usos no comerciales. Con la llegada de la versión final en agosto la situación cambió: Motif-3-Base, el Motif-3 ajustado para instrucciones y la variante cuantizada NVFP4 se publican bajo licencia MIT, junto con el código de entrenamiento y las bibliotecas. MIT es el estándar más permisivo que existe. venturesquare.net señala que la empresa publicó los pesos y el código de entrenamiento bajo esa licencia, noveno puesto mundial. El cambio se lee mejor desde el otro lado: en julio una empresa emergente que quisiera usar el modelo comercialmente tenía que negociar con la compañía; en agosto esa puerta se abrió.

El calendario importa. Tres repositorios y un informe técnico aparecieron en cuestión de minutos, sin nota de prensa ni anuncio de la empresa. techtimes.com documentó esa publicación discreta y el número de repositorios. Un equipo de unas treinta personas que publica no solo los pesos sino también su código de entrenamiento y sus bibliotecas comparte una cadena de producción, no una simple versión. El resultado es un vivero creciente de desarrolladores independientes capaces de ejecutarlo en su propia infraestructura en cualquier parte del mundo. La crítica más fuerte a la puntuación de Motif es que el índice no contiene ninguna prueba en coreano. Las fuentes del sector señalan lo mismo, y ese hueco hace difícil verificar de forma independiente hasta qué punto el modelo es bueno en su propio mercado. motiftech.io afirma en su propio sitio que un modelo anterior superó a GPT-4 en KMMLU con 64,74. Más allá, hay una sospecha más amplia que recorre la industria mundial: puntuaciones infladas de forma deliberada con datos y postentrenamiento orientados a cada prueba. El debate apunta a la fiabilidad de la propia medición, no a una empresa concreta.

Los riesgos que el ranking no ve

También hay un conflicto de intereses que conviene considerar. Motif produjo uno de los mejores modelos de pesos abiertos del mundo con cómputo público y el mismo presupuesto que sus rivales. techtimes.com detalla toda la secuencia, incluida la asignación de 768 GPU. Sin embargo, el objetivo real del programa público no es premiar a una empresa, sino dotar al país de una capacidad común. El ministerio defiende su decisión exactamente con ese argumento: lo que se pierde es un modelo; lo que se gana es un ecosistema. El primer puesto en el ranking se convierte así en un argumento muy útil para cuestionar esa decisión. La valoración de Artificial Analysis a finales de agosto fue más allá y describió a Corea del Sur como un claro tercero tras Estados Unidos y China, no por una sola empresa, sino porque Motif, Upstage, SK Telecom, LG y actores ajenos al programa como Trillion Labs y KT superaron los 30 puntos a la vez. newsis.com recogió esa valoración atribuéndola a Artificial Analysis. La verdadera narración no es la victoria de una startup, sino la rapidez con la que la capacidad de construir modelos de un país se multiplicó.

Qué mide de verdad la firma de un equipo pequeño

La lección más honesta no es solo la eficiencia. Motif demostró un diseño realmente más eficiente, aprovechando 314 mil millones de parámetros acumulados con 13.200 millones activos, y eso es un logro de ingeniería verdadero. Pero el mismo equipo no pudo reproducir el rendimiento de producto de las gigantes con el mismo cómputo. Un ranking mide la inteligencia de un modelo; la industria mide la durabilidad de una organización. No son lo mismo.