← Volver al blog
Aiaprox. 8 min de lectura

Un modelo abierto de 397B ya maneja tu escritorio. El de 9B está solo nueve puntos atrás.

Publicado 7 nov 2026
Un modelo abierto de 397B ya maneja tu escritorio. El de 9B está solo nueve puntos atrás.

NorthCUA salió el 3 de noviembre con un conjunto de tres modelos de pesos abiertos y el harness que los ejecuta. El número que encabeza es Pro, un sistema mixture-of-experts de 397B parámetros que saca 88 en OSWorld-Verified, un benchmark donde un agente tiene que completar tareas de varios pasos dentro de un sistema operativo real: mover archivos, cambiar de aplicación, rellenar formularios, leer una pantalla y decidir dónde hacer clic después.

El número que debería recibir más atención es 78.9. Ese es Nano, con 9B parámetros.

Nueve puntos de diferencia en el benchmark para una diferencia de 44 veces en el tamaño del modelo. Mini queda en el medio, con 35B y 85 puntos. En WebArena-Verified, el benchmark de navegación en navegador, la dispersión es igual de estrecha.

Qué mide realmente el benchmark

OSWorld-Verified le da a un agente una tarea y una máquina virtual, y califica si el estado final coincide. Está más cerca del trabajo real que un examen de opción múltiple, y más lejos del trabajo real de lo que parece. Las tareas están bien especificadas, el entorno está limpio y nada inesperado interrumpe.

Un puntaje de 88 significa que alrededor del 12 por ciento de las tareas falla. Es un buen resultado para un sistema de investigación y un mal resultado para un producto que toca tus archivos. Si un agente se equivoca en una de cada ocho tareas, y algunas de esas fallas implican borrar lo que no era o hacer clic en el botón equivocado, nadie lo va a dejar solo en una laptop de trabajo.

Esa es la lectura honesta del lanzamiento, y hay que reconocerles a los autores que el informe técnico no lo vende de más. Tampoco publica puntajes absolutos para cada comparación, y presenta los resultados de los modelos cerrados como veredictos en lugar de tablas: Pro le gana a Qwen3.8-Max y a Kimi-K3 en OSWorld, Mini le gana a Kimi-K3, y en WebArena Mini le gana a Qwen3.8-Max mientras Pro les gana a los dos.

Esas son las evaluaciones de los propios autores en su propio conjunto de tareas. Tómalas como una afirmación, no como una posición en una tabla de posiciones.

Cómo se entrenó

Tres piezas, y los nombres son inusualmente literales.

Experience Flywheel aporta tareas ejecutables sacadas del uso real de aplicaciones. El punto es que las tareas vienen con ground truth, porque puedes verificar si la hoja de cálculo quedó bien llena.

El Harness sostiene una interacción larga: registra decisiones, devuelve observaciones y valida resultados en sesiones que duran mucho más que una sola ventana de contexto. Cada trayectoria se recolectó en un sandbox E2B aislado, lo que también significa que los datos de entrenamiento son reproducibles y que el modelo nunca vio una máquina real que pudiera romper.

Staged Learning es el calendario. Empieza con un mid-training de grounding, que le enseña al modelo cómo se ven un botón y un campo de texto. Después viene el ajuste fino supervisado de horizonte largo sobre trayectorias completas de tareas. Y después el aprendizaje por refuerzo conjunto en escritorio y web con Group-Relative Policy Optimization, la misma familia de métodos detrás de la mayoría de las mejoras recientes en modelos de razonamiento.

La escala es de más de 4 millones de pasos de interacción GUI en decenas de aplicaciones. Es mucho para datos de GUI y poco comparado con los corpus de texto detrás de un modelo de lenguaje de frontera, que es exactamente la condición bajo la cual gana la especialización.

La variante Ultrafast es la pieza más interesante

NorthCUA-Ultrafast combina selección directa de acción con generación, y corre sobre el modelo Nano de antes del RL. En términos simples, se salta el paso de razonamiento y mapea observación a acción mediante atajos aprendidos, y vuelve a pensar cuando el atajo no le da confianza.

El informe le atribuye una finalización promedio 2.3 veces más rápida en tareas de WebArena exitosas y emparejadas. Las mismas tareas, el mismo éxito, menos de la mitad del tiempo real.

Esa es la forma del problema de despliegue para los agentes computer-use, y no es la forma que la mayoría espera. La tasa de éxito se lleva la atención. La latencia es lo que determina si una persona va a mirar de verdad al agente trabajar o va a salir de la sala. Una tarea que tarda cuatro minutos y acierta el 85 por ciento de las veces es una herramienta. La misma tarea en 100 segundos es una función del producto.

También implica algo sobre dónde tiene que vivir la inteligencia. Si un modelo de 9B con atajos es casi tan bueno como un 397B que piensa mucho, entonces para una clase amplia de tareas de escritorio el cuello de botella nunca fue la profundidad del razonamiento. Era la calidad del grounding y la cobertura de datos, y esas son más baratas de mejorar.

Por qué los pesos abiertos importan aquí más que en otros lados

Un agente computer-use ve tu pantalla. Cada captura que toma puede contener el registro de un cliente, un campo de contraseña, un producto sin anunciar, un tablero interno. Mandar ese flujo a una API remota es una decisión de gobernanza de datos. Para muchas organizaciones es una decisión que no tienen permitido tomar.

Es en esa restricción de gobernanza, más que en la capacidad bruta, donde se vende este lanzamiento. Hospitales, bancos, contratistas de gobierno y manufactureras que quieren automatización de escritorio y no pueden hacer pasar las capturas de pantalla por un tercero ahora tienen tres tamaños para elegir, más el harness, y sin costo de licencia de software.

La guía práctica que se desprende es aburrida y correcta. Empieza con Nano en las tres tareas que haces más seguido: llenar un formulario, exportar un informe, mover datos entre dos aplicaciones. Si puede con esas, Mini aguanta el volumen de producción en una sola GPU de centro de datos. Pro existe para encontrar el techo, y si tu problema de techo no lo resuelve Pro, el problema es el diseño de tus tareas y no el modelo.

Tres tamaños es una decisión de precio

Lanzar 9B, 35B y 397B en una sola entrega es una manera de dejar que los clientes se ordenen solos.

Tres cubos de cerámica blanca mate de distintos tamaños sobre lino claro, con luz suave desde arriba.

9B parámetros caben en una laptop o una mini PC. Es la versión que puede correr un negocio pequeño en un país con salida de nube cara, y es la versión que hace que el lanzamiento sea relevante fuera de los pocos mercados de siempre. 35B caben en una GPU de centro de datos, que es el nivel donde va a aterrizar la mayoría de los despliegues de producción. 397B existe para establecer que la arquitectura escala, y para ser citado en el abstract.

El informe al estilo arXiv hace algo parecido con su evaluación. Se compara con modelos cerrados de un billón de parámetros en vez de con pares abiertos, porque la comparación que se cita es la que ganas. Un lector que quiera saber cómo le va a Nano contra un modelo de visión y lenguaje de 32B bien ajustado no lo va a encontrar aquí.

Nada de eso hace que los números estén mal. Los hace estrechos, y el movimiento útil para un comprador es ignorar el titular y probar el nivel que puede pagar.

La parte que nadie ha resuelto

Doce por ciento de fallas es una estadística. Detrás hay comportamientos concretos que todos los sistemas computer-use comparten.

Leen mal el estado. Un agente hace clic en una casilla que ya estaba marcada, y el paso siguiente asume que acaba de activarla. Pierden la noción de qué ventana tiene el foco. Repiten una acción que tuvo éxito parcial y duplican el efecto. Y no tienen concepto de irreversibilidad, así que la misma confianza aplica para abrir un menú y para pulsar enviar en un correo a cuatrocientas personas.

Nada en este lanzamiento aborda eso. La mitigación es arquitectónica: correr al agente en un contenedor, tomar un snapshot antes de cada paso irreversible, exigir confirmación humana en una lista definida de acciones y registrar cada clic con captura de frame para que una falla se pueda diagnosticar.

Los pesos abiertos hacen que esa arquitectura sea más barata de construir, y ese es el argumento real a su favor. Una API cerrada te obliga a confiar en la capa de seguridad del proveedor. Un checkpoint abierto te deja poner tu propia cerca alrededor.

Los nueve puntos entre 9B y 397B dicen algo sobre los próximos dos años de este mercado. Los modelos van a mejorar despacio, y los productos se van a construir alrededor del nivel que sea suficientemente bueno a un costo que cuadre. Si Nano ya es suficientemente bueno para tu flujo de trabajo hoy, la ingeniería interesante está en el harness que construyes alrededor del modelo que ya tienes.

Artículos relacionados