Actualidad

Inteligencia Artificial

Alibaba lanza Qwen4-Max con 2,4 billones de parámetros

El nuevo modelo de Alibaba es cerrado, cuesta un 67% menos por tarea que su predecesor y filtra el entrenamiento para quitar capacidades ofensivas.

Alibaba lanza Qwen4-Max con 2,4 billones de parámetros
Alibaba lanza Qwen4-Max con 2,4 billones de parámetros

Alibaba presentó el 16 de noviembre de 2026 su modelo Qwen4-Max, una pieza cerrada de 2,4 billones de parámetros con la que la compañía china quiere competir en la gama alta sin renunciar a la narrativa de seguridad. El anuncio llegó con dos argumentos que rara vez aparecen juntos: un precio por tarea mucho más bajo que el de su predecesor y un filtro deliberado del entrenamiento para que el modelo no sepa atacar sistemas.

El dato de tamaño lo sitúa cerca de Kimi K3, el modelo de 2,8 billones que hasta ahora marcaba la referencia china y que sirve de comparación para cualquier lanzamiento del país. La diferencia de escala no explica el rendimiento, y Alibaba no la usa como argumento principal. Su discurso se apoya en el coste y en las salvaguardas, que son las dos variables que deciden la adopción en empresas.

En la evaluación preliminar de Arena.ai, Qwen4-Max aparece como el primer modelo chino de la clasificación general y el quinto del mundo, por detrás de las propuestas de Anthropic, Google, OpenAI y Meta. Esa posición describe una brecha que se estrecha y que no se cierra, y ayuda a entender por qué Alibaba compite por precio en lugar de por primera posición.

Un modelo extremadamente potente y versátil

Los pesos no están disponibles, así que nadie puede ejecutar Qwen4-Max en su propio equipo ni ajustarlo con datos propios. La red troncal tiene 2,4 billones de parámetros, una cifra que mide el tamaño del modelo y no su calidad, porque el entrenamiento y los datos importan tanto como la escala. La compañía no ha publicado la arquitectura completa ni el número de tokens usados.

Las capacidades que anuncia son las de un modelo generalista con orientación profesional, y la lista cubre desde el modelado en tres dimensiones hasta el descubrimiento científico, pasando por el desarrollo de videojuegos y la sanidad. Cada una de esas áreas exige herramientas y datos distintos, y un modelo que dice cubrirlas todas suele rendir de forma desigual en la práctica.

El precio es el argumento más concreto y el único que se puede comparar sin discutir metodologías, aunque la cifra exacta depende del medio: InfoWorld habla de un 62 por ciento y Alibaba llegó a presentar el recorte como un 60 por ciento. Artificial Analysis sitúa el coste por tarea de su índice de inteligencia en 3,27 dólares, un 67 por ciento menos que los 10,02 dólares de Qwen3.8-Max. La bajada combina una reducción de tarifa con un menor consumo de tokens para resolver la misma tarea, y esa segunda parte es la que de verdad cambia la economía de un producto.

Alibaba no detalla cuántos de esos tokens se gastan en razonamiento interno, un dato que importa a quien factura por uso. Un modelo que piensa más puede ser más barato por tarea y más caro por minuto de espera, y la decisión depende de qué se mida.

El filtro de ciberseguridad

La parte del anuncio que más atención va a recibir es la del entrenamiento filtrado. Alibaba afirma que eliminó de los datos de entrenamiento las capacidades ofensivas de ciberataque y conservó las defensivas, como la detección y corrección de vulnerabilidades. La empresa sostiene que una revisión interna concluyó que la capacidad defensiva mejoró de forma sustancial.

Ese tipo de filtrado no es nuevo. Los laboratorios llevan tiempo aplicando técnicas de rechazo y de curaduría de datos para evitar que un modelo escriba exploits o malware. Lo que cambia aquí es la presentación: en lugar de hablar de alineamiento, Alibaba vende una ventaja competitiva, porque un modelo que no puede atacar es más fácil de aprobar en un departamento de seguridad.

El problema de estos filtros es que la capacidad no se elimina, se restringe. Un modelo con conocimiento de redes puede razonar sobre una vulnerabilidad aunque se le pida hacerlo desde el lado defensivo, y la línea entre explicar un fallo y explotarlo es fina. Las pruebas públicas que se hacen para medir esa frontera suelen quedarse cortas.

La otra duda es la verificabilidad. Sin pesos publicados, nadie fuera de Alibaba puede comprobar qué se eliminó del entrenamiento ni cómo se midió la mejora defensiva. El usuario compra una declaración, y en ciberseguridad una declaración sin auditoría independiente vale lo que vale la reputación del fabricante.

La comparación entre modelos se ha vuelto una conversación sobre facturas, y eso cambia el criterio con el que se elige una herramienta en un equipo que no puede pagar una prueba de tres meses.

¿Qué significa para el mercado de los modelos?

La competencia se ha desplazado del tamaño al coste por tarea, y ese cambio favorece a los proveedores que controlan su propia infraestructura. Los modelos de primera línea cuestan entre diez y veinte veces más que sus alternativas, y esa diferencia no se justifica en la mayoría de los casos de uso empresariales, donde la calidad exigida es buena y no máxima. Un modelo que resuelve el 90 por ciento de las tareas a un tercio del precio gana más contratos que el que resuelve el 95 por ciento a precio completo.

Ese movimiento ya se vio con el modelo barato de Meta para ejecutar agentes hace unos días, y con la familia de modelos abiertos que se ejecutan en local y compiten por coste con las interfaces comerciales. La diferencia de Qwen4-Max es que llega con la marca de un gigante de la nube, y esa marca abre puertas en empresas que no compran modelos a un laboratorio desconocido.

Para los equipos que construyen agentes, el precio por tarea es la variable que decide la arquitectura. Un agente que consulta diez herramientas y razona tres veces consume mucho más que una respuesta simple, y el coste se multiplica por cada paso. Un modelo un 67 por ciento más barato permite diseñar agentes más ambiciosos sin que la factura se descontrole.

La contrapartida es la dependencia. Elegir un modelo cerrado de un proveedor extranjero ata el producto a sus precios y a sus políticas, y los cambios de términos llegan sin aviso. Las empresas que construyen sobre una única interfaz lo saben y conviven con ello.

Lo que no dice el anuncio

Alibaba no publica datos de latencia ni de disponibilidad por región, dos cifras que deciden si el modelo sirve para un producto en producción. Tampoco detalla los límites de uso ni las condiciones de retención de datos de su interfaz, que son la primera pregunta de cualquier cliente europeo.

La evaluación de Arena.ai es preliminar, como la propia plataforma indica. Las clasificaciones se mueven cuando llegan más votos y cuando los modelos se prueban en tareas distintas de las habituales. Un quinto puesto hoy puede ser un octavo en dos semanas sin que el modelo haya cambiado.

El tercer silencio es el de la capacitación. Qwen4-Max es cerrado y se ofrece por API, lo que significa que el cliente paga por uso y no puede ajustar el modelo a su dominio. Para finanzas o derecho, donde el vocabulario y las reglas son específicos, esa limitación obliga a construir una capa de recuperación de documentos que encarece el producto final.

Ninguno de esos silencios es una acusación, y los tres son preguntas que un comprador debería hacer antes de firmar. El anuncio no las responde porque no forman parte de su argumento.

El modelo como producto de consumo masivo

La industria ha pasado en dos años de vender capacidad a vender precio. Los lanzamientos se comparan por dólares por millón de tokens y por puestos en una tabla, y esa competencia beneficia a quien compra y presiona a quien investiga. El margen se desplaza hacia la infraestructura y hacia los datos propietarios.

Para el usuario, la consecuencia es que la elección de modelo importa menos que la de arquitectura. Cualquier interfaz decente resuelve una tarea simple, y la diferencia aparece en los casos donde el contexto es largo y los datos son propios. Ahí el precio por token deja de ser el factor decisivo.

Alibaba ha lanzado un modelo competente a un precio agresivo, y ha envuelto el lanzamiento en un argumento de seguridad que no se puede verificar desde fuera. Las dos cosas pueden ser ciertas a la vez, y conviene tratarlas por separado.

José Maldonado

Autor

José Maldonado

Activista y bloguero de tecnología, software libre y blockchain.

Lo último
El BCE abre la puerta a las stablecoins en euros para abaratar pagos internacionales

Seguir leyendo

Una lectura semanal imprescindible sobre inteligencia artificial y blockchain.

Te explicamos cómo transforman la economía, qué nuevas puertas te abren y cómo te afectan.