En un ecosistema dominado por modelos con billones de parámetros y costos de entrenamiento estratosféricos, un laboratorio de São Paulo lanzó un misil de precisión. Supersonic Labs presentó Julia 1, un modelo de decisión abierto de 144,3 millones de parámetros que no genera texto, sino que elige entre opciones. Su proeza técnica no está en su tamaño, sino en su frugalidad extrema: todo su desarrollo en la nube costó aproximadamente 540 reales brasileños, algo así como 104 dólares estadounidenses. Este dato, más que una anécdota, es un manifiesto sobre la democratización de la IA.
No es un chatbot, es un árbitro digital
Julia 1 opera bajo una premisa sencilla pero poderosa. El usuario le proporciona un contexto, una pregunta y una lista de entre 2 y 20 respuestas candidatas. El modelo no alucina ni genera contenido nuevo; simplemente evalúa y selecciona la opción más probable, devolviendo una probabilidad para cada una. A través de una única API maneja tres tipos de decisión: choice (elegir una etiqueta entre varias), score(asignar un puntaje en una rúbrica ordenada) y noul (calcular la probabilidad de que una afirmación binaria sea verdadera). Su arquitectura parte de mmBERT-small, un encoder multilingüe de 140 millones de parámetros, al que se le añadió una ‘cabeza de decisión’ entrenada específicamente para este formato.
Rendimiento benchmark y la batalla contra el gigante
Las pruebas publicadas el 24 de septiembre de 2026 colocan a Julia 1 frente a Jev, un modelo comercial de TypeSafe AI. Los resultados son una mezcla de sorpresas y advertencias. Julia 1 superó la referencia de Jev en tres de cuatro pilotos: Typed Decisions (73,15% vs 72,70%), AG News (94/100 vs 91%) y, de manera contundente, en DAIR Emotion (86/100 vs 48%). Sin embargo, encontró su talón de Aquiles en Banking77, una tarea de clasificación entre 72 etiquetas, donde obtuvo un 64% frente al 87% de referencia. Este ‘fracaso claro’, como lo describen, delimita su terreno óptimo: decisiones sobre conjuntos de opciones manejables, no sobre taxonomías extremadamente amplias.
La verdadera revolución está en el despliegue. Los pesos, publicados en Hugging Face bajo la licencia Apache 2.0, permiten ejecutarlo localmente con Python 3.11+ en una CPU común o en una GPU compatible con BF16. También existe una versión ONNX que corre en el navegador vía WebGPU. Las pruebas de latencia son elocuentes: en una laptop con Intel Core i5-1235U, clasificar una noticia en cuatro categorías toma una mediana de 107,83 milisegundos. En un Apple M4, ese tiempo se reduce a 33,15 ms por decisión. Supersonic Labs afirma que es hasta cinco veces más rápido que Jev en un portátil, aunque advierten que la comparación no es perfecta ya que midieron Jev como un servicio hospedado.
Límites, futuro y un nuevo paradigma de costo
Los propios desarrolladores son transparentes sobre las limitaciones. Julia 1 no puede inventar datos faltantes, resolver álgebra o realizar cálculos de varios pasos. Su función ‘Router’ puede descartar la etiqueta correcta durante el proceso de filtrado. No es un reemplazo directo para pipelines de Transformers y, por ahora, ningún proveedor de inferencia de Hugging Face lo ofrece como servicio. Su consejo es contundente: evalúen el modelo con sus propios casos de uso y mantengan a humanos en el ciclo para decisiones de gran consecuencia. Mientras tanto, el laboratorio ya trabaja en Julia 2, que construirá sobre una arquitectura base propia. El mensaje final es claro: la inteligencia artificial de vanguardia ya no tiene que ser sinónimo de presupuestos descomunales y hardware inalcanzable. A veces, la disrupción llega en un paquete frugal, open source y listo para correr en la máquina que ya tienes.