Primero la respuesta: Qwen4 ya no es solo un nombre especulativo. Qwen describe a Qwen3.8-Flash-Next como un modelo multimodal MoE y una vista previa experimental de la arquitectura que sustentará Qwen4. Esto confirma una dirección arquitectónica con eficiencia como prioridad, pero no constituye un lanzamiento de producto de Qwen4. La alineación final de modelos, la escala de parámetros, la hoja de resultados de benchmarks, el identificador de API, la licencia, los precios y el calendario de lanzamiento siguen sin revelarse.
¿Qué es Qwen4?
Qwen4 es la siguiente gran arquitectura de Qwen, ya reconocida por el equipo de Qwen, aunque no se ha lanzado ningún modelo o familia de productos Qwen4 independiente. Los materiales oficiales de Qwen3.8-Flash-Next lo denominan una vista previa experimental de la arquitectura de Qwen4. No revelan el recuento final de parámetros, la alineación de productos, la hoja de resultados de benchmarks, los precios, el identificador de API, la licencia ni la fecha de lanzamiento. Los valores exactos que no puedan rastrearse a Qwen o Alibaba Cloud deben seguir tratándose como no verificados.
La forma más útil de hablar de Qwen4 sigue siendo separar tres capas de evidencia. La información confirmada ahora incluye modelos Qwen actuales, documentación publicada y la vista previa de la arquitectura Qwen3.8-Flash-Next. Las direcciones esperadas son inferencias fundamentadas en esas señales. Los desconocidos son detalles del producto final que no pueden llenarse responsablemente con estimaciones. Esta distinción importa porque la vista previa confirma la intención arquitectónica sin definir la familia de producción Qwen4.
| Nivel de evidencia | Cómo debe utilizarse | Ejemplos en este artículo |
|---|---|---|
| Confirmado | Afirmar como hecho con un enlace oficial directo | Vista previa de la arquitectura Qwen3.8-Flash-Next; escala y baseline de benchmarks de Qwen3.8-Max |
| Esperado | Usar lenguaje cauteloso y explicar la inferencia | Cómo la arquitectura de la vista previa puede escalar hacia los modelos Qwen4 finales |
| Desconocido | No inventar un valor o compromiso de lanzamiento | Alineación final de modelos, parámetros, hoja de resultados, precio, licencia e ID de API |
Por qué Qwen4 es el siguiente paso lógico
La generación Qwen3 estableció un enfoque híbrido para el razonamiento. Su introducción oficial describe modos de pensamiento y no pensamiento que permiten a los desarrolladores intercambiar velocidad de respuesta por una deliberación más profunda. La misma generación también amplió el soporte multilingüe y fortaleció el uso de herramientas, incluyendo flujos de trabajo de agentes orientados a MCP.
La hoja de ruta de Qwen apuntó entonces a escalar datos, extender el contexto, ampliar modalidades y RL con retroalimentación del entorno. Esa hoja de ruta importa más que las predicciones de lanzamiento basadas en rumores: enmarca la próxima generación como una transición de entrenar modelos a entrenar agentes que puedan interactuar con entornos y completar trabajo de largo horizonte.
La línea Qwen3.8 ahora proporciona dos baselines diferentes. Qwen3.8-Max sigue siendo el baseline de capacidad insignia actual, con un sistema MoE alojado de 2,4 billones de parámetros para programación, trabajo de oficina, comprensión visual, documentos largos, videos largos y planificación autónoma. Qwen3.8-Flash-Next desempeña un papel diferente: Qwen lo posiciona explícitamente como la vista previa de la arquitectura de Qwen4. Un futuro Qwen4 debe combinar la amplitud de la insignia con el diseño orientado a la eficiencia de la vista previa.
Lo que Qwen3.8-Flash-Next revela sobre Qwen4
Qwen3.8-Flash-Next es la primera evidencia pública concreta sobre la base de Qwen4. Qwen lo denomina la primera publicación de pesos abiertos bajo la nueva arquitectura y dice que el diseño sustentará Qwen4. Por lo tanto, la vista previa es más sólida que una inferencia de hoja de ruta, aunque aún deja abierta la escala y la configuración del modelo de producción.
El modelo es un modelo de lenguaje causal multimodal con un codificador de visión. Su modelo de lenguaje contiene 125B parámetros con 6B activados, más 51B de embeddings de n-gramas y 4B parámetros MTP. Tiene 48 capas, 512 expertos con 10 expertos enrutados y un experto compartido activo por token, un contexto nativo de 262.144 tokens y soporte de extensión hasta 1.000.000 de tokens.
| Señal de arquitectura | Confirmado en Qwen3.8-Flash-Next | Lo que sugiere para Qwen4 |
|---|---|---|
| MoE ultra disperso | Modelo principal de 125B; 6B activos por token; 512 expertos | La capacidad por unidad de cómputo activo puede ser un objetivo central |
| Atención híbrida | Tres capas Gated DeltaNet por cada capa Qwen Sparse Attention | La latencia de largo contexto y la eficiencia del caché KV pueden importar más que el tamaño bruto de la ventana |
| Residual con compuerta | Cuatro ramas residuales ensanchadas con compuertas dependientes de datos | Qwen está probando un escalado profundo más expresivo con sobrecarga controlada |
| Embedding de n-gramas | 51B parámetros de embeddings de bigramas y trigramas | La capacidad descargable a memoria puede complementar el escalado MoE intensivo en cómputo |
| Multimodalidad nativa | Modelo de lenguaje causal con codificador de visión | Texto y visión son probablemente fundamentos arquitectónicos, no variantes añadidas |
| Contexto largo | 262K nativo; extensible a 1M | Es probable que Qwen4 enfatice agentes eficientes de largo horizonte |
Los resultados de benchmark reportados por el proveedor en la vista previa también muestran por qué la arquitectura importa. A pesar de activar solo 6B parámetros por token, mejora sobre el baseline denso Qwen3.8-27B en las evaluaciones seleccionadas de programación, trabajo de oficina, uso de herramientas y agentes multimodales a continuación. Estos resultados no son puntuaciones de Qwen4; son evidencia de que la nueva arquitectura está diseñada para elevar la capacidad por parámetro activo.
| Benchmark | Qwen3.8-Flash-Next | Qwen3.8-27B |
|---|---|---|
| DeepSWE 1.1 | 58.7 | 42.2 |
| SWE-bench Pro | 62.5 | 61.7 |
| CoWorkBench | 73.9 | 70.7 |
| Toolathlon Verified | 73.5 | 67.1 |
| ClawEval-MM (Pass@3) | 64.4 | 57.4 |
| AndroidWorld | 84.5 | 81.9 |
Interpretación: Flash-Next convierte tres expectativas de Qwen4 en señales más fuertes: activación ultra dispersa, atención híbrida de largo contexto y multimodalidad nativa. No revela el recuento final de parámetros de Qwen4, la configuración exacta del contexto, los niveles de producto ni el calendario de lanzamiento.
Especificaciones previstas de Qwen4
Dado que no existe una especificación final de Qwen4, la tabla siguiente usa Qwen3.8-Max como el baseline de producción confirmado y Qwen3.8-Flash-Next como la señal de arquitectura confirmada. La vista previa aumenta la confianza en varias direcciones, pero cada campo final de Qwen4 sigue siendo esperado o desconocido hasta que Qwen publique el modelo.
| Especificación | Baseline confirmado de Qwen3.8-Max | Expectativa para Qwen4 | Confianza |
|---|---|---|---|
| Estado | Lanzado | Vista previa de arquitectura confirmada; modelo no lanzado | Confirmado |
| Arquitectura | MoE disperso con base de atención híbrida | Se espera que se base en GDN + QSA de Flash-Next, residual con compuerta y embedding de n-gramas | Alta |
| Parámetros totales | 2.4T | Desconocido; puede que no necesite superar 2.4T | Baja |
| Parámetros activos | Aproximadamente 95B por paso en el modelo de pesos abiertos | Enrutamiento ultra disperso probable; cómputo activo exacto desconocido | Media-alta |
| Ventana de contexto | 1.000.000 tokens | Optimización para largo contexto; límites nativos y predeterminados finales desconocidos | Alta |
| Salida máxima | 131.072 tokens | Probablemente se mantenga o expanda | Media |
| Entradas alojadas | Texto, imagen y video | Dirección multimodal confirmada; soporte exacto de audio desconocido | Alta |
| Modalidad de salida | Texto | Texto es lo probable; salida nativa de medios no confirmada | Media |
| Razonamiento | Modos de pensamiento y de inferencia rápida | Controles de pensamiento probables; comportamiento final de la API desconocido | Media-alta |
| Soporte de herramientas | Llamadas a funciones y salida estructurada | Se esperan mejor selección de herramientas, estado preservado y recuperación | Alta |
| Pesos y licencia | Existe un checkpoint insignia de pesos abiertos | La vista previa es de pesos abiertos; licencia y checkpoints finales de Qwen4 desconocidos | Media |
| ID de modelo de API | qwen3.8-max | No disponible | Confirmado |
Interpretación: Flash-Next aumenta la confianza en el enrutamiento MoE ultra disperso, la atención híbrida de largo contexto, los residuales con compuerta, el embedding de n-gramas y la multimodalidad nativa. No prueba que un modelo final de Qwen4 use 125B parámetros, active 6B por token o se entregue con los mismos límites de contexto.
¿Sobre qué arquitectura se espera que se construya Qwen4?
El MoE ultra disperso es ahora la señal más fuerte
La cuestión arquitectónica ahora es menos especulativa. La tarjeta del modelo de Qwen3.8-Flash-Next documenta 125B parámetros principales con solo 6B activados por token, más 51B de embeddings de n-gramas. Este diseño ultra disperso sugiere que Qwen4 puede priorizar la capacidad total por unidad de cómputo activo en lugar de expandir el conteo de parámetros activos en proporción a la capacidad almacenada.
La cuestión importante no es si Qwen4 contiene más expertos, sino si el enrutamiento, el acceso a memoria y la especialización de expertos se mantienen estables a lo largo de tareas largas. Los embeddings de n-gramas de Flash-Next también muestran que Qwen está explorando capacidad más barata de computar y más fácil de descargar que el escalado MoE convencional.
La atención híbrida apunta a la eficiencia en largo contexto
Flash-Next reemplaza la combinación anterior de Gated DeltaNet y atención completa por Gated DeltaNet y Qwen Sparse Attention operando a nivel de micro-bloque. Sus 48 capas repiten tres bloques Gated DeltaNet seguidos de un bloque de atención dispersa. Esta es la señal más clara de que Qwen4 puede estar diseñado para reducir la latencia de largo contexto y la presión sobre el caché KV, en lugar de depender de una ventana de atención densa más grande.
El contexto largo debería convertirse en memoria de agente, no solo en un prompt más grande
Una ventana de un millón de tokens es útil solo cuando el modelo puede recuperar la evidencia correcta, preservar objetivos y evitar acumular estado contradictorio. Por lo tanto, Qwen4 debería evaluarse por cómo usa el contexto largo en llamadas a herramientas, cambios de archivos, resultados intermedios y recuperación de errores. La longitud bruta del contexto es menos informativa que la precisión de recuperación y la finalización de tareas en una trayectoria larga.
El control del razonamiento podría volverse más granular
El diseño híbrido de pensamiento de Qwen3 ya permitía comportamientos rápidos y deliberados. Flash-Next fortalece la señal al soportar controles enable_thinking, preserve_thinking y reasoning_effort. Una mejora significativa de Qwen4 podría asignar el razonamiento de forma dinámica y preservar solo el estado que mejora la consistencia de múltiples pasos, reduciendo el costo total del flujo de trabajo en lugar de simplemente producir razonamientos visibles más largos.
La multimodalidad podría acercarse más al uso de computadoras
La multimodalidad es ahora una expectativa más fuerte porque tanto el servicio alojado Qwen3.8-Max como la vista previa de pesos abiertos Flash-Next admiten entrada visual. Qwen4 podría combinar esa percepción con una acción más confiable: comprender una captura de pantalla, seleccionar un control de UI, verificar el resultado y corregir el plan. El audio nativo, la generación de imágenes, la salida de voz y la generación de video siguen sin confirmarse.
Funciones previstas de Qwen4
- Más agentes fiables de largo horizonte. Menores tasas de fallo en llamadas a herramientas, mejor retención de objetivos, mejor recuperación y entregables más consistentes después de cientos de acciones.
- Ingeniería de software a escala de repositorio. Planificación mejorada en grandes bases de código, tests, terminales, rastreadores de issues y entornos de despliegue.
- Trabajo del conocimiento de extremo a extremo. Un camino más sólido desde investigación y análisis de documentos hacia hojas de cálculo, presentaciones, informes y resultados listos para decisiones.
- Uso multimodal de herramientas. Comprensión visual que informa la interacción con la UI, operaciones de documentos y razonamiento anclado en el entorno.
- Presupuestos de razonamiento adaptativos. Escalado automático desde respuestas rápidas hacia un razonamiento más profundo cuando aumentan la incertidumbre o la complejidad de la tarea.
- Mayor capacidad por parámetro activo. Mejor enrutamiento de expertos, capacidad de n-gramas, atención dispersa, cachés y post-entrenamiento en lugar de escalar por escalar.
- Una familia de modelos más amplia. Posibles variantes Max, Plus, Coder, MoE pequeño, VL u Omni, aunque ninguno de estos nombres está confirmado.
Perspectiva de benchmarks de Qwen4: lo que muestra el baseline de Qwen3.8-Max
No hay puntuaciones de benchmark de Qwen4. Flash-Next y Max responden a preguntas diferentes: la hoja de resultados de Flash-Next evalúa la capacidad orientada a la eficiencia de la nueva arquitectura, mientras que la hoja de resultados oficial de Qwen3.8-Max sigue siendo el baseline de capacidad de producción más sólido en agentes de programación, reproducción de investigación, cowork profesional, razonamiento visual, uso móvil y uso de computadoras. Qwen4 necesitará combinar ambas direcciones bajo evaluaciones equiparadas.
| Benchmark | Puntuación reportada de Qwen3.8-Max | Lo que Qwen4 tendría que demostrar |
|---|---|---|
| SWE-Pro | 67.7 | Cerrar la brecha en resolución de issues a nivel de repositorio profesional |
| TerminalBench 2.1 | 86.6 | Mejorar la fiabilidad de agentes de terminal bajo el mismo arnés |
| PaperBench | 93.0 | Mantener la fortaleza en investigación con replicación independiente |
| FrontierSWE | 73.5 | Convertir el razonamiento de largo horizonte en más trabajo de ingeniería completado |
| CoWorkBench | 74.8 | Producir entregables profesionales más confiables |
| OSWorld-Verified | 86.1 | Reducir errores de acción visual en flujos de trabajo de uso de computadoras |
Los dos baselines apuntan a un requisito dual. Flash-Next muestra que un cómputo activo bajo aún puede ofrecer resultados sólidos en agentes y multimodalidad; Max muestra el techo de capacidad superior que una nueva insignia debe superar. Por lo tanto, Qwen4 debería juzgarse tanto por el éxito en tareas equiparadas como por el costo total del flujo de trabajo, manteniendo separados los puntajes reportados por el proveedor de la replicación independiente.
Resultados oficiales de benchmark de Qwen3.8-Max. Fuente: Qwen3.8-Max official release**.
Qwen4 vs modelos frontera actuales: baselines confirmados y desconocidos
La comparación más útil no es simplemente Qwen4 contra Qwen3.8-Max. Es Qwen4 contra las decisiones de diseño ya visibles en Kimi K3, DeepSeek V4 Pro y GLM-5.3. La siguiente tabla compara atributos confirmados de modelos actuales con la columna aún desconocida de Qwen4.
| Dimensión | Qwen4 | Qwen3.8-Max | Kimi K3 | DeepSeek V4 Pro | GLM-5.3 |
|---|---|---|---|---|---|
| Estado | Vista previa de arquitectura confirmada; modelo no lanzado | Lanzado | Lanzado | Lanzado | Lanzado |
| Escala | Desconocida | 2.4T / ~95B activos | 2.8T / 16 de 896 expertos | 1.6T / 49B activos | No revelado para esta versión |
| Contexto | Se espera 1M+ | 1M | 1M | 1M | 1M |
| Entrada | Dirección multimodal confirmada; interfaz final desconocida | Texto, imagen, video | Texto y visión nativa | Orientado a texto | Solo texto |
| Razonamiento | Desconocido | Flujos de pensamiento y rápidos | Esfuerzo bajo/alto/máximo | Pensamiento / no pensamiento | Siempre activo; bajo/alto/máximo |
| Ecosistema abierto | Pesos y licencia finales no confirmados | Existe insignia de pesos abiertos | Posicionamiento open-source | Pesos abiertos | Posicionamiento open-source |
| Enfoque central | Agente multimodal eficiente esperado | Programación, cowork, agentes visuales | Programación y trabajo del conocimiento | Razonamiento y programación eficientes | Programación y ciberseguridad |
Escala del modelo y eficiencia de inferencia
La documentación de Kimi describe 2,8T parámetros y 16 expertos activados de 896. DeepSeek V4 Pro toma una ruta diferente con 1,6T totales y 49B parámetros activos. Qwen4 no necesita ser el modelo más grande para ganar esta comparación; necesita convertir el cómputo activo en trabajo completado más confiable.
Contexto y multimodalidad
Un millón de tokens se ha convertido en un baseline insignia común, por lo que la longitud del contexto por sí sola no diferenciará a Qwen4. La oportunidad más fuerte de Qwen es el uso multimodal del contexto: encontrar la evidencia correcta en documentos, código, capturas de pantalla y video, y luego tomar la acción correcta. Kimi K3 también tiene comprensión visual nativa, mientras que la interfaz actual de GLM-5.3 es solo texto con un contexto de 1M y 128K de salida máxima.
Programación, agentes y fortalezas especializadas
Qwen3.8-Max aporta un perfil amplio en programación, investigación, cowork y agentes visuales. Qwen3.8-Flash-Next añade una arquitectura multimodal orientada a la eficiencia con mayor capacidad por parámetro activo. Kimi K3 enfatiza la programación de largo horizonte y el trabajo del conocimiento, DeepSeek V4 Pro enfatiza el razonamiento eficiente y la programación agentica, y GLM-5.3 añade un enfoque distintivo en ciberseguridad. Un lanzamiento creíble de Qwen4 necesitaría combinar fiabilidad amplia de agentes con desempeño a nivel especialista en ingeniería de software y uso visual de computadoras.
Pesos abiertos no son toda la historia de despliegue
Los pesos abiertos pueden mejorar el control, la personalización y la elección de proveedores, pero la comparación práctica también incluye términos de licencia, requisitos de hardware, calidad de cuantización, soporte de fine-tuning y la disponibilidad de pilas de servicio optimizadas. La palabra open no debe usarse como sustituto de verificar la licencia exacta y las condiciones de despliegue de cada lanzamiento.
Resultado de la comparación: La posición potencial más fuerte de Qwen4 es un agente multimodal amplio que combina las fortalezas visuales y de cowork de Qwen3.8-Max con la arquitectura de bajo cómputo activo de Flash-Next y una mejor fiabilidad en ingeniería de software. No se le puede declarar ganador hasta que haya evaluaciones equiparadas y comportamiento de producción disponibles.
Casos de uso potenciales para Qwen4
Ingeniería de software autónoma
Un agente Qwen más fuerte podría inspeccionar un repositorio, reproducir un issue, editar múltiples archivos, ejecutar tests, revisar fallos y preparar un cambio listo para pull request. La métrica importante sería el porcentaje de tareas completadas sin rescate humano, no la cantidad de código generado.
Trabajo del conocimiento en empresas
Contexto largo y comprensión multimodal podrían soportar flujos que comienzan con contratos, PDFs, hojas de cálculo, diagramas y actas de reuniones y terminan con una nota de decisión, análisis o plan de acción estructurado. Las empresas aún necesitarían controles de recuperación, registros de auditoría y verificación de fuentes alrededor del modelo.
Agentes de uso de computadoras multimodales
Qwen4 podría ser útil donde un agente deba interpretar capturas de pantalla, navegar aplicaciones, verificar el estado de la UI y recuperarse cuando un clic o envío de formulario produce un resultado inesperado. Esta es una extensión natural del sólido baseline visual y estilo OSWorld de Qwen3.8-Max, pero no se ha anunciado soporte nativo de control de computadoras.
Investigación científica y de ingeniería
Los flujos de investigación combinan revisión de literatura, código, simulación, análisis de datos y redacción de informes. Un futuro modelo Qwen podría orquestar estos pasos y mantener un historial experimental más largo. El desempeño en PaperBench hace de esta una dirección creíble, pero la reproducibilidad y la verificación independiente seguirían siendo esenciales.
Lo que aún no sabemos
Aunque Qwen ha reconocido la arquitectura a través de Flash-Next, los siguientes detalles de producción siguen no disponibles y deben permanecer explícitamente sin resolver hasta un anuncio oficial de Qwen4:
- Los nombres exactos de producto y si Qwen4 se lanza como un modelo o una familia.
- La fecha de lanzamiento o el calendario de vista previa.
- Si los modelos finales mantienen la proporción exacta GDN/QSA de Flash-Next, el diseño de residuales con compuerta, la escala de embeddings de n-gramas y el enrutamiento de expertos.
- Parámetros totales, parámetros activos, conteo de expertos y escala de datos de entrenamiento para cada modelo Qwen4.
- Longitud de contexto nativa, contexto predeterminado, salida máxima y modalidades soportadas para cada ruta.
- Capacidades nativas de audio, generación de imágenes, salida de voz o generación de video.
- Resultados oficiales de benchmarks y el arnés de evaluación usado para cada puntaje.
- Disponibilidad de pesos abiertos, términos de licencia y condiciones de uso comercial.
- Precios de API, disponibilidad regional, límites de tasa e ID final del modelo.
Regla de verificación: Trate cualquier especificación exacta de Qwen4, gráficos de benchmarks, tablas de precios o identificadores de API como no verificados a menos que puedan rastrearse directamente a Qwen, Alibaba Cloud o un repositorio oficial de modelos.
¿Cuándo se lanzará Qwen4?
No hay una fecha de lanzamiento pública defendible. Qwen3.8-Flash-Next confirma que Qwen está probando la arquitectura que sustentará Qwen4, pero los materiales públicos no proporcionan un calendario para un modelo Qwen4 de producción. La finalización del entrenamiento, la eficiencia de servicio, la evaluación de seguridad, la concesión de licencias de los pesos y la integración del producto podrían afectar el tiempo y la forma del lanzamiento.
El enfoque de publicación más seguro es evitar una predicción de mes o trimestre. Los lectores deben vigilar el sitio oficial de Qwen, la documentación de Alibaba Cloud Model Studio, repositorios de modelos verificados y el catálogo de modelos de CometAPI. Una página de modelo Qwen4 debe añadirse solo después de que el modelo esté realmente listado.
Cómo pueden prepararse los desarrolladores para Qwen4
- Establezca dos baselines. Use Qwen3.8-Flash-Next para medir la eficiencia de la arquitectura y Qwen3.8-Max para medir la capacidad insignia actual.
- Separe los IDs de modelo de la lógica de negocio. Mantenga el enrutamiento y la configuración fuera del código de la aplicación para poder intercambiar modelos con seguridad.
- Construya evaluaciones a nivel de tarea. Mida correcciones de software completadas, salidas de investigación precisas, cadenas de herramientas exitosas y entregables utilizables.
- Registre el costo total del flujo de trabajo. Haga seguimiento de latencia, tokens de entrada y salida, uso de caché, reintentos, acciones fallidas y retrabajo humano.
- Preserve rutas de respaldo. Use enrutamiento de modelos y proveedores de respaldo en lugar de convertir un modelo no lanzado en un único punto de fallo.
- No invente un ID de modelo. Espere el identificador oficial antes de añadir qwen4 o qwen4-max a la configuración de producción.
Pruebe Qwen3.8-Flash-Next y Qwen3.8-Max a través de CometAPI
Los desarrolladores ya pueden probar Qwen3.8-Flash-Next a través de CometAPI y mantener Qwen3.8-Max como la comparación insignia. Cree una API key, guárdela en una variable de entorno y llame al modelo existente a través de un cliente compatible con OpenAI. El ejemplo usa intencionalmente qwen3.8-flash-next; no asume un identificador futuro de Qwen4.
Conclusión
Qwen4 ya es más que un rumor: Qwen ha identificado explícitamente a Qwen3.8-Flash-Next como una vista previa experimental de la arquitectura que lo sustentará. La vista previa confirma una dirección MoE multimodal, ultra dispersa, construida alrededor de Gated DeltaNet, Qwen Sparse Attention, residuales con compuerta y embeddings de n-gramas. Qwen3.8-Max sigue siendo el baseline de capacidad actual más sólido.
La verdadera prueba para Qwen4 no será si su recuento de parámetros es mayor. Será si el modelo final puede combinar la eficiencia de Flash-Next con la capacidad de nivel Max, completar trabajo más largo con menos fallos y usar evidencia multimodal con mayor fiabilidad. La dirección arquitectónica ya es pública, pero las especificaciones finales, benchmarks, licencia, precio, ID de API y fecha de lanzamiento siguen siendo desconocidos.