Todos los periódicos y la radio, en unoEscrito por IA a partir de Hacker News · Cómo se hace
Hacker News
Inteligencia artificial · edge0.ai
Edge0-145B: capacidades de IA de frontera en tu propio ordenador
Edge0 publica como open source Edge0-145B y Edge0-120B, junto con su framework de inferencia y herramientas de despliegue. Afirma que el primero, con 145.000 millones de parámetros, corre en un portátil con 29 GB de memoria pico y más de 80 tokens/s, con resultados comparables a modelos en la nube.
Foto: vía edge0.ai
1 medio · MadridPublicada 13 nov, 09:15· Ya no está en portadaEscrita por IA · cómo funciona
Edge0 presenta Edge0-145B como el primer modelo open source de 145.000 millones de parámetros pensado para ejecutarse en el propio dispositivo. Libera también Edge0-120B, el framework de inferencia y las herramientas de despliegue, para que otros desarrolladores reproduzcan los resultados, evalúen o ajusten los modelos y los integren en sus productos. Según la empresa, el modelo planifica, escribe y ejecuta código, depura errores y revisa resultados visualmente en proyectos como escenas 3D, juegos, programas de hardware y diseños de PCB.
Las cifras que ofrece para un portátil compatible, como un MacBook Pro, son 29 GB de memoria pico, más de 1.100 tokens/s de prefill, más de 80 tokens/s de decodificación, unos 120 W de consumo típico y contextos de 128K a 256K con una velocidad prácticamente constante. Edge0 señala que la inferencia local no genera tarifas por tokens ni API, que los datos pueden quedarse en el equipo y que funciona sin conexión, aunque hardware y electricidad siguen costando dinero.
El artículo atribuye el tamaño reducido de los modelos locales al «muro de memoria»: los pesos ocupan almacenamiento y hay que leerlos en cada generación, compitiendo con el sistema operativo y otras aplicaciones. Antes de septiembre de 2026, dice, casi todos los modelos en el dispositivo estaban por debajo de 10B parámetros. Edge0 responde con un diseño conjunto de modelo y motor en cuatro capas. En arquitectura, cada grupo de 64 expertos comparte dos matrices grandes y cada experto conserva un pequeño conjunto propio de parámetros; de los 145B totales, solo unos 10B participan en cada paso. En entrenamiento, el modelo se entrena desde el principio con su arquitectura local, sin comprimir después un modelo de nube.
En la carga, la lectura y el cálculo se solapan entre tres niveles: los «expertos calientes» van en la memoria de la GPU, una biblioteca de unos 40 GB en la memoria del sistema y unos 48 GB de datos de vocabulario en el SSD, leídos bajo demanda. En la planificación, CPU y GPU trabajan a la vez y la decodificación especulativa verifica varios tokens candidatos de una vez. En benchmarks, Edge0-145B obtiene 64,6 en DeepSWE 1.1, 86,52 en Terminal-Bench 2.1, 90,4 en GPQA-Diamond y 80,6 en IFBench, frente a Qwen3.8-Flash-Next, DeepSeek-V4-Flash-0731 y Claude-Opus-4.6 (Max). Los resultados proceden de las evaluaciones internas de Edge0.
«Edge0-145B: Frontier AI Capabilities on Your Own Computer» · puesto 30 · 326 puntos · enviado por sroussey
Lo que dicen los comentarios
La conversación gira sobre todo en torno a la disponibilidad real. Varios usuarios señalan que el texto habla de macOS y MacBooks, pero lo publicado hasta ahora parece orientado a CUDA y a NVFP4, sin runtime ni guía para Mac; otro comenta que sí hay una variante q3k. Se debate también si el modelo es en realidad una versión cuantizada de Qwen3.8-Flash-Next con otra marca: en Hugging Face figura como modelo base y con condiciones de atribución de Qwen. Hay dudas sobre cuánta gente tiene un portátil con tanta memoria, y quien ha probado agentes en diseño de placas o en Blender matiza que el resultado luego exige mucho retoque manual. Otros aportan mejoras de harness para modelos locales y piden velocidades mucho mayores para cargas continuas.
Me pregunto si la gente normal, no los desarrolladores de HN, tiene un portátil así como dispositivo personal. Imagino que el usuario medio tiene a lo sumo un equipo gaming, y más a menudo un portátil modesto con 16 GB de RAM normal. ¿Estoy desconectado?
Supongo que sí deriva de él: en Hugging Face Qwen3.8-Flash-Next figura como «Base Model» y habla de requisitos de autorización o atribución de Qwen. Las comparaciones probablemente usan una versión cuantizada, lo que podría explicar la mejora.
El artículo menciona macOS una y otra vez, pero lo publicado parece solo CUDA. No hay información sobre cuándo llegará el soporte para Mac. Esta forma de hacerlo es frustrante, porque la promesa suena muy interesante y me gustaría probarlo.
Me impresionan los ejemplos de Blender, pero dudo de que los modelos sean aprovechables para que una persona los refine después. Los diseños hechos por agentes suelen ser un desastre y, al limpiarlos, no se ahorra tiempo.
Las capacidades de frontera incluyen también tasas de tokens prácticas. Mi carga requeriría unos 300 tokens/s continuos; con una persona en el circuito serían más realistas 1.500-2.000/s. ¿A qué distancia estamos de ese rendimiento en modelos locales?
Esta noticia la ha redactado una inteligencia artificial a partir de las fuentes citadas, con el criterio editorial de El Autómata (equilibrio, atribución y solo hechos publicados). Puede contener errores: consulta las fuentes originales. Modelo: claude-sonnet-5.5.