Un consorcio alemán de investigación ha publicado Soofi S 30B-A3B, un modelo de lenguaje grande abierto posicionado tanto como apuesta de rendimiento como de soberanía para la pila de IA de Europa. Según informa The Decoder, citando el informe de preentrenamiento del modelo, el sistema se entrenó íntegramente en la infraestructura de Deutsche Telekom en Múnich y está diseñado para ofrecer un rendimiento sólido en alemán sin renunciar a la competitividad en tareas de inglés y programación.

El lanzamiento importa porque los esfuerzos europeos en modelos abiertos a menudo se han dividido en dos corrientes: proyectos multilingües de interés público que enfatizan la cobertura y la gobernanza, y sistemas globales de pesos abiertos que ganan en benchmarks pero que suelen estar moldeados por laboratorios de EE. UU. o China. Soofi S intenta cerrar esa brecha. El consorcio dice que ahora el modelo lidera entre sus pares totalmente abiertos en los benchmarks agregados de alemán e inglés, mientras utiliza además una arquitectura pensada para mantener eficiente la inferencia con contextos largos.

Esa combinación podría hacer que el lanzamiento sea relevante más allá de los círculos de investigación. Para compradores empresariales, Soofi S se presenta como un modelo que puede ejecutarse en infraestructura regional con documentación transparente de entrenamiento. Para los desarrolladores, es otra señal de que la competencia en modelos abiertos está pasando de contar parámetros a una mezcla de curación de datos, eficiencia de inferencia y control jurisdiccional.

Qué es Soofi S y quién lo construyó

Según The Decoder, Soofi S es un modelo de mezcla de expertos con 31,6 mil millones de parámetros totales, pero solo alrededor de 3,2 mil millones están activos en cada token generado. El consorcio llama al modelo Soofi S 30B-A3B, reflejando ese patrón de activación dispersa. En términos prácticos, eso significa que su perfil de cómputo puede parecer más cercano al de un modelo mucho más pequeño que al de un sistema denso de 30B, al menos durante la generación de tokens.

El proyecto fue coordinado por el KI Bundesverband, o Asociación Alemana de IA, y financiado a través del Ministerio Federal de Economía y Energía de Alemania dentro del programa europeo IPCEI-CIS, según el informe citado por The Decoder. Entre las instituciones participantes figuran Fraunhofer IAIS, Fraunhofer IIS, DFKI, TU Darmstadt, la Universidad de Würzburg, el Centro de Investigación L3S, la Universidad de Ciencias Aplicadas de Berlín, Ellamind y Merantix Momentum.

El aspecto de infraestructura es central en la historia. El modelo se entrenó en la Industrial AI Cloud de Deutsche Telekom en Múnich, con el proceso de entrenamiento llevado a cabo de marzo a mayo en hasta 512 GPUs Nvidia B200, según el relato técnico de The Decoder. La publicación dice que la ejecución consumió unas 253.000 horas de GPU. La instalación de Deutsche Telekom se describe en el informe como alimentada con energía renovable, con refrigeración por agua de canal y aprovechamiento del calor residual para la zona circundante, aunque esos detalles de sostenibilidad proceden de los materiales del propio proyecto y no de una verificación independiente.

La arquitectura y las decisiones de entrenamiento son la verdadera historia del producto

El diseño técnico ayuda a explicar por qué el consorcio está poniendo tanto énfasis en el rendimiento como en el resultado bruto de los benchmarks. El informe dice que Soofi S adopta la arquitectura Nemotron 3 Nano de Nvidia sin modificaciones, utilizando un diseño híbrido que mezcla capas Mamba-2 con capas de atención convencionales.

Esto importa porque la inferencia con contexto largo se ha convertido en una de las partes más costosas y operativamente incómodas de prestar modelos de estilo frontier. Los modelos Transformer estándar dependen de una caché clave-valor que crece con la longitud del contexto. A medida que las entradas se alargan y aumenta la concurrencia, el ancho de banda de memoria y el movimiento de caché se convierten en un cuello de botella. Según The Decoder, solo seis de las 52 capas de Soofi S mantienen esa caché, lo que cambia la forma en que el modelo escala bajo prompts largos.

El consorcio afirma que, con 40.000 tokens de contexto y 32 solicitudes paralelas, Soofi S produce aproximadamente ocho veces más tokens por segundo por GPU que los modelos densos del rango de 14B a 24B. El informe también dice que el rendimiento se mantiene casi plano de 4.000 a 256.000 tokens, y señala a Qwen3.5 35B-A3B de Alibaba como el único otro modelo medido con un comportamiento similar. Estas son afirmaciones importantes para cualquiera que construya flujos de trabajo con muchos documentos, tuberías de recuperación o sistemas de agentes que manejen grandes contextos de trabajo, pero siguen siendo mediciones reportadas por el consorcio y no benchmarks independientes de terceros.

La receta de entrenamiento es igualmente notable. El consorcio dice que procesó unos 27 billones de tokens en tres fases: una primera fase amplia de unos 20 billones de tokens que abarcó web, código, matemáticas y texto específico de dominio; una segunda fase de unos 6 billones de tokens de mayor calidad; y una fase final más corta diseñada para ampliar la ventana de contexto con documentos de hasta un millón de tokens.

Lo que diferencia a Soofi S de muchos pares abiertos es su mayor peso en alemán. The Decoder informa que el alemán representó el 7,2 por ciento de la primera fase y el 15,3 por ciento de la segunda, frente a alrededor del 5 por ciento para todas las lenguas no inglesas combinadas en la receta de referencia Nemotron de Nvidia. Según se informa, los datos de entrenamiento incluyeron HPLT, German Commons, FinePDFs, FineWiki y el corpus comercial Genios, además de texto alemán traducido automáticamente y sintético.

Las victorias en benchmarks vienen con matices

La afirmación principal es sencilla: el consorcio dice que Soofi S lidera a todos los modelos totalmente abiertos en las puntuaciones agregadas de benchmarks en inglés y alemán. Entre los modelos a los que, según se informa, superó figuran OLMo 3 32B del Allen Institute for AI y Apertus 70B de ETH Zurich y EPFL. El informe también dice que superó a las bases soberanas europeas en todos los benchmarks alemanes del conjunto de comparación.

En tareas de programación, The Decoder dice que Soofi S obtuvo un 73,8 por ciento en HumanEval, un 70,2 en MBPP y un 84,2 en una variante alemana de MBPP. En INCLUDE-DE, un benchmark de conocimiento regional específico de Alemania, supuestamente empató con Qwen3.5 35B-A3B con 61,2 puntos. El informe además afirma que, en comparación con la base Nemotron, la mezcla de datos centrada en alemán mejoró la competencia lingüística en 15,1 puntos y GPQA-Diamond en 9,6 puntos sin perjudicar el rendimiento en inglés.

Son resultados sólidos si se sostienen en pruebas más amplias, pero deben leerse con cuidado. La evidencia disponible en este grupo de noticias proviene del reportaje de The Decoder sobre el informe de preentrenamiento propio del proyecto y los materiales del sitio web. No hay una auditoría independiente de benchmarks en el conjunto de fuentes, ni una reproducción externa de las afirmaciones de rendimiento o calidad.

El modelo también muestra debilidades claras. The Decoder informa que Soofi S rindió por debajo de lo esperado en matemáticas de competición en alemán, con una puntuación de 56 en Minerva MATH-DE, por detrás tanto de Qwen3.5 35B-A3B como de Gemma 3 27B. También quedó rezagado en NaturalQuestions, algo que los autores relacionan, según el informe, con el menor número de parámetros activos frente a modelos densos que podrían conservar más conocimiento factual.

El comportamiento de contexto largo tampoco es uniformemente fuerte. En la prueba RULER, el modelo aparentemente tuvo dificultades en tareas de extracción que implicaban palabras repetidas con frecuencia en documentos largos. Más allá de 32.000 tokens, su tasa de acierto cayó a alrededor del 3 por ciento, mientras que el modelo Nemotron comparable seguía logrando aproximadamente entre el 60 y el 64 por ciento, según el resumen de The Decoder del informe. Los autores atribuyen esa brecha a la falta de datos sintéticos centrados en extracción en el entrenamiento de contexto largo.

Un modelo abierto, pero no abierto en todas las definiciones

Soofi S se publica con pesos del modelo, algunos checkpoints intermedios seleccionados, código de entrenamiento y evaluación, y un inventario de datos detallado, según The Decoder. Ese nivel de divulgación es significativo en un mercado en el que “abierto” suele significar solo pesos descargables con información limitada de procedencia.

El consorcio dice que este paquete cumple la Open Source AI Definition 1.0 de la Open Source Initiative. Al mismo tiempo, el informe reconoce que no cumpliría un estándar europeo de datos abiertos más estricto propuesto, porque alrededor del 1,3 por ciento de la mezcla de entrenamiento provenía del corpus Genios con licencia comercial. El equipo dice que alrededor del 99 por ciento del conjunto de datos puede reconstruirse de forma independiente, pero la licencia exacta de publicación no se había finalizado en el momento del informe.

Ese matiz importa para la contratación empresarial y para los equipos de producto posteriores. Para algunos usuarios, unos pesos abiertos más código y documentación bastan. Para otros, especialmente compradores del sector público y empresas con necesidades estrictas de redistribución o auditoría, los detalles de licencia no resueltos y la inclusión de datos con licencia comercial pueden seguir siendo una restricción importante.

Por qué esto importa para desarrolladores y compradores empresariales

Para los desarrolladores de IA, la principal lección de Soofi S es que la especialización regional todavía puede marcar la diferencia. En lugar de intentar ser lo más multilingüe posible, el consorcio parece haberse concentrado en la calidad en alemán mientras preservaba una utilidad amplia en inglés. Esa es una estrategia práctica para equipos que prestan servicio a industrias reguladas, documentación técnica, atención al cliente y flujos internos de conocimiento donde el rendimiento en lengua local vale más que la cobertura universal.

Para las implementaciones empresariales de IA, la combinación de pesos abiertos, rendimiento ajustado al alemán y entrenamiento en la infraestructura de Deutsche Telekom ofrece un posicionamiento claro en torno a la residencia de datos y la infraestructura soberana. Eso no resuelve automáticamente los problemas de cumplimiento o riesgo, pero sí crea una opción más concreta para organizaciones que quieren alternativas a las plataformas cerradas de EE. UU. o a lanzamientos opacos de pesos abiertos.

La arquitectura puede resultar tan importante como los benchmarks. Si Soofi S puede sostener el rendimiento en contextos muy largos en entornos de producción reales, podría ser útil para revisión de documentos, flujos de trabajo de asistentes de programación y agentes de IA que necesitan mantener una gran memoria de trabajo. Pero esos casos de uso dependerán de si la debilidad de extracción observada en RULER aparece en las cargas de trabajo de los clientes. Un modelo rápido de contexto largo es menos convincente si falla en tareas clave de recuperación o extracción dentro de esos documentos extensos.

Evidencia y afirmaciones

La mayor parte de la evidencia sustantiva de esta historia procede del reportaje de The Decoder sobre el informe de preentrenamiento del consorcio, el sitio web del proyecto y los comentarios del autor principal. Como resultado, las afirmaciones más fuertes de este artículo, incluida el liderazgo en benchmarks, las ganancias de rendimiento, la eficiencia del entrenamiento y el cumplimiento de código abierto, deben tratarse como informadas por el proyecto y no verificadas de forma independiente.

Lo que parece sólido a partir de las fuentes disponibles es la existencia del lanzamiento, la arquitectura básica del modelo, la participación del consorcio liderado por el KI Bundesverband, el uso de la infraestructura de Deutsche Telekom y la publicación de pesos, código y documentación. El rendimiento comparativo y las ventajas operativas son más provisionales hasta que usuarios externos prueben Soofi S frente a OLMo 3 32B, Apertus 70B, Qwen3.5 35B-A3B, Gemma 3 27B y Nvidia Nemotron en entornos reproducibles.

Qué observar a continuación

La primera señal a vigilar es la licencia. Los términos exactos de publicación determinarán si Soofi S es principalmente un artefacto de investigación o un modelo base práctico para equipos de producto comerciales.

En segundo lugar, habrá que buscar benchmarks y pruebas de inferencia independientes. Las comparaciones externas en HumanEval, MBPP, cargas de trabajo de contexto largo y tareas de documentos empresariales en alemán importarán más que las posiciones en tablas de clasificación informadas por el propio proyecto.

En tercer lugar, el consorcio dice que busca socios industriales para la siguiente fase en documentos técnicos, generación de código y sistemas basados en agentes. Las referencias de despliegue real en esas áreas serían una prueba más sólida que las victorias en benchmarks por sí solas.

Por último, habrá que ver si Soofi S se convierte en un modelo para otros esfuerzos europeos de IA soberana. Si su combinación de ponderación regional de datos, informe transparente y diseño eficiente para contextos largos resulta útil, podría influir en cómo se construyan futuros modelos abiertos sobre infraestructura en nube local.

Perspectiva de Creati.ai

Soofi S es notable no porque Europa haya producido otro modelo abierto, sino porque el equipo parece haber tomado una decisión de producto más precisa que muchos proyectos de IA de interés público. Eligió un mercado lingüístico concreto, apostó por la documentación abierta y adoptó una arquitectura optimizada para un problema real de servicio: el coste del contexto largo.

La pregunta abierta es si esas decisiones de diseño se traducen en adopción. Los compradores de IA empresarial se preocupan por la claridad de la licencia, la credibilidad de los benchmarks y el comportamiento operativo bajo cargas de trabajo caóticas en producción. Si Soofi S puede demostrar un rendimiento fiable en canalizaciones de documentos en alemán y en escenarios de asistente de programación sobre infraestructura soberana, podría convertirse en algo más que una alternativa europea simbólica. Si no, puede seguir siendo un lanzamiento de investigación impresionante con tracción comercial limitada.