← Todas las noticias

Lev hace que los modelos de decisión den más vueltas según la pregunta: los mismos pesos cubren varias profundidades

Según Jiqizhixin, el 2 de noviembre de 2026 instituciones como Lehigh propusieron Lev, un modelo de decisión recurrente: en cada vuelta lee una vez las probabilidades de las opciones, los mismos pesos pueden responder a distintas profundidades y un mecanismo de parada decide el número de vueltas por pregunta; en JevBench, Lev-2.6B pasó de 63,2 % con una vuelta a 76,2 % con cuatro.

Publicado Actualizado

Qué ha cambiado

Jiqizhixin informó el 2 de noviembre de 2026 de que investigadores de Lehigh University, la Universidad de Columbia Británica y el Vector Institute propusieron Lev, un modelo de decisión que profundiza la deliberación mediante recurrencia en lugar de cadena de pensamiento. Mantiene la forma de tarea de modelos de decisión como Jev y Kev: una solicitud contiene un estado y varias preguntas con opciones, y el modelo entrega directamente la probabilidad de cada opción, sin generar texto. La diferencia está en la base: Lev usa Ouro o Nanbeige4.2, que ya incorporan recurrencia en el preentrenamiento; el mismo conjunto de capas de decodificación se ejecuta repetidamente y, tras cada vuelta, un pointer head compartido lee una vez las probabilidades de las opciones. El pointer head y los adaptadores LoRA se comparten entre vueltas, y la pérdida se promedia sobre todas las vueltas, de modo que un mismo checkpoint es un modelo de decisión utilizable en cada profundidad. Un mecanismo de parada de regresión logística por profundidad decide en qué vuelta se detiene cada pregunta. Los autores llaman a esta forma de cómputo System 1.5: la interfaz sigue dando una decisión directa, pero las preguntas difíciles pueden gastar más cómputo. El estudio presenta tres modelos: Lev-1.4B (Ouro-1.4B, hasta 4 vueltas), Lev-2.6B (Ouro-2.6B, 4 vueltas) y Lev-3B (Nanbeige4.2-3B, 2 vueltas). En Nanbeige, el preentrenamiento solo tenía pérdida en la última vuelta, y se usó para comprobar si Lev depende de vueltas intermedias supervisadas. En las 231 preguntas públicas de JevBench, Lev-2.6B pasó de 63,2 % con una vuelta a 76,2 % con cuatro, una mejora de 13,0 puntos porcentuales (intervalo de confianza del 95 %: 7,4 a 19,0); los pesos no cambiaron, solo la profundidad de recurrencia. El objetivo de predicción del mecanismo de parada no es «acertar o no», sino «si la respuesta actual ya coincide con la de la vuelta más profunda»; el umbral se elige como el mínimo que logra que al menos el 98 % de las respuestas finales coincidan con la respuesta más profunda, así que la calibración no requiere etiquetas humanas. El trabajo, el código, los tres modelos y los tres conjuntos de datos ya están públicos; el reporte no indica qué licencia usan los pesos ni ofrece condiciones comerciales. También subraya que Lev es una implementación independiente que solo se parece a OpenAI Decisions en la forma de la tarea; no replica sus pesos, arquitectura ni API, y tampoco hizo comparativas de rendimiento con su producto.

Impacto para desarrolladores

Para los desarrolladores, el cambio no está en el número de parámetros, sino en trasladar «cuánto calcular» del entrenamiento al servicio. Una pasada hacia adelante de un modelo de decisión es barata, pero el cómputo se fija durante el entrenamiento y las preguntas fáciles cuestan lo mismo que las difíciles; la cadena de pensamiento mejora las difíciles a cambio de pagar texto de razonamiento en cada pregunta. En la comparación citada por el reporte, activar el pensamiento en una misma base de 26B mejora las preguntas difíciles entre 9 y 13 puntos, y la mediana de tiempo de las difíciles se multiplica por tres o cuatro. Lev propone que los mismos pesos ofrezcan distintos puntos de operación según el número de vueltas: según el reporte, la profundidad bajo demanda usó entre el 76 % y el 85 % del cómputo recurrente de la vuelta más profunda en dos conjuntos de prueba reservados, con una diferencia de precisión de 0,3 a 0,8 puntos. Los límites de la ganancia también son concretos. Medido en operaciones de punto flotante, el reporte dice que Lev iguala o empeora a las propuestas dense, porque cada vuelta ejecuta toda la base; la ventaja aparece en la latencia, no en el cómputo: en el rango de 39 a 46 milisegundos, Lev-1.4B y Lev-3B bajo demanda superan en 7,0 a 8,8 puntos a cascadas con la misma latencia, y en 5,4 a 7,5 puntos a la mejor propuesta dense; pero Lev-2.6B, en torno a 150 milisegundos, no supera a usar directamente Kev-4B. La profundidad tampoco solo corrige: en LevBench, la primera vuelta adicional corrigió el 20,4 %, empeoró el 8,6 %, y otro 12,6 % de las preguntas se respondió bien en capas superficiales pero mal en la vuelta más profunda, algo que el mecanismo de parada orientado a «coincidir con la más profunda» no puede rescatar. También hay diferencias por tipo de tarea: comprensión del lenguaje mejora 19,0 puntos, mientras que juicios de gusto como humor y preferencia de color no obtienen ganancia. Los autores conjeturan que las vueltas adicionales aportan el cómputo serial necesario para combinar varios hechos, y que los juicios de gusto no usan ese cómputo; esta explicación del mecanismo aún no ha sido validada de forma independiente y no debe tomarse como una conclusión causal confirmada.

Integración y evaluación

Las siguientes son recomendaciones condicionales, no hechos reportados. Primero, decide si necesitas profundidad bajo demanda antes de cambiar de modelo. El reporte indica que, frente a la vuelta más profunda, la profundidad bajo demanda ahorra entre el 15 % y el 24 %; pero frente a «mezclar profundidades fijas con el mismo coste» la ventaja es pequeña: Lev-2.6B solo supera en 0,2 puntos en el conjunto reservado y Lev-3B en 1,0 punto. Además, convertir el ahorro de vueltas en rendimiento en línea requiere que el servidor soporte empaquetado y planificación de solicitudes con distintas profundidades, algo que el estudio explícitamente no hizo. Si tu pila de inferencia aún no puede agrupar por profundidad o salir antes, conviene lanzar primero con dos vueltas fijas; solo invierte en el mecanismo de parada cuando realmente quieras reservar presupuesto de cola para las preguntas difíciles y estés dispuesto a modificar la planificación. La condición es que el padding y el coste de planificación de distintas vueltas dentro de un mismo lote sean aceptables. Un criterio medible: sobre una muestra de tu propio tráfico, que la profundidad bajo demanda no quede por debajo de la frontera de igual coste de dos vueltas fijas y que el p95 del número de vueltas baje más del 15 %; si tras el cambio el p95 de latencia no mejora, el cuello de botella está en la planificación, no en el número de vueltas. Segundo, el umbral del mecanismo de parada debe recalibrarse con tu propio tráfico. El reporte muestra que, al ajustar el umbral con datos etiquetados y el objetivo de «acertar o no», ambos modelos Ouro caen por debajo de la frontera de profundidad fija; en cambio, si se calibra con el objetivo de «coincidir con la respuesta más profunda» sobre solicitudes objetivo sin etiquetas, un simple umbral de máxima probabilidad queda a solo 0,2 puntos del mecanismo de parada completo, con 500 preguntas por pliegue. El método consiste en registrar las salidas de cada vuelta de tus propias solicitudes de negocio y reelegir el umbral usando como etiqueta «si coincide con la respuesta de profundidad completa», en lugar de copiar el umbral del estudio. La condición es poder ejecutar una vez la profundidad completa fuera de línea; sin etiquetas no significa coste cero. El criterio es que, en tráfico reservado, la tasa de coincidencia entre las respuestas de salida temprana y las de profundidad completa no sea inferior al 98 %; si las acciones posteriores son irreversibles, hay que elevar ese umbral y recalibrarlo según la pérdida del negocio. Tercero, antes de sustituir la inferencia generativa por una interfaz de decisión, haz una comparación estratificada. El reporte señala que Lev solo emite probabilidades de candidatos y no produce texto explicativo, mientras que activar el pensamiento mejora las preguntas difíciles entre 9 y 13 puntos pero multiplica varias veces el tiempo. En tareas como enrutamiento de herramientas, clasificación u ordenación de acciones se pueden comparar primero ambas rutas con una muestra pequeña; en escenarios que necesitan justificaciones o trazas auditables conviene mantener la ruta generativa. La condición es que la tarea pueda enumerarse como un conjunto de candidatos. El criterio es que, en el mismo conjunto de evaluación, la precisión no baje, la latencia p50 quede dentro del presupuesto y se mida por separado la proporción de respuestas empeoradas, no solo la mejora neta. Cuarto, no añadas recurrencia externa sobre una base dense. El reporte menciona que, al conectar las 8 capas intermedias de Qwen3.5-0.8B como una recurrencia con compuertas y entrenar con la receta de Kev, la precisión cambió menos de medio punto y las compuertas se mantuvieron cerca de cero. Si quieres un control de profundidad, parte de una base con recurrencia nativa; si aun así quieres intentarlo, revisa primero si el valor de las compuertas se aleja de cero y si la curva de precisión por vuelta tiene pendiente; una curva plana indica que la recurrencia no se está usando.

Límites y cuestiones pendientes

La base recurrente del estudio solo cubre de 1,4B a 3B, la escala públicamente disponible hoy; no se sabe si la curva de profundidad se mantiene en modelos mayores. Las conclusiones de JevBench se basan solo en 231 preguntas públicas. El «menos cómputo» de la profundidad bajo demanda es un recuento offline de vueltas recurrentes, no tiempo de ejecución en línea; las cifras de latencia provienen de una sola H200, bf16 y una solicitud a la vez, sin operadores fusionados, captura de grafo ni caché de estado, y sin optimización del servidor, así que las lecturas cambiarán en producción. El 12,6 % de casos «bien en capas superficiales, mal en la capa profunda» muestra que aumentar la profundidad no es monótonamente mejor. Sobre la licencia, el reporte solo dice que el código, los modelos y los datos son públicos, pero no aclara qué licencia usan los pesos; pesos públicos no equivalen a licencia de código abierto, y hay que revisar los términos del repositorio antes de un uso comercial. Lev-1.4B, Lev-2.6B y Lev-3B no están actualmente en el catálogo de modelos de KimiSeek; la disponibilidad mencionada en el reporte se refiere al repositorio y los pesos publicados por los autores, no al estado de lanzamiento en KimiSeek, y tampoco implica que ya exista una API de un proveedor. Si en el futuro aparece un servicio gestionado, su disponibilidad dependerá del proveedor correspondiente. Las cifras anteriores provienen del reporte de Jiqizhixin y de la descripción pública del estudio; no se realizó una reproducción ni una medición independiente.

Tres minutos hasta la primera llamada

Crea una cuenta y una clave de API. El coste de las llamadas se descuenta de tu saldo. 30 % de descuento en tu primera recarga. Recarga ¥500, paga ¥350, recibe ¥500 de saldo. Recarga ¥1000, paga ¥850, recibe ¥1000 de saldo La recarga mínima sigue siendo de ¥10, adecuada para pruebas.

Fuentes y proceso editorial

Lev:用循环代替思维链,一份权重覆盖多个决策深度

La IA ayudó con el análisis y la traducción de las fuentes citadas, seguidos de controles automáticos. Las recomendaciones no son resultados de pruebas. Consulta el catálogo actual para precios y disponibilidad.