El pasado miércoles, Multiverse Computing, compañía española especializada en inteligencia artificial, presentó Quasar 438B, su primer modelo a gran escala orientado al desarrollo de código y agentes empresariales. Este modelo cuenta con 438.000 millones de parámetros, una cifra que normalmente se relaciona con modelos muy grandes y lentos, pero Multiverse apuesta por la compresión para conseguir un modelo rápido y eficiente.
Quasar ha obtenido una puntuación de 43 en el Índice de Inteligencia de Artificial de Artificial Analysis y 69,3 en el Terminal-Bench v2.1. En cuanto a velocidad, su rendimiento se sitúa en alrededor de 183 tokens por segundo, datos que posicionan a Quasar como el modelo europeo más destacado en este índice, superando a otros modelos como Mistral Medium 3.5, con 30 puntos, y NVIDIA Nemotron 3 Ultra, con 38.
La clave del proyecto de Multiverse es demostrar que un modelo de tal magnitud puede ser suficientemente rápido y económico para ser utilizado en agentes de IA que requieren realizar múltiples razonamientos, llamar a herramientas externas y verificar resultados de forma reiterada. 
Entre las características técnicas más relevantes, destaca su capacidad para gestionar una ventana de contexto de un millón de tokens y su disponibilidad tanto en inglés como en español. El acceso a Quasar se realiza mediante la API CompactifAI de Multiverse.
La compresión como motor de eficiencia
Multiverse ha desarrollado la tecnología CompactifAI, enfocada a reducir el tamaño de los modelos de inteligencia artificial para que requieran menos memoria y potencia de cálculo sin sacrificar significativamente la precisión. Según la compañía, esta tecnología permite disminuir el tamaño de los modelos entre un 80 % y un 95 %, aunque no han revelado detalles específicos sobre el grado de compresión aplicado a Quasar ni cuál fue el modelo base utilizado para su desarrollo.
En julio, la empresa anunció una ronda de financiación Serie C por valor de 570 millones de dólares para ampliar su biblioteca de modelos comprimidos y potenciar la comercialización de esta tecnología. Quasar constituye hasta ahora el mayor desafío para demostrar la efectividad de este enfoque.
Sin embargo, Multiverse no ha proporcionado detalles técnicos sobre el hardware necesario para ejecutar Quasar ni los ahorros exactos en consumo de memoria y computación que ofrece la compresión. Esto resulta especialmente relevante para los agentes de IA que pueden realizar múltiples llamadas al modelo a lo largo de una misma tarea.
Resultados mixtos en benchmarks de programación
En términos comparativos, Quasar ha superado a Mistral Medium 3.5 en Terminal-Bench v2.1 con una puntuación de 69,3, pero queda lejos de los sistemas más avanzados en la actualidad, cuyo máximo registrado es Claude Opus 5 con 89,1. La compañía promociona Quasar para aplicaciones de ingeniería de software, copilotos técnicos, investigación y automatización de flujos de trabajo.
Su ventana de contexto de un millón de tokens permite trabajar con grandes bases de código y mantener la información relevante durante todo el desarrollo del proyecto, algo esencial en programación. Un aspecto crítico es que el seguimiento y comprensión del código por parte de la IA no solo depende de pasar tests individuales, sino también de gestionar correctamente el contexto y la secuencia de instrucciones previas, una tarea compleja pero fundamental para evitar errores acumulativos.
Latencia y más allá del rendimiento bruto
Los análisis de Artificial Analysis indican que Quasar tiene un tiempo inicial de respuesta aproximado de 1,1 segundos y puede generar respuestas de 500 tokens con razonamiento incluido en unos 15,3 segundos. Aunque estos datos son competitivos, en un entorno real los agentes deben esperar a otras herramientas, gestionar el contexto creciente y realizar múltiples consultas al modelo, lo que añade capas de latencia que todavía presentan desafíos de optimización.
Esta complejidad muestra que la velocidad de procesamiento por sí sola no es suficiente para determinar la efectividad de un modelo en aplicaciones prácticas, ya que la integración en sistemas complejos y la gestión holística del flujo de trabajo son igualmente importantes.
Un modelo cerrado con incógnitas abiertas
Quasar es un modelo cerrado y solo está disponible a través de la API de Multiverse, lo que limita la capacidad de los desarrolladores para inspeccionar sus parámetros o ejecutarlo en su propio hardware. Esta característica dificulta evaluar con precisión si las cifras de velocidad comunicadas por Multiverse se traducirán en un rendimiento real en escenarios cotidianos de agentes de IA.
Quasar surge en un momento en que muchas empresas europeas de inteligencia artificial están apostando por desarrollar su propia infraestructura de modelos y capacidad de cómputo, evitando depender de grandes proveedores estadounidenses. En contraste, Multiverse opta por la compresión para hacer viable la ejecución de modelos extremadamente grandes a un coste y velocidad aceptables.
El siguiente paso para confirmar la capacidad de Quasar será observar cómo se comporta frente a un conjunto más amplio de benchmarks y en casos de uso prácticos, lo que aportará una visión más clara de si la compresión puede ser la vía para combinar tamaño y velocidad en la próxima generación de agentes inteligentes.
