Tufazip afirma haber comprimido sin pérdidas un gigabyte de texto de Wikipedia a 105,39 MB con un Transformer como único predictor. El ahorro de espacio, sin embargo, requiere dos GPU Nvidia B200 y cerca de una semana para comprimir o descomprimir.
***
- El archivo de 105,39 MB incluye un modelo inicial de 4,33 MB, necesario para reconstruir el texto.
- Tufazip utiliza un Transformer de 163 millones de parámetros que aprende durante la compresión y la descompresión.
- En la prueba reportada, comprimir tomó 631.548 segundos y descomprimir 645.748 segundos con dos GPU Nvidia B200.
🧠⚙️ IA comprime 1 GB de Wikipedia a 105,39 MB
Tufazip lo logra sin pérdidas con un Transformer de 163 millones de parámetros.
Comprimir tarda 7,3 días y descomprimir, 7,5 días, usando dos GPU Nvidia B200.
El archivo incluye un modelo inicial de 4,33 MB. pic.twitter.com/9Jlyd9DTH8
— Diario฿itcoin (@DiarioBitcoin) November 21, 2026
Tufazip comprime un gigabyte de Wikipedia a 105 MB, pero tarda más de una semana
Un experimento de Tufa Labs llevó la compresión de texto sin pérdidas a un resultado destacado dentro del Large Text Compression Benchmark. Su sistema, llamado tufazip, redujo un gigabyte de información de Wikipedia a 105,39 MB mediante un Transformer que aprende mientras procesa los datos, aunque completar cada operación exige varios días en hardware especializado.
- El método usa una red neuronal como único predictor, sin combinarla con modelos de compresión tradicionales construidos a mano.
- La compresión y la descompresión de la versión más reciente tomaron cerca de 7,3 y 7,5 días, respectivamente.
- Las pruebas también muestran que aumentar el modelo o el cómputo no garantiza una compresión mejor.
Un resultado destacado en una prueba de compresión de texto
Tufa Labs presentó tufazip como una alternativa basada exclusivamente en una red neuronal para predecir texto y reducir el tamaño de los datos. De acuerdo con la publicación de investigación citada por Tom’s Hardware, la herramienta comprimió un gigabyte de Wikipedia a 105,39 MB sin pérdida de información. La cifra la ubicó como la entrada más pequeña del Large Text Compression Benchmark entre los sistemas que usan una red neuronal como único predictor.
La distinción importa porque, según la descripción del proyecto, las 12 entradas que ocupaban posiciones superiores en la clasificación combinaban un Transformer con modelos tradicionales construidos a mano. Tufazip intenta obtener el resultado sin ese apoyo adicional, por lo que su comparación se refiere a una categoría concreta del benchmark y no a todos los compresores de texto existentes bajo cualquier condición.
El investigador Tommy He desarrolló el sistema, cuya versión de 105,39 MB figuraba en el puesto 13 de la tabla tras la actualización del 19 de noviembre de 2026. La primera versión, que aprendía completamente en línea y generó un archivo de 105,98 MB, había alcanzado el segundo lugar cuando se envió a principios de septiembre; el cambio de posición refleja las diferencias entre versiones y el avance de las demás propuestas.
La prueba se centra en texto y no permite concluir que el método comprima de manera equivalente imágenes, audio o video. El nombre de Wikipedia puede sugerir una colección digital completa, pero el experimento evalúa datos textuales, de modo que sus resultados describen un problema delimitado y no una solución general para reducir cualquier tipo de archivo.
Cómo aprende el modelo mientras procesa los datos
Tufazip no funciona como un chatbot convencional que responde a consultas desde un servicio en la nube. Su modelo actúa como predictor autónomo: anticipa cada token del texto y, a continuación, aprende a partir de ese mismo elemento mientras avanza por los datos, un proceso que se repite también durante la reconstrucción del archivo.
El sistema completo usa un Transformer de 163 millones de parámetros y 12 capas, es decir, 12 etapas que participan en cada predicción. Para que la descompresión pueda reproducir el mismo proceso, los cambios del predictor deben ser completamente deterministas; de lo contrario, el modelo que reconstruye el texto podría desviarse del que participó en la compresión y dejar de recuperar exactamente los datos originales.
El entrenamiento ocurre en dos fases. Antes de comprimir, un modelo inicial de 34 millones de parámetros se entrena fuera de línea; luego, el modelo completo aprende en línea con los tokens que procesa, mientras el lado de descompresión repite las mismas operaciones y reconstruye el predictor junto con el texto.
El paquete final debe incluir el texto comprimido y los elementos necesarios para descomprimirlo, entre ellos el programa y el modelo inicial, pero no el modelo completo ya entrenado durante el proceso. En la versión optimizada, ese modelo inicial ocupa 4,33 MB y se almacena con menor precisión, una cuantización que reduce su tamaño sin convertir el procedimiento en una compresión con pérdida.
El ahorro de espacio tiene un alto costo de tiempo y hardware
La reducción del archivo no se traduce en un proceso rápido: la medición reportada para tufazip v2 registró 631.548 segundos para comprimir y 645.748 segundos para descomprimir. Esos tiempos equivalen a unos 7,3 y 7,5 días, respectivamente, y no incluyen el entrenamiento fuera de línea del modelo inicial que el sistema necesita antes de comenzar.
La máquina de prueba utilizó dos GPU Nvidia B200 y dos CPU Intel Xeon Platinum 8570. Durante la compresión, las GPU alcanzaron un máximo conjunto de 43,37 GiB de memoria de video, mientras que el consumo total de memoria, incluidas las GPU, llegó a unos 68.525 MiB; durante la descompresión, el máximo total fue de aproximadamente 73.748 MiB.
La primera versión, que aprendía completamente en línea y produjo un archivo de 105,98 MB, tardó 647.595 segundos en comprimir y 630.136 segundos en descomprimir. Aunque sus tiempos también rondaron una semana por operación, el orden de duración cambió entre tareas frente a la versión más reciente, lo que muestra que una pequeña diferencia en tamaño no equivale automáticamente a una mejora en velocidad.
La tabla del benchmark pone esos resultados junto a otros sistemas, aunque sus mediciones dependen del hardware empleado y de si el tiempo de entrenamiento está incluido. En esa comparación, cmix-neif 2.0 produjo el archivo más pequeño, de 89,35 MB, mientras que DNA-4 registró 105,55 MB y NNCP v3.2, 107,26 MB.
| Compresor | Tamaño total | Hardware | Compresión | Descompresión |
|---|---|---|---|---|
| cmix-neif 2.0 | 89,35 MB | AMD Epyc 7B13, 4 núcleos | 49,2 horas | 49,3 horas |
| tufazip v2 | 105,39 MB | Dos Nvidia B200 | 7,3 días, sin entrenamiento fuera de línea | 7,5 días |
| DNA-4 | 105,55 MB | Nvidia RTX 4090 | 19,8 horas, incluido el entrenamiento | 2,6 horas |
| NNCP v3.2 | 107,26 MB | Nvidia RTX 3090 | 67,2 horas | 66,3 horas |
El experimento revela límites y compensaciones
Los ensayos descritos por el equipo muestran que los detalles del tokenizador también afectan el tamaño final. Una versión con vocabulario de 4.000 palabras superó a las configuraciones de 8.000 y 16.000, mientras que asignar tokens específicos a las etiquetas XML de Wikipedia empeoró la compresión, una señal de que ampliar la representación no necesariamente facilita el trabajo del predictor.
El tamaño del modelo tampoco produjo una mejora lineal. En este conjunto de datos, uno de 267 millones de parámetros rindió ligeramente peor que otro de 188 millones, y en una prueba con un archivo de 100 MB las ganancias se estabilizaron alrededor de los 77 millones de parámetros.
Otra prueba partió de un modelo fuera de línea más grande, con seis capas, y logró una carga útil de 99,17 MB gracias a una mejor predicción. Sin embargo, los pesos más voluminosos hicieron que el archivo total superara al de la ejecución solo en línea, porque el tamaño inicial del modelo también cuenta al evaluar el paquete que debe distribuirse y descomprimirse.
Ampliar de 15 a 35 millones de tokens la ventana de texto ya procesado que sirve para entrenamiento adicional redujo la carga útil apenas un 1,21%, a cambio de un 40% más de cómputo. Tommy He plantea como siguiente pregunta de investigación cuánto poder predictivo puede conservar un modelo más pequeño: el resultado dependerá del equilibrio entre calidad de predicción, tamaño de los pesos y recursos necesarios para ejecutar cada etapa.
Por ahora, tufazip es un experimento de investigación, no un producto práctico para sustituir herramientas corrientes de compresión. Su interés está en demostrar cuánto puede aportar un predictor neuronal autónomo en un benchmark de texto y, al mismo tiempo, exhibir una tensión central: ganar unos megabytes puede exigir una cantidad de cálculo y memoria que limita el uso cotidiano.
Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.
Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.
ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.
Suscríbete a nuestro boletín
Artículos Relacionados
IA
Navier-Stokes podría explotar sin fuerza externa, según una nueva demostración asistida por IA
Estados Unidos
Bot Auto reserva 200 millones de millas para expandir el transporte autónomo de carga
Empresas
El plan de financiamiento de Nvidia por USD $500.000 millones sigue sin desembolsos
Hardware
