Por Canuto  

vLLM Semantic Router presentó d3-ultra, un modelo abierto de 26.090 millones de parámetros que responde preguntas tipadas sobre texto, imágenes y video. La herramienta no redacta respuestas: entrega probabilidades para tareas de decisión, aunque los resultados de referencia reportados por el equipo no cuentan aquí con validación independiente y su desempeño en ubicación visual quedó por debajo de d3-turbo.
***

  • d3-ultra cuenta con 26.090 millones de parámetros, licencia Apache-2.0 y una ventana de 131.072 tokens por pregunta.
  • El equipo reporta 87,2 puntos en SR-Text, una evaluación propia cuyos resultados no se presentan como verificados por terceros.
  • En SR-Box, el modelo obtiene 58,2% en 10 dominios, por debajo del 60,0% de d3-turbo.

 

vLLM Semantic Router presentó d3-ultra, un modelo de decisión multimodal de 26.090 millones de parámetros que, en lugar de generar texto, devuelve probabilidades para responder preguntas definidas por el usuario. El equipo lo ofrece con licencia Apache-2.0 y plantea su uso en tareas como clasificación, enrutamiento, análisis visual y revisión de video desde una sola solicitud. MarkTechPost reportó el lanzamiento y los resultados de las pruebas del equipo.

La propuesta se aparta de la interacción habitual con un chatbot: el sistema recibe un estado en texto o JSON, que también puede incluir imágenes o videos, y evalúa un conjunto de preguntas tipadas. Según la información publicada, una solicitud puede contener hasta 131.072 tokens por pregunta y el modelo lee la entrada una sola vez antes de calcular las respuestas; esa estructura busca reducir la repetición de procesamiento cuando una aplicación necesita varios juicios sobre el mismo material.

Un modelo para clasificar y evaluar, no para conversar

d3-ultra pertenece a Decision 3.0, la familia de modelos de decisión de vLLM Semantic Router, que abarca tamaños desde 0,6B hasta 27B. Su función consiste en asignar probabilidades o puntuaciones a respuestas posibles, en vez de producir párrafos conversacionales; por eso, el equipo lo plantea como una pieza que puede incorporarse a sistemas de software para seleccionar rutas, verificar condiciones o interpretar contenido visual.

El modelo acepta cinco tipos de preguntas: Choice, para escoger una opción; Yes / No, para calcular la probabilidad de una respuesta afirmativa; Score, para asignar una calificación; Box, para localizar un objeto en una imagen o un instante de video; y Track, para seguir un objetivo a lo largo de una grabación. Las imágenes también pueden aparecer dentro de las preguntas o de las opciones, lo que permite, por ejemplo, presentar una fotografía y pedir que el sistema identifique cuál de varios grabados aparece en ella.

La cifra de 26.090 millones de parámetros corresponde a un modelo denso e incluye un codificador de visión de 0,46B, según la ficha descrita por MarkTechPost. La configuración indica una arquitectura de base Qwen3.5 con 64 capas: 48 usan atención lineal y 16 atención completa. Sin embargo, la ficha no identifica el checkpoint de base, y la receta de entrenamiento de vLLM dice que el modelo hermano d3 se entrenó desde Qwen3.8-27B, dos referencias que conviene distinguir en lugar de asumir que describen el mismo punto de partida.

La lectura única de la entrada es el eje operativo de d3-ultra: en lugar de volver a procesar la misma fotografía para cada consulta, el sistema formula varias respuestas a partir de una lectura compartida. El equipo reportó que, en una AMD Instinct MI325X con AutoModel, una pregunta sobre una foto tomó 304 milisegundos, mientras que 255 preguntas se resolvieron en 2,16 segundos, cerca de 7,3 milisegundos por pregunta adicional; son mediciones del equipo bajo esa configuración, no una garantía universal de latencia.

Resultados destacados en texto, con límites en visión

En SR-Text, la evaluación interna de vLLM reúne 10.411 solicitudes de texto con 73.495 preguntas, y sus resultados se corrigen por azar: 0 representa el azar y 100 un desempeño perfecto. La mayoría de los ítems recrea habilidades de 34 benchmarks públicos con preguntas nuevas, mientras que otras 4.896 preguntas abarcan 43 familias de tareas nuevas, como comprobaciones SQL y enrutamiento de tickets. El equipo presenta estos datos como resultados de su propia prueba, no como una evaluación independiente.

d3-ultra obtuvo 87,2 puntos en SR-Text, por encima de GLiDE V1.2, con 85,1; d1-ultra, con 83,4; d3-turbo, con 83,1; d3, con 81,4; y Jev 1.14, con 73,1. El equipo asegura que d3-ultra lideró en todas las áreas excepto artes y gusto humano, donde d1-ultra llegó a 90,8 frente a 89,6; según la propia comparación, la diferencia está dentro del margen de error. MarkTechPost también recoge la puntuación de 87,2 y la comparación con GLiDE V1.2. Estos datos describen la prueba de vLLM y no deben confundirse con resultados confirmados por una entidad externa.

El panorama cambia en SR-Box, una evaluación de localización visual con 5.678 preguntas sobre 4.984 imágenes y 10 dominios. La prueba considera correcta una caja cuando su IoU, o intersección sobre unión, alcanza al menos 0,5; d3-ultra marcó 58,2% en 10 dominios y 54,6% en 9. En las mismas dos variantes, d3-turbo consiguió 60,0% y 59,6%, mientras que Jev 1.14 obtuvo 45,7% y 46,9%.

Según el equipo, d3-turbo se mantiene más fuerte con imágenes naturales, mientras que d3-ultra lidera en gráficos, una diferencia que importa porque el rendimiento visual no es uniforme entre tipos de contenido. En particular, el resultado de 54,6% en nueve dominios queda 5 puntos por debajo del registro de d3-turbo, aunque el nuevo modelo sí admite funciones Box y Track. El reporte también indica que las respuestas Box siempre devuelven exactamente una caja con una confianza, que puede aproximarse a cero cuando el objetivo no aparece en la imagen.

Pesos abiertos, despliegue y comparaciones

vLLM enumera cuatro vías para probar o desplegar d3-ultra: Transformers, el motor vLLM Semantic Router, una API gratuita y una demostración en Hugging Face Space. Para Transformers, la receta indica cargar el modelo con AutoModel desde vllm-sr/d3-ultra y usar transformers==5.17.0; el paquete opcional flash-linear-attention añade kernels rápidos para GPU. La ruta de motor puede iniciarse con vllm-sr serve -e vllm-sr/d3-ultra, y se incorporó en el PR #5449 el 25 de octubre de 2026, según la información suministrada.

La ficha anuncia que decision.vllm-sr.ai sirve el modelo mediante una clave gratuita, mientras que el espacio oficial de Hugging Face ofrece una demostración. El equipo reporta pruebas con pesos BF16 en una AMD Instinct MI325X, pero no lista una variante cuantizada oficial. Además, el límite de 131.072 tokens se aplica por pregunta: si una solicitud supera esa extensión, el sistema devuelve el error max_length_exceeded en lugar de recortar el contenido silenciosamente.

Las alternativas comparadas cubren distintos enfoques y condiciones de acceso. GLiDE V1.2, de Fastino Labs, tiene 26B parámetros, admite texto, JSON e imágenes, ofrece 40.000 tokens por defecto y aparece con una licencia Fastino Community License y un precio de USD $0,04 por millón de tokens de entrada. d1-ultra, de Liquid AI, admite texto e imágenes, declara 32.768 tokens, no divulga sus parámetros y cuesta USD $0,042 por millón de tokens de entrada; se ofrece alojado, sin pesos abiertos en la tabla comparativa.

En esa misma tabla, Jev 1.14, de TypeSafe, admite texto e imágenes, ofrece 262.144 tokens y soporte Box, pero no Track; figura como propietario y alojado, también a USD $0,042 por millón de tokens de entrada. d3-turbo comparte con d3-ultra los 26.090 millones de parámetros y la licencia Apache-2.0, acepta texto, JSON, imágenes y video, y ofrece 32.768 tokens por defecto o 131.072 con la opción long_context. En el índice público, la tabla atribuye a d3-turbo una estimación propia de 70,2 Jev DI, a GLiDE 71,5 puntos en Decision Index 0.4.1, a d1-ultra 65 en AA Decision Index y a Jev 1.14 57 en ese último índice; d3-ultra figura como enviado, pero todavía no aparece en el tablero.

Qué muestran los datos y qué queda por comprobar

El contraste entre SR-Text y SR-Box muestra que una puntuación alta en tareas de texto no asegura el mismo liderazgo en localización visual. d3-ultra supera a los demás modelos de la comparación en la prueba textual interna de vLLM, pero cede ante d3-turbo en las dos mediciones de caja disponibles. Para desarrolladores, la distinción resulta relevante al seleccionar un modelo según la tarea: clasificar solicitudes y encontrar un objeto en una imagen exigen capacidades diferentes.

Los resultados de SR-Text y SR-Box son reportados por el propio equipo y provienen de conjuntos de prueba privados, aunque SR-Text se construyó en parte a partir de habilidades de benchmarks públicos. La descripción no aporta una validación externa ni permite comprobar directamente la composición completa de los ítems, de modo que las cifras sirven como referencia del equipo, no como una comparación definitiva. La ficha también señala que d3-ultra fue enviado a un índice público, pero todavía no aparece en su tablero.

El carácter abierto del modelo y su licencia Apache-2.0 permiten a los equipos interesados inspeccionar y desplegar sus pesos, mientras que la API gratuita ofrece una vía distinta para probarlo sin asumir desde el inicio una instalación propia. Aun así, el tamaño de 26.090 millones de parámetros, la prueba reportada en una sola AMD Instinct MI325X y la falta de una versión cuantizada oficial son factores prácticos que cada organización tendría que considerar. La información disponible no especifica requisitos de hardware más amplios ni costos de operación para el autoalojamiento.

Por ahora, d3-ultra se presenta como una herramienta especializada en emitir decisiones estructuradas a partir de texto, imágenes y video, con una ventaja reportada en SR-Text y funciones visuales que incluyen cajas y seguimiento. Su atractivo dependerá de que los equipos puedan reproducir los resultados, evaluar el comportamiento en sus propios datos y determinar si la lectura compartida reduce tiempos en sus flujos de trabajo. La comparación con d3-turbo deja claro que el nuevo modelo no domina todas las tareas, pese a encabezar la prueba textual de su creador.

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