Soofi S: soberanía no significa victoria

Soofi S 30B-A3B alcanza los valores más altos en los benchmarks alemanes entre los modelos europeos actuales. La arquitectura híbrida MoE-Mamba mantiene, con un contexto de 40K, un mayor rendimiento de decodificación que los modelos Attention puros de la misma categoría de tamaño. Para un equipo de infraestructura, la decisión de adopción se reduce a una pregunta directa: ¿Compensan estas características el estado beta y la ausencia de procesos operativos?

Lo más importante en resumen

Relacionado:Casi al nivel de élite, entrenado de forma más económica  /  La nube soberana no termina en la ubicación del servidor

Comparación de rendimiento con Qwen y los modelos europeos

Soofi alcanza 79,1 puntos en los agregados alemanes y se sitúa así por delante de Nemotron con 74,9. En código alemán la distancia se amplía. MBPP-DE llega a 84,2 y marca allí el mejor valor entre los modelos comparados. Estas cifras son datos del fabricante y se basan en datos de entrenamiento con un fuerte peso alemán.

Qwen3.5 35B supera a Soofi en el agregado en inglés con 74,6 frente a 70,1. En benchmarks de razonamiento como GPQA y BBH la diferencia también resulta clara. Las cargas de trabajo con alto contenido de inglés o tareas de razonamiento abstracto muestran así una desventaja notable frente al modelo chino. La tabla recoge los valores de comparación directa en todos los campos de prueba.

Los modelos europeos Teuken-7B, Apertus, EuroLLM y Salamandra quedan más atrás en los agregados. Teuken-7B aparece en el gráfico en la zona inferior izquierda. Aleph Alpha fue adquirida por Cohere en abril de 2026. Según los benchmarks disponibles, Soofi es actualmente el modelo europeo abierto más potente de este tamaño que no pertenece a una empresa no europea.

Lo que significa en la práctica el diseño híbrido MoE-Mamba

Soofi utiliza en total 30 mil millones de parámetros, pero activa por token solo alrededor de tres mil millones. El componente Mamba sustituye partes de la Attention clásica y escala de forma lineal con la longitud del contexto. Gracias a ello, la velocidad de decodificación en tokens por segundo y GPU se mantiene alta incluso con un contexto de 40K. Los modelos de Attention completa luchan aquí con el creciente KV-Cache, que consume el ancho de banda de memoria y reduce el tamaño de batch posible. En cambio, el componente Mamba mantiene un estado constante y prescinde del KV-Cache.

Para un equipo de infraestructura, esto se traduce en menor latencia con documentos largos, historiales de chat extensos o contextos de recuperación. Es importante destacar una distinción que se cobra caro en la práctica si se pasa por alto: la proporción de parámetros activos reduce la carga computacional por token, no el almacenamiento de los pesos. En la VRAM siguen residiendo los 30 mil millones de parámetros completos; lo que se ahorra son FLOPs y memoria de activaciones. El coste adicional reside en la lógica de enrutamiento MoE. Esta genera sobrecarga en el batching, el balanceo de carga y la planificación de las activaciones de expertos, y en entornos multi-GPU añade también overhead de comunicación. El gráfico sitúa a Soofi según capacidad y rendimiento medido.

Muestra el modelo en la parte superior derecha, con alta capacidad y el mayor rendimiento medido. Hasta ahora ningún modelo europeo había ocupado esa posición. La ubicación resulta de la combinación de la selectividad MoE y la eficiencia de Mamba con contextos largos.

Necesidades de recursos y lo que es realista hoy

El entrenamiento consumió, según datos del fabricante, alrededor de 253.000 horas de GPU B200 en la Industrial AI Cloud de Deutsche Telekom en Múnich. Se utilizaron unos 27.000 mil millones de tokens de entrenamiento con un fuerte peso en alemán. La licencia es permisiva, aunque el acceso está actualmente limitado a una beta cerrada.

En la inferencia, el esfuerzo computacional por token se acerca por tanto al de un modelo con tres mil millones de parámetros activos. Un equipo ahorra así tiempo de cálculo, pero debe seguir reservando memoria para los pesos equivalente a un modelo de 30 mil millones. En la beta faltan versiones estables, rutas de actualización documentadas y datos claros sobre la compatibilidad con marcos de inferencia habituales como vLLM o TensorRT-LLM.

Hoy resultan realistas los estudios internos de viabilidad, los experimentos de contexto largo y los primeros ajustes finos con datos propios. Para sistemas productivos con SLA definidos de disponibilidad y latencia, el estado actual suele no ser suficiente. La integración en pipelines MLOps existentes exige trabajo adicional propio de desarrollo y validación.

El debate sobre la eficiencia del esfuerzo de entrenamiento

Los críticos de la comunidad especializada detectan una superposición de arquitectura y mixture de alrededor del 80 por ciento con el Nemotron 3 Nano de Nvidia. Según esta valoración, un Continual Pretraining sobre el modelo existente habría requerido considerablemente menos tiempo de cómputo. Las 253.000 B200-GPU-Stunden parecen elevadas desde este punto de vista. Además, la métrica Capability-Index definida por ellos mismos se considera exagerada por algunos observadores.

El equipo de Michael Fromm argumenta, sin embargo, que el objetivo no era lograr la cifra de evaluación más baja. Un modelo entrenado desde cero con su propia pipeline de datos se puede reproducir técnicamente mejor y desarrollar de forma más dirigida que un checkpoint ajeno sobre el que simplemente se construye.

Técnicamente, el trade-off sigue siendo claro. Quien necesita el control total sobre los datos de entrenamiento y su ponderación, acepta el mayor esfuerzo. Quien busca una baseline sólida con el menor esfuerzo adicional posible, opta más bien por Continual Pretraining o por un modelo ya terminado.

Quién asume la responsabilidad operativa

En producción, un equipo gestiona por sí mismo los parches, las actualizaciones de seguridad y la respuesta a incidentes. No existe ningún proveedor comercial que asuma SLA, monitorización o tiempos de respuesta fijos. Cualquier caída o brecha de seguridad recae íntegramente en el operador.

El entrenamiento procede de un consorcio de investigación. La evolución futura depende de la continuidad de ese proyecto. Quien despliega Soofi genera una dependencia de un proceso de desarrollo que no está orientado prioritariamente a la estabilidad operativa. Esto incrementa la carga de trabajo en observabilidad propia, estrategias de rollback y procedimientos de emergencia. Precisamente este aspecto sigue siendo la pregunta más difícil al pasar del benchmark al entorno de producción real.

Preguntas frecuentes

Fuente imagen de portada: Generada por IA (julio de 2026)