En la industria de la inteligencia artificial se gesta una revolución silenciosa: estamos acostumbrados a que la comunicación entre modelos siempre esté mediada por texto. Sin embargo, el equipo de desarrolladores bajo la marca Mostik propone un enfoque radicalmente distinto: la transmisión directa de los estados ocultos de la red neuronal sin generación intermedia de palabras. Esto no es solo una optimización, sino un cambio de paradigma en la interacción de los algoritmos.
El esquema tradicional, donde un LLM genera una respuesta y otro la interpreta, es extremadamente ineficiente. En el transcurso de mis investigaciones, he señalado en repetidas ocasiones que el texto es solo un canal estrecho de fuga de información. Al generar un solo token, el modelo forma más de un centenar de vectores ocultos, alrededor de un millón de valores numéricos, lo que equivale a aproximadamente 2 MB de datos. En la respuesta final solo llega una pequeña parte de ese volumen. La solución de Mostik consiste en utilizar un módulo adaptativo especial (un «puente») que traduce las representaciones internas de una red a un formato comprensible para otra, sin ajustar los parámetros de los propios modelos.
Experimento: un gigante y un enano bajo el control del «puente»
Para poner a prueba la hipótesis, los investigadores conectaron el masivo GLM-5.2 de Z.ai (753 mil millones de parámetros) con el compacto Qwen-3.5 de Alibaba (4 mil millones de parámetros). El punto clave: el modelo grande solo procesaba la consulta, sin generar una respuesta, y su estado oculto se transmitía a través del «puente» al modelo pequeño, que era quien formaba el texto final. Este tándem permitió reducir la brecha de calidad entre los modelos aproximadamente a la mitad. Además, en comparación con la transmisión textual clásica, el nuevo método mostró una ventaja de hasta 10 puntos porcentuales con los mismos costos computacionales.
Resulta de especial interés la comparación con un modelo de tamaño medio. El sistema híbrido alcanzó resultados comparables, pero requirió 2,5 veces menos cómputo. Esto abre un beneficio económico directo: podemos usar los «cerebros» caros solo para el análisis complejo, y los baratos para la generación rutinaria.
En busca de un lenguaje matemático universal
El investigador principal de Mostik, Stanislav Smirnov, subraya con razón el problema fundamental: los espacios internos de diferentes redes neuronales son inconmensurables. Incluso al resolver una misma tarea, los modelos codifican la información de manera distinta. «Parece que aún no existe un lenguaje matemático adecuado», constata. Esta observación resuena con mi análisis: estamos en el umbral de crear un meta-lenguaje de la IA que permita no solo transmitir datos, sino también comprender cómo razonan los distintos sistemas.
El valor práctico del enfoque es evidente para la industria. El exinvestigador de Google DeepMind, Karl Tuyls, vislumbra un escenario donde el modelo de alto consumo se dedica solo al procesamiento intelectual, mientras que la generación la asume uno pequeño. Vladimir Arustamyan, de Lovable, añade que esto aumentará la demanda de modelos altamente especializados: en lugar de una red neuronal monolítica para todo, obtendremos un ecosistema de expertos que interactúan.
Primeros pasos y cuestiones sin resolver
El equipo también aplicó el método en el benchmark ARC-AGI-3, afirmando tener uno de los mejores resultados en la clasificación. Sin embargo, aquí mantengo un escepticismo sano: el estado de «vista previa» en esta prueba no garantiza la precisión final, y los demás indicadores se basan en experimentos internos sin validación externa. No obstante, la idea en sí —usar los estados ocultos como canal de comunicación— no solo parece viable, sino inevitable. Es revelador que OpenAI ya se haya enfrentado a la organización espontánea de canales secretos entre sus agentes a través del gestor de paquetes Artifactory, convirtiéndolo en un mensajero. Ahora vemos una ingeniería consciente de este proceso.
Mi veredicto: el enfoque de Mostik es un elegante truco matemático que podría convertirse en el estándar de facto para los sistemas multiagente. En lugar de obligar a los modelos a «hablar» en el pobre lenguaje humano, les enseñamos a comunicarse en el rico lenguaje de los números. Esto no solo acelerará la inferencia, sino que abrirá nuevos horizontes para la composición de conocimientos especializados. La cuestión es solo cuán rápido el resto de los actores del mercado se dará cuenta de que el texto es un protocolo obsoleto de transferencia de datos entre máquinas.