El CEO de Kimi, Yan Zhiling: Las empresas de IA están demasiado centradas en los modelos
El CEO de Kimi, Yan Zhiling: Las empresas de IA están demasiado centradas en los modelos
Yan Zhiling, CEO de Kimi, cree que el éxito en IA depende no solo de los modelos, sino también de la organización del equipo. Destaca la importancia del contexto largo para la IA.
Las empresas de IA están demasiado centradas en los modelos. — CEO de Kimi Yan Zhiling
Según él, la ventaja decisiva no proviene solo de la arquitectura o la cantidad de parámetros, sino de cómo está organizado el equipo que crea todo esto. Es la organización de las personas, los procesos y las decisiones lo que, en última instancia, determina el resultado.
Moonshot demostró este enfoque en la práctica. Cuando la demanda de K3 superó la capacidad disponible, la empresa detuvo la venta de nuevas suscripciones, pero no redujo los límites para los usuarios existentes. En otras palabras, prefirió perder parte de los ingresos en lugar de degradar el servicio para su audiencia existente.
Otra idea importante de Yan: el contexto largo se está convirtiendo para la IA en lo que la RAM se ha convertido para las computadoras. La cantidad de memoria de modelo disponible está creciendo a un ritmo enorme, pero ahora esta transición toma no décadas, sino solo unos pocos años.
El modelo es importante, pero la verdadera ventaja puede provenir del equipo y de cómo está organizado.
Por qué es importante
AnálisisEste enfoque destaca la importancia de la organización del equipo en el campo de la inteligencia artificial, lo que puede impactar significativamente en el éxito de los proyectos. Comprender el papel del equipo en el desarrollo de IA puede ayudar a las empresas a lograr mejores resultados.
Debatir en la comunidad
Comparte tus preguntas e ideas con desarrolladores
Relacionado en el ecosistema
Guías prácticas, terminología y skills de agentes
Kimi K3.1 Pro: Moonshot actualiza el modelo para trabajo con herramientas 3D
Moonshot lanzó Kimi K3.1 Pro con un enfoque en herramientas 3D, post-entrenamiento actualizado y una arquitectura Gated DSA para mejorar la eficiencia en contextos largos.
Investigadores del MIT muestran que GPT-6 Astra puede mejorar otros modelos de IA cambiando sus pesos
En un experimento, Astra elevó la precisión de Qwen3.5-0.8B en MATH-500 del 7,9% al 48,1% cambiando solo el 0,016% de los pesos del modelo.
JSON — Datos estructurados para programas, APIs y agentes de IA
Guía práctica y completa sobre JSON: especificación de sintaxis, serialización con parse y stringify, consumo de APIs REST, validación con JSON Schema y salidas estructuradas para LLMs.
Formatos DOCX y XLSX: cuándo se necesita un documento final completo de la IA
Guía práctica y completa sobre la generación y procesamiento de documentos DOCX y libros XLSX con IA: comparativa con Markdown y CSV, ingeniería de prompts, fórmulas y automatización en código.