Hugging Face libera Open R1, un modelo de razonamiento que replica a DeepSeek-R1 y funciona sin conexión
La plataforma publica versiones completamente abiertas del modelo chino, desde 1.500 millones hasta 671.000 millones de parámetros, que cualquiera puede descargar y ejecutar en su propio hardware.
Hugging Face (una plataforma donde desarrolladores comparten y descargan modelos de IA ya entrenados) acaba de publicar Open R1, una familia de modelos de razonamiento basada en DeepSeek-R1 (un modelo chino que piensa en voz alta antes de responder, al estilo de o1 de OpenAI). La diferencia clave: Open R1 es completamente de código abierto y sus pesos (los datos que permiten que el modelo funcione) están disponibles para descarga sin restricciones comerciales, algo que DeepSeek-R1 no ofrecía en todas sus versiones.
La familia incluye cuatro modelos de distinto tamaño: desde Open R1 1.5B (con 1.500 millones de parámetros, pensado para ordenadores modestos) hasta Open R1 671B (el más potente, con 671.000 millones de parámetros, que requiere equipos industriales). Todos están disponibles en dos versiones: el modelo base y una versión optimizada mediante destilación (un proceso que 'comprime' el conocimiento de un modelo grande en uno más pequeño y rápido). Según Hugging Face, los modelos más pequeños pueden ejecutarse en hardware accesible —como una Nvidia RTX 4090 para el modelo de 7.000 millones de parámetros— sin depender de servicios en la nube.
DeepSeek-R1 llamó la atención en enero porque demostraba capacidades de razonamiento similares a las de o1 de OpenAI, pero su licencia original limitaba el uso comercial de algunas versiones. Open R1 elimina esas restricciones: todos los modelos están bajo licencia MIT (una de las más permisivas en software libre), lo que permite a empresas y desarrolladores usarlos, modificarlos y venderlos sin pedir permiso. El código de entrenamiento también está disponible en GitHub, incluidos los scripts para replicar el proceso de destilación.
Los modelos destacan en matemáticas y razonamiento lógico. En pruebas estándar como AIME 2024 (un examen de olimpiadas matemáticas) y MATH-500 (problemas de nivel universitario), las versiones de 32.000 y 70.000 millones de parámetros alcanzan tasas de acierto del 79% y 94% respectivamente. El modelo más grande, de 671.000 millones, supera el 90% en varios benchmarks (conjuntos de pruebas que miden el rendimiento de los modelos de IA), aunque requiere equipos con múltiples GPUs (procesadores especializados para IA).
Hugging Face asegura que el lanzamiento busca cerrar la brecha entre los modelos propietarios de empresas como OpenAI y Google y las alternativas abiertas que cualquiera puede estudiar o adaptar. La iniciativa cuenta con colaboración de Scale AI (una empresa que etiqueta datos para entrenar IA) y Prime Intellect (especializada en infraestructura distribuida). Todos los modelos ya están disponibles para descarga directa desde la plataforma, junto con demos interactivas que permiten probarlos sin instalar nada.
