Quasar 438B no nació en Europa: Multiverse confirma que parte de GLM-5.2
Artificial Analysis ya lo etiqueta como basado en GLM-5.2 y el changelog de CompactifAI lo decía el 5 de agosto. El 43 no se cae; se cae el relato de modelo fundacional europeo desde cero.
En este artículo
Ayer la pregunta era qué había debajo de Quasar 438B. Hoy la respuesta ya no es una sospecha: Quasar está basado en GLM-5.2, el modelo de pesos abiertos de Z.ai.
Artificial Analysis lo etiqueta "Quasar 438B (max, based on GLM-5.2)". Y no hace falta una teoría de la conspiración para llegar ahí. En el changelog de CompactifAI del 5 de agosto, cuando Quasar entró en beta, ya constaba que sus capacidades eran "identical to GLM 5.2".
Eso no tumba el 43 del Intelligence Index. Tampoco demuestra que CompactifAI sea postureo, ni convierte en delito técnico el partir de un checkpoint abierto. Lo que se cae es la lectura fácil: un gran modelo fundacional europeo nacido desde cero para medirse con Estados Unidos y China.
La tecnología puede ser europea. La optimización, también. El modelo base no.
Ayer faltaba una pieza
El 2 de septiembre Multiverse presentó Quasar 438B como "Europe's Leading AI Model". 438.000 millones de parámetros, orientación a agentes y código, un millón de tokens de contexto y un 43 en el Artificial Analysis Intelligence Index. El mensaje era nítido: Europa tenía un modelo grande capaz de colocarse por delante de Mistral y el resto del vecindario.
Señalamos entonces el agujero. Sin arquitectura ni parámetros activos, no se podía juzgar de dónde salía esa eficiencia ni qué significaban de verdad esos 438B.
Un día después aparece la pieza.
Artificial Analysis lo identifica como basado en GLM-5.2. El changelog del 5 de agosto ya lo describía con capacidades "idénticas" a GLM-5.2. Y Multiverse publica una aclaración después de que la procedencia empezara a circular en la comunidad.
La secuencia importa:
- Quasar entra en beta con una referencia directa a GLM-5.2.
- El lanzamiento del 2 de septiembre lo presenta como el modelo de referencia europeo sin explicar esa base.
- La comunidad detecta la relación.
- Artificial Analysis lo etiqueta "based on GLM-5.2".
- Multiverse aclara el origen.
Veintiocho días entre la beta y el gran anuncio. Un día entre el anuncio y la etiqueta. No estamos ante una rectificación del benchmark. Estamos ante una corrección del relato de procedencia.
El 43 sigue siendo real. Lo que ya no se sostiene igual es la historia que lo rodeaba.
Quasar no es GLM-5.2 sin más
Decir que parte de GLM-5.2 no equivale a un cambio de nombre. Los números de Artificial Analysis muestran que algo ha cambiado de forma material:
| Métrica | Quasar 438B | GLM-5.2 Max |
|---|---|---|
| Artificial Analysis Intelligence Index | 43 | 53 |
| Parámetros totales | 438B | 753B |
| Parámetros activos publicados | No publicados | 40B |
| Velocidad de salida | ~183 tok/s | ~68 tok/s |
| Precio blended / 1M tokens | $0,72 | $0,90 |
| Contexto | 1M | 1M |
Quasar tiene aproximadamente un 42% menos de parámetros totales y genera tokens unas 2,7 veces más rápido en esa medición. También pierde 10 puntos de Intelligence Index frente a GLM-5.2 Max.
Eso encaja con la especialidad histórica de Multiverse: transformar y comprimir modelos para recortar coste computacional, no necesariamente parir un fundacional desde cero.
Aquí sigue abierta la pregunta que ayer ya era el agujero. Multiverse no ha publicado cuántos parámetros activa Quasar durante la inferencia. GLM-5.2 es un MoE de 753B totales con sólo 40B activos por token. Un Mixture of Experts, dicho en bar, es un modelo enorme del que en cada paso sólo se enciende una fracción. Por eso 438B frente a 753B no es una comparación de compute.
Sin arquitectura y sin parámetros activos, no hay forma honesta de afirmar que Quasar sea computacionalmente más eficiente. Hay un fichero más pequeño y un chorro de tokens más rápido. Falta el dato que convertiría eso en una tesis de eficiencia.
El problema no es partir de un modelo chino
La IA de pesos abiertos funciona así. Coges un checkpoint, continúas el entrenamiento, especializas, comprimes, destilas, metes reinforcement learning. Eso no es copiar. Es una de las ventajas del ecosistema abierto.
Multiverse sabe declararlo cuando quiere. LittleLamb 0.3B salió como derivado de Qwen3-0.6B. El precedente está en casa.
Cursor hizo lo mismo, en grande, y lo dejó por escrito.
Composer 2 parte explícitamente de Kimi K2.5, de Moonshot AI. Lo pusieron en el informe técnico y en el blog. El pipeline no admite malentendidos: Kimi K2.5 → continued pretraining sobre datos dominados por código → extensión de contexto y SFT → reinforcement learning en entornos que imitan sesiones reales de Cursor → Composer 2.
El punto de partida es chino. El producto final no pretende ocultarlo. Y, más importante, Cursor documenta qué valor añadió encima, en su propio harness:
| Modelo | CursorBench | SWE-bench Multilingual | Terminal-Bench |
|---|---|---|---|
| Kimi K2.5 | 36,0 | 65,1 | 47,3 |
| Composer 2 | 61,3 | 73,7 | 61,7 |
En CursorBench la diferencia es de 25,3 puntos. Eso no prueba que Composer gane en cualquier tarea del mundo: CursorBench es una evaluación construida por Cursor y usada en su propio desarrollo. Demuestra otra cosa, más útil para esta conversación. Puedes señalar el checkpoint de partida, explicar el entrenamiento adicional y enseñar una mejora clara precisamente en el dominio para el que has especializado el modelo.
Ahí está el valor añadido. Y se puede enseñar sin pedir perdón por haber empezado en casa de otro.
Quasar todavía no ha demostrado esa transformación
Con Quasar, la evidencia pública cuenta por ahora otra historia.
Parte de GLM-5.2. Tiene muchos menos parámetros totales. Es considerablemente más rápido. Cuesta algo menos por token. Y obtiene 43 frente a 53 de GLM-5.2 Max en el índice general de Artificial Analysis.
Eso puede ser ingeniería valiosa. Si Multiverse ha recortado el tamaño y lo sirve casi tres veces más rápido manteniendo buena parte de las capacidades, hay producto.
Lo que todavía no vemos es el equivalente a la historia de Composer:
modelo base → entrenamiento especializado → mejora demostrable en el dominio objetivo.
Quasar obtiene un 69,3 en Terminal-Bench según las cifras que Multiverse publica a partir de Artificial Analysis. Falta documentación técnica que permita separar cuánto de ese comportamiento viene de GLM-5.2 y cuánto del proceso posterior. No conocemos la receta completa de entrenamiento, los parámetros activos, el compute adicional ni una ablación base → Quasar que mida qué se ha ganado y qué se ha perdido.
Por ahora, la evidencia pública encaja mejor con una fuerte optimización de GLM-5.2 que con un nuevo modelo fundacional europeo. Optimizar un modelo puede ser una tecnología excelente. Simplemente es otra cosa.
La palabra problemática es "soberano"
Esto sería un detalle menor si el lanzamiento hubiese sido: hemos cogido GLM-5.2 y CompactifAI consigue esta relación entre tamaño, velocidad y calidad. Sería una noticia interesante.
El problema es que Multiverse lleva meses colocando "sovereign AI" en el centro de su narrativa. En julio anunció una Serie C de hasta 500 millones de euros, 570 millones de dólares, valoración pre-money de 1.700 millones de dólares / 1.500 millones de euros, un step-up de 5x respecto a la Serie B, para escalar, entre otras cosas, IA eficiente y soberana. En ese mismo comunicado, un representante de BNPP Solar Impulse Venture Fund, inversor de la ronda, defendía que la tecnología de Multiverse permite ejecutar modelos "on their own terms, on their own soil, without depending on anyone else".
Ahí la procedencia sí importa.
Soberanía de despliegue no es lo mismo que soberanía tecnológica. Puedes ejecutar Quasar en infraestructura europea, servirlo desde una empresa española y controlar los datos dentro de Europa. Eso es soberanía operativa.
Si el conocimiento base procede de GLM-5.2, no puedes usar Quasar como demostración de que Europa ha entrenado de forma independiente un fundacional equivalente a los grandes laboratorios chinos. La infraestructura puede ser europea. La compresión, europea. La operación, europea. El conocimiento que el modelo base aprendió originalmente sigue procediendo de Z.ai.
Y eso no hace pequeño el trabajo de Multiverse
El error sería convertir esto en "Quasar es humo". No lo sabemos. Un 438B que llega a 43 y se sirve alrededor de 183 tokens por segundo es técnicamente interesante.
La pregunta correcta ha cambiado. Ayer era cómo había construido Multiverse un modelo europeo de 438B tan rápido. Hoy es qué ha hecho exactamente CompactifAI sobre GLM-5.2, cuánto compute ha eliminado y cuánto valor nuevo ha añadido.
Multiverse tiene una vía sencilla de cerrarla: publicar arquitectura, parámetros activos, metodología de transformación, benchmarks del checkpoint base frente al resultado final y una tabla de degradación por capacidad. Cursor hizo precisamente eso con Composer.
No hace falta entrenar un modelo de un billón de parámetros desde cero para crear propiedad tecnológica. Hace falta demostrar qué aportaste.
Usar un modelo de pesos abiertos como base no resta legitimidad. Ocultarlo en una narrativa de soberanía sí resta transparencia.
Cursor cogió Kimi K2.5, lo dijo, explicó su continued pretraining y su RL y enseñó cómo el resultado mejoraba en las tareas para las que lo había entrenado. Multiverse lanzó Quasar como "Europe's Leading AI Model" sin colocar GLM-5.2 en el centro. La comunidad tuvo que mirar debajo del capó.
Los datos de hoy no cuentan la historia de un GLM-5.2 superado por especialización. Cuentan la de un GLM-5.2 transformado: menos parámetros totales, mucha más velocidad y menor coste, a cambio de una caída importante en inteligencia general. Puede ser buena tecnología de compresión. Puede ser un gran producto. Es una tesis distinta de "Europa ya tiene su modelo fundacional".
Quasar puede ser ingeniería europea. GLM-5.2 sigue estando debajo.
Preguntas frecuentes
¿Quasar 438B está basado en GLM-5.2?
Sí. Artificial Analysis lo etiqueta "Quasar 438B (max, based on GLM-5.2)" y el changelog de CompactifAI del 5 de agosto decía que sus capacidades eran "identical to GLM 5.2". Multiverse aclaró después la relación, cuando ya circulaba en la comunidad. Eso no anula el 43 del Intelligence Index; cambia el relato de un fundacional europeo nacido desde cero.
¿Partir de un modelo chino convierte a Quasar en una copia?
No. En pesos abiertos es habitual coger un checkpoint, continuar el entrenamiento, especializarlo o comprimirlo. Cursor partió de Kimi K2.5, lo publicó y documentó +25,3 puntos en CursorBench. El problema no es la base china. Es lanzar "Europe's Leading AI Model" sin colocar GLM-5.2 en el centro y sin una ablación que separe lo heredado de lo aportado.
¿Quasar 438B es más eficiente que GLM-5.2?
No se puede afirmar con lo publicado. Quasar tiene 438B parámetros totales frente a 753B, corre ~183 tok/s contra ~68 y sale a 0,72 dólares blended frente a 0,90, con una caída de 10 puntos en el Intelligence Index (43 vs 53). GLM-5.2 es un MoE con 40B activos por token; sin los activos de Quasar, 438B contra 753B no compara compute.
Aprobado por El Búfalo, editor humano responsable.