Wu Dao 3.0: la familia de models multimodales de IA de China
Cuando Estados Unidos cortó el acceso de China a los chips avanzados, la Beijing Academy of Artificial Intelligence se enfrentó a una disyuntiva: quejarse de las restricciones o sortearlas. Eligieron la segunda opción.
Wu Dao 3.0, lanzado en julio de 2023, rompe el guion. Nada de models masivos de billones de parámetros compitiendo por titulares. En cambio, BAAI ahora construye models compactos que las startups chinas pueden ejecutar realmente sin necesidad de un almacén lleno de GPUs.
Por qué BAAI cambió de dirección
Wu Dao 2.0 acaparó titulares en 2021 con 1.75 billones de parámetros, afirmando rivalizar con GPT-3. Dos años después, BAAI abandonó silenciosamente ese enfoque. Las razones son:
- Las sanciones de chips de EE. UU. limitaron el acceso a GPUs avanzadas
- Los costes de entrenamiento de los mega-models se volvieron prohibitivos
- La política del gobierno chino se orientó hacia aplicaciones prácticas en lugar de proyectos de prestigio
- La realidad del mercado mostró que la mayoría de las empresas necesitan herramientas especializadas, no gigantes de propósito general
La nueva estrategia: construir una colección de models más pequeños (llamados Aquila) que trabajan juntos. Piense en microservicios en lugar de monolitos.
Explicación de Wu Dao 3.0
Wu Dao 3.0 no es un único model. Es un ecosistema de herramientas de IA especializadas lanzadas bajo la marca Aquila:
AquilaChat: models de diálogo
Hay dos tamaños disponibles:
- 7 mil millones de parámetros: Compite con LLaMA 7B y models de código abierto similares
- 33 mil millones de parámetros: Apunta a conversaciones más complejas
Ambos fueron entrenados con textos en chino (40 %) e inglés (60 %). La versión más pequeña funciona en hardware de consumo; no necesita un centro de datos.
BAAI afirma que AquilaChat 7B supera a models internacionales comparables, aunque los benchmarks independientes siguen siendo limitados.
Los orígenes: cómo empezó Wu Dao
El desarrollo comenzó en octubre de 2020, varios meses después del lanzamiento de GPT-3. El nombre Wu Dao (悟道) se traduce al chino como “camino hacia la conciencia”, un nombre ambicioso para un proyecto ambicioso.
Wu Dao 1.0 se lanzó el 11 de enero de 2021 con cuatro models especializados trabajando juntos. Cada uno manejaba tareas diferentes: Wen Yuan (2.6 mil millones de parámetros) se centraba en responder preguntas y corregir gramática. Wen Lan (1 mil millones de parámetros) generaba subtítulos de imágenes usando 50 millones de pares de imágenes. Wen Hui (11.3 mil millones de parámetros) escribía poesía, creaba videos y manejaba razonamiento complejo. Wen Su, construido sobre BERT de Google, predecía estructuras de proteínas similares a AlphaFold.
Luego llegó Wu Dao 2.0 el 31 de mayo de 2021. BAAI acaparó titulares al afirmar 1.75 billones de parámetros, diez veces más que los 175 mil millones de GPT-3. Los medios lo llamaron “el mayor sistema de IA de lenguaje hasta la fecha”. Los comentaristas lo vieron como el intento de China de competir directamente con el dominio estadounidense de la IA.
La realidad de los datos de entrenamiento
Wu Dao 2.0 utilizó 4.9 terabytes de imágenes y texto, 1.2 TB de chino, 1.2 TB de inglés, además de datos de imágenes. GPT-3 fue entrenado con 45 terabytes solo de texto. Wu Dao tenía diez veces más parámetros, pero menos de una décima parte de los datos de entrenamiento.
El dataset WuDao Corpora para la versión 2.0 contenía 3 TB de texto web, 90 TB de datos gráficos (630 millones de pares de texto/imagen) y 181 GB de diálogo en chino que representan 1.4 mil millones de rondas de conversación.
Este desajuste entre el número de parámetros y los datos de entrenamiento apuntaba a algo importante: Wu Dao 2.0 utilizaba una arquitectura diferente llamada Mixture-of-Experts (MoE). A diferencia del model “denso” de GPT-3, donde todos los parámetros se activan para cada tarea, los models MoE activan a los expertos relevantes para cada entrada. Esto requiere menos potencia de cómputo para el entrenamiento, pero la investigación ha demostrado que los models MoE de billones de parámetros tienen un rendimiento comparable al de models densos cientos de veces más pequeños.
Wu Dao 2.0 utilizó específicamente FastMoE, desarrollado por Tsinghua University/BAAI. Fue una ingeniería inteligente para sortear las limitaciones de hardware, aunque el marketing de BAAI enfatizaba en cambio el número bruto de parámetros.
AquilaCode: generación de texto a código
Aún en desarrollo. Las primeras versiones pueden generar:
- Algoritmos básicos (sucesiones de Fibonacci, ordenamiento)
- Juegos simples
- Scripts de utilidad
Aún no está al nivel de las capacidades de codificación de GitHub Copilot o de GPT-4, pero está mejorando. BAAI se dirige a desarrolladores que necesitan generación de código en contextos técnicos chinos.
Serie de visión de Wu Dao
Una colección de models de visión por computadora, no un único sistema:
EVA (1 mil millones de parámetros): Se centra en el aprendizaje de representaciones visuales. Entrenado con datasets públicos, logra nuevos benchmarks en:
- Reconocimiento de imágenes
- Detección de acciones en video
- Detección de objetos
- Tareas de segmentación
Open source, a diferencia de competidores que mantienen sus models de visión propietarios.
- EVA-CLIP: BAAI afirma que esta es la mejor alternativa open source a CLIP disponible. Maneja el emparejamiento imagen-texto para búsqueda y recuperación.
- Painter: Implementa el aprendizaje visual “in-context”; se le muestran ejemplos y aprende nuevas tareas visuales sin reentrenamiento. Similar a cómo GPT-3 realiza el aprendizaje in-context para texto.
- vid2vid-zero: Herramienta de edición de video zero-shot. Edita videos a partir de descripciones de texto sin entrenarse en datasets especializados de edición de video.
- Emu (models multimodales): Maneja tanto imágenes como texto en un único model. Los casos de uso incluyen subtitulado de imágenes, respuesta visual a preguntas y generación de contenido.
FlagOpen: la capa de infraestructura
BAAI también ha mejorado la plataforma FlagOpen, que lanzaron a principios de 2023. Este sistema ofrece técnicas de entrenamiento en paralelo, inference más rápida, herramientas de evaluación y utilidades de procesamiento de datos; en esencia, proporciona todo lo necesario para desarrollar grandes models de IA. 1
Cuando Wu Dao 2.0 debutó por primera vez en la Beijing Zhiyuan Conference, sus creadores mostraron poemas y dibujos chinos generados por él.2 Tras ese evento, se creó una estudiante virtual basada en el model de IA de Wu Dao, Zhibing Hua. Wu Dao impulsa a la estudiante virtual. Por lo tanto, ella puede usar su base de conocimiento y sus capacidades de aprendizaje para escribir poemas, dibujar y componer música.
Aunque estas características no se destacan para Wu Dao 3.0, vale la pena mencionarlas si planea utilizar Wu Dao 2.0 para su empresa en lugar de Wu Dao 3.0.
Figura 1: Poemas generados por Wu Dao 2.02
Benchmarks de inteligencia
Aunque los benchmarks de inteligencia de Wu Dao 3.0 no están fácilmente disponibles, superar los niveles de state-of-the-art (SOTA) es el estándar de la industria. Puede acceder a los benchmarks de inteligencia de Wu Dao 2.0 en el comunicado de prensa de BAAI.3
Benchmarks de aprendizaje zero-shot
- ImageNet: Logra un rendimiento zero-shot de state-of-the-art, superando a CLIP de OpenAI.
- UC Merced Land-Use: Registra la mayor precisión zero-shot en la clasificación aérea del uso del suelo, superando a CLIP.
Benchmark de aprendizaje few-shot
- SuperGLUE (FewGLUE): Supera a GPT-3 y logra los mejores resultados de aprendizaje few-shot.
Benchmarks de conocimiento y comprensión del lenguaje
- Detección de conocimiento LAMA: Demuestra una recuperación de conocimiento factual superior, superando a AutoPrompt.
- Prueba Cloze LAMBADA: Supera a Microsoft Turing-NLG en comprensión lectora y comprensión del contexto.
Benchmarks de recuperación de texto a imagen y de imagen a texto
- MS COCO (generación de texto a imagen): Supera a DALL·E de OpenAI en la generación de imágenes a partir de descripciones de texto.
- MS COCO (recuperación de imagen-texto en inglés): Supera a CLIP de OpenAI y a ALIGN de Google en la recuperación de imágenes a partir de subtítulos (y viceversa).
- MS COCO (recuperación multilingüe de imagen-texto): Supera a UC2 y M3P en la recuperación multilingüe de imagen-texto.
- Multi30K (recuperación multilingüe de imagen-texto): También supera a UC2 y M3P, lo que confirma sus sólidas capacidades multimodales multilingües.
Wu Dao 3.0 vs. OpenAI GPT
Aquí hay una comparación exhaustiva de Wu Dao 3.0 LLM models y de varios OpenAI models basada en BAAI.4 No podemos proporcionar comparaciones más detalladas y actualizadas de Wu Dao, ya que no dispone de benchmarks recientes y consistentes.
Rendimiento en contexto largo
Pruebas en cuatro tareas:4
- VCSUM (resumen en chino)
- LSHT (manejo de secuencias largas en chino)
- HotpotQA (razonamiento multi-hop en inglés)
- 2WikiMQA (preguntas y respuestas multi-documento en inglés)
Benchmark de rendimiento de razonamiento
Pruebas en 6 tareas:4
- bAbI #16 y CLUTRR (razonamiento inductivo)
- bAbI #15 y EntailmentBank (razonamiento deductivo)
- αNLI (razonamiento abductivo)
- E-Care (razonamiento causal)
Si desea usar Wu Dao, puede configurarlo en su computadora descargándolo de forma gratis.5
Competidores de Wu Dao 3.0
Qwen3.5
Qwen3.5 es una familia de large language models de pesos abiertos de Alibaba diseñada como un sistema nativo multimodal Mixture-of-Experts (MoE).
El model insignia (Qwen3.5-397B-A17B) contiene alrededor de 397B parámetros, pero activa ~17B por inference, lo que permite un alto rendimiento con menores costes de cómputo.
El model utiliza una arquitectura híbrida que combina enrutamiento MoE disperso con Gated Delta Networks y atención lineal, lo que permite una inference eficiente a la vez que admite razonamiento avanzado, codificación y comprensión multimodal.
Qwen3.5 está entrenado con datos multimodales de fusion temprana, lo que le permite procesar texto e entradas visuales dentro de un model unificado e impulsar “agentes multimodales nativos” que pueden razonar sobre interfaces y realizar tareas complejas de varios pasos.6
Kimi K2.5
Kimi K2.5 es un model multimodal open source de Moonshot IA diseñado en torno a una arquitectura centrada en agentes para codificación y automatización de flujos de trabajo. El model integra capacidades de visión y lenguaje, lo que le permite interpretar texto, imágenes y video mientras genera código listo para producción.
K2.5 fue entrenado con aproximadamente 15 billones de tokens multimodales y admite razonamiento de contexto largo (hasta ~256K tokens), junto con invocación de herramientas y flujos de trabajo de agentes autónomos.
Una característica distintiva es su paradigma de “agent swarm”, donde múltiples agentes coordinados pueden manejar subtareas en paralelo para resolver flujos de trabajo complejos de ingeniería o desarrollo.
Moonshot lanzó el model junto con un agente de codificación, posicionando a Kimi K2.5 como una alternativa centrada en desarrolladores a los models propietarios de frontera para construir sistemas de software asistidos por IA.7
ERNIE 5.0
ERNIE 5.0 es el model fundacional insignia de Baidu y un sistema nativamente omni-modal que procesa y genera texto, imágenes, audio y video dentro de una única arquitectura.
Según se informa, el model contiene alrededor de 2.4 billones de parámetros con un diseño Mixture-of-Experts, lo que permite una alta capacidad al activar una fracción de los parámetros por inference para lograr eficiencia.
ERNIE 5.0 se ha integrado en Baidu ERNIE Bot y en la plataforma empresarial Qianfan, lo que respalda una gama de aplicaciones de IA generativa en productos de consumo y empresariales.8
Añadir como fuente preferidaPreguntas frecuentes
No. Los models Aquila apuntan a casos de uso diferentes. Para tareas en chino con cómputo limitado, son prácticos. Para capacidades generales en inglés, GPT-5 los supera significativamente.
Sí, los models son open source. Consulte las licencias específicas de cada componente Aquila, pero normalmente se permite el uso comercial.
Barrera del idioma (documentación), integración con el ecosistema (construido para herramientas chinas) y brechas de rendimiento en tareas en inglés.
Cita esta investigación
Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Ermut, Sıla},
title = {{Wu Dao 3.0: la familia de models multimodales de IA de China}},
year = {2026},
month = mar,
howpublished = {\url{https://aimultiple.com/wu-dao}},
note = {AIMultiple. Recuperado el 5 de marzo de 2026}
}Resultados y marcas de tiempo de 24 puntos de datos. Descargue los datos resumidos que se muestran en los gráficos y las tablas de este artículo como un archivo ZIP que contiene 2 archivos CSV.
¿Quieres los datos granulares que hay detrás? Únete a Premium
Registro de cambios
6 actualizacionesSe añadió una nueva sección, Wu Dao 3.0 competitors, al artículo.
Enlaces de referencia
El trabajo de Cem en AIMultiple ha sido citado por publicaciones líderes mundiales como Business Insider, Forbes, Morning Brew y Washington Post, empresas globales como Deloitte y HPE, ONG como World Economic Forum y organizaciones supranacionales como European Commission. [1], [2], [3], [4], [5]
A lo largo de su carrera, Cem trabajó como consultor tecnológico, comprador de tecnología y emprendedor tecnológico. Asesoró a empresas en sus decisiones tecnológicas en McKinsey & Company y Altman Solon durante más de una década. También publicó un informe de McKinsey sobre digitalización.
Dirigió la estrategia tecnológica y las adquisiciones de una empresa de telecomunicaciones reportando al CEO. También lideró el crecimiento comercial de la empresa de deep tech Hypatos, que alcanzó unos ingresos recurrentes anuales de 7 dígitos y una valoración de 9 dígitos desde 0 en 2 años. El trabajo de Cem en Hypatos fue cubierto por publicaciones tecnológicas líderes como TechCrunch y Business Insider.
Cem participa habitualmente en conferencias internacionales de tecnología. Se graduó en Bogazici University como ingeniero informático y tiene un MBA de Columbia Business School.
Anteriormente trabajó como reclutadora en empresas de gestión de proyectos y consultoría. Sıla tiene un máster en Psicología Social y una licenciatura en Relaciones Internacionales.
Sé el primero en comentar
Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.