ESPnet triplica su corpus de voz abierto con YODAS v3, Mistral ofrece GLM 5.3 en su API, JEV-27B y OpenDecider afirman estar a la par de Jev

ESPnet publica YODAS v3, un conjunto de datos de voz abierto de 1,1 millones de horas en más de 100 idiomas, tres veces más grande que la primera versión y distribuido íntegramente en 48 kHz. Mistral ya ofrece en su API GLM 5.3, el modelo de pesos abiertos de Z.ai, con 1 millón de tokens de contexto y un SLA del 99,5 %, mientras que JEV-27B y OpenDecider, dos modelos de decisión abiertos, afirman estar a la par de Jev en las pruebas de sus autores. MiniMax lanza M3.1-Flash-Preview sin benchmarks ni precios de API, y las noticias breves abordan, entre otras cosas, una versión preliminar de Copilot CLI que lee las reglas de Claude Code y Space Bunny Alpha, un modelo encubierto gratuito en OpenRouter.

ESPnet publica YODAS v3: 1,1 millones de horas de voz abierta en 48 kHz

27 de septiembre — El equipo de ESPnet (William Chen y Shinji Watanabe) publica YODAS v3, un conjunto de datos de voz multilingüe de 1,1 millones de horas, tres veces más que la primera versión. Todo el audio se distribuye en 48 kHz, con la frecuencia realmente útil indicada en los metadatos, ya que gran parte del audio de la web está sobremuestreado.

Característica de YODAS v3	Valor publicado
Idiomas incluidos	Más de 100, de los cuales 34 superan las 1 000 horas
Audio multicanal	Más del 70 % tiene al menos dos canales distintos
Anotaciones	Transcripciones con marcas de tiempo por palabra, traducción al inglés para más de la mitad del contenido multilingüe
Tamaño y licencia	60 To en formato OPUS, CC BY 3.0

Según los autores, este volumen basta para entrenar desde cero un modelo del nivel de Whisper. La primera versión, descargada más de 2,5 millones de veces, se utilizó para entrenar IBM Granite, NVIDIA Canary y Parakeet, así como OLMoASR de Ai2. Un artículo relacionado figura en las actas de Interspeech 2026.

🔗 YODAS v3 en el blog de Hugging Face

Mistral incorpora GLM 5.3 de Z.ai a su API, con 1M de contexto y un SLA del 99,5 %

26 de septiembre — Z.ai lanzó GLM 5.3 el 14 de agosto y abrió sus pesos el día 28; la novedad es su llegada a la API de Mistral, anunciada por la cuenta @MistralDevs. En versión preliminar pública con el identificador zai-glm-5-3, el modelo se ofrece sin modificaciones en la infraestructura de Mistral, con 1 millón de tokens de contexto, 128k de salida, más de 100 tokens por segundo y un SLA del 99,5 % en el nivel prioritario (priority tier).

Precio por millón de tokens	API de Mistral	Together AI (29 de agosto)
Entrada	1,40 dólares	1,40 dólares
Entrada en caché	0,14 dólares	0,26 dólares
Salida	4,40 dólares	4,40 dólares

Mistral había anunciado el 11 de agosto la apertura de su plataforma a modelos de terceros, empezando por GLM 5.2, y GLM 5.3 había llegado el 21 de septiembre a Vibe Code como modelo predeterminado de la aplicación web.

🔗 Anuncio de @MistralDevs · Ficha del modelo

Modelos de decisión abiertos: JEV-27B de AutoTrust AI y OpenDecider frente a Jev

Dos publicaciones de la comunidad del 27 de septiembre presentan modelos de decisión abiertos con licencia Apache-2.0. Estos modelos responden rápidamente, con una probabilidad para cada respuesta, a las preguntas breves y estructuradas que plantean los agentes: verdadero o falso, elección entre varias opciones, puntuación. Llegan cuatro días después de Tev1-4B-experimental de Together AI y ambos se comparan con Jev 1.13, el modelo cerrado y alojado de TypeSafe AI; las puntuaciones siguientes proceden de las mediciones de sus autores.

JEV-27B de AutoTrust AI: a la par de Jev 1.13 en promedio, según sus autores

27 de septiembre — AutoTrust AI, que declara no tener relación con TypeSafe AI, publica JEV-27B, un modelo alumno de Jev 1.13 destilado sobre un corpus abierto. El método mantiene congelado Qwen3.8-27B y le añade un bloque desmontable de 108,9 millones de parámetros, entrenado en unas 9,2 horas en un B200: el modelo base permanece intacto, con un 78,0 % en HumanEval. Puntuaciones medidas por los autores el 26 de septiembre:

Prueba de decisión	JEV-27B	Jev 1.13 (API)
JevBench (conjunto público)	88,70	87,18
Kev	83,75	85,52
OpenJev text	73,89	72,96
Nimble	92,91	91,84
VitaminC	77,46	78,46
MASSIVE-en	87,71	87,14
Promedio de las seis	84,07	83,85

Su latencia mediana es de 137 ms por decisión en un B200. Los autores reconocen que la paridad solo se da en promedio y que el modelo alumno hereda los puntos ciegos de Jev; anuncian que presentarán sus resultados a clasificaciones independientes.

🔗 La publicación de AutoTrust AI

OpenDecider: un modelo nano de 400 millones de parámetros supera a Laya y Jev en typed-decisions

27 de septiembre — Manjunath Janardhan publica OpenDecider, una familia de modelos de decisión: un nano de unos 400 millones de parámetros basado en el codificador Ettin, un small de 4 000 millones basado en Qwen3-4B y versiones MLX para Mac. Se destilan a partir de dos modelos profesores abiertos, Qwen3-235B y DeepSeek V4.1 Flash, por menos de 30 dólares en GPU.

Modelo evaluado	typed-decisions (2 000)	Decisiones generales inéditas (200)	Error de calibración
OpenDecider-nano	0,796	0,680	0,092
OpenDecider-small	0,672	0,735	0,087
Laya (checkpoint especializado)	0,766	0,570	0,162
Jev 1.13 (API)	0,754	0,730	0,164

Según estas mediciones del autor, el modelo small iguala a Jev en decisiones nunca vistas, con un error de calibración casi dos veces menor. Jev sigue por delante en la batería de aplicaciones de Laya (0,774), especialmente en phishing (0,90 frente a 0,63). Se publican las predicciones y una prueba reproducible; los resultados se basan en una sola semilla.

🔗 La publicación sobre OpenDecider

MiniMax lanza M3.1-Flash-Preview en MiniMax Code y en el Token Plan, sin benchmarks ni precios de API

27 de septiembre — MiniMax presenta M3.1-Flash-Preview, en versión preliminar, como su modelo de texto más reciente. Debuta por la mañana en MiniMax Code, su propio agente de programación, y por la noche llega al Token Plan, la suscripción de la plataforma MiniMax:

MiniMax-M3.1 Flash Preview is now live on the Token Plan! Faster, lighter, and built for teams running high-volume, latency-sensitive workloads, now available under your existing Token Plan subscription, no extra setup required.

🇪🇸 ¡MiniMax-M3.1 Flash Preview ya está disponible en el Token Plan! Más rápido, más ligero y diseñado para equipos que ejecutan cargas de trabajo de gran volumen sensibles a la latencia, ya está incluido en tu suscripción actual al Token Plan sin necesidad de configuración adicional. — @MiniMax_AI en X

MiniMax no publica benchmarks, precios de API, tamaño, ventana de contexto ni pesos: sus notas de versión de los modelos siguen terminando el 31 de julio.

🔗 El debut en MiniMax Code, en X

Noticias breves

Copilot CLI lee las reglas de Claude Code — En la versión preliminar 1.0.89-5, publicada el 27 de septiembre (todavía no se ha lanzado ninguna versión estable 1.0.89), Copilot CLI admite los archivos de reglas de Claude Code almacenados en .claude/rules como instrucciones personalizadas; las notas no precisan el formato reconocido ni el orden de prioridad. 🔗 fuente
CLI mistral 0.7.0 — Publicada el 26 de septiembre sin anuncio, esta versión de la herramienta de línea de comandos de Mistral añade mistral apps deploy, que despliega una aplicación en la plataforma hasta producción, mistral apps publish, que la publica en el catálogo Vibe, y mistral evals para las evaluaciones sin conexión. 🔗 fuente
La Agent API de Perplexity pasa a GPT-6 — Repaso del 25 de septiembre: los ajustes predefinidos low y medium pasan de openai/gpt-5.6-luna a openai/gpt-6-luna, y el ajuste high, de openai/gpt-5.6-sol a openai/gpt-6-sol; los prompts, el esfuerzo de razonamiento, las herramientas, los presupuestos de tokens y los límites de pasos permanecen sin cambios. 🔗 fuente
Space Bunny Alpha en OpenRouter — Repaso del 23 de septiembre: OpenRouter incluye un modelo encubierto (stealth) gratuito cuyo desarrollador no se identifica, con 1 millón de tokens de contexto y entradas de texto, imagen y vídeo. El proveedor externo que lo opera puede conservar los prompts y las respuestas, sin utilizarlos para entrenamiento; no hay ninguna prueba oficial. 🔗 fuente
Un juez de 4B para las cifras financieras — Tony Esposito publica FinCalc-NLI, un conjunto sintético con etiquetas calculadas mediante código sobre diez métricas bancarias, y openjev-fincalc-4b, un juez ajustado en 40 minutos en un A100 que verifica las afirmaciones numéricas: un 94,4 % de aciertos en 4 000 casos, frente al 63,2 % del mejor juez abierto probado. 🔗 fuente
Ajustar un modelo en un Mac de 16 Go — En diez ajustes LoRA, Harshit Kumar Gupta mide que PyTorch MPS es entre 2,2 y 5,7 veces más rápido que Apple MLX, pero alcanza un límite de unos 1 500 millones de parámetros, mientras que MLX en 4 bits permite alojar un modelo de 3 000 millones; el rango LoRA y el optimizador diferían entre ambas plataformas. 🔗 fuente

Qué significa esto

Los datos abiertos siguen siendo la infraestructura discreta de los modelos abiertos. Según sus autores, la primera versión de YODAS se utilizó para entrenar modelos de IBM, NVIDIA y Ai2; la v3 triplica el volumen, pasa a 48 kHz y a audio multicanal, y conserva la licencia CC BY 3.0, suficiente para entrenar desde cero, siempre según ellos, un modelo del nivel de Whisper. Los modelos de decisión de hoy siguen la misma lógica: JEV-27B aprende de un corpus abierto, OpenDecider destila dos modelos profesores abiertos por menos de 30 dólares y ambos se publican con licencia Apache-2.0.

Un modelo de pesos abiertos se vende como una línea de catálogo, y los proveedores de alojamiento se distinguen por el servicio. GLM 5.3 cuesta lo mismo sin caché en Mistral y en Together AI: 1,40 dólares de entrada y 4,40 dólares de salida por millón de tokens; Mistral destaca el precio de la entrada en caché, 0,14 dólares frente a los 0,26 de Together AI, una velocidad de más de 100 tokens por segundo y un SLA del 99,5 %. Mistral, que aloja modelos de terceros desde GLM 5.2, se posiciona así tanto como proveedor de alojamiento como desarrollador. El modelo también cambia entre bastidores en Perplexity: las solicitudes que pasan por los ajustes predefinidos de la Agent API ahora se ejecutan en GPT-6, sin que el desarrollador haya elegido el modelo.

Queda por saber quién realiza las mediciones. JEV-27B y OpenDecider afirman estar a la par de Jev en pruebas que sus autores ejecutaron por su cuenta; al menos publican sus límites, sus predicciones o una prueba reproducible, y sus propias tablas sitúan a Jev por delante en varias pruebas, desde VitaminC hasta phishing. En el otro extremo, MiniMax lanza un modelo sin ninguna cifra verificable: ni benchmarks, ni precios de API, ni ventana de contexto. En ambos casos quedan pendientes las mediciones independientes; AutoTrust AI anuncia precisamente que presentará sus resultados a clasificaciones independientes.

Tanto en Mistral como en MiniMax, el modelo pasa primero por el agente de programación propio: GLM 5.3 se convirtió el 21 de septiembre en el modelo predeterminado de Vibe Code en la web antes de llegar a la API de Mistral, y M3.1-Flash-Preview debuta en MiniMax Code antes de llegar al Token Plan. Las instrucciones, por su parte, empiezan a circular de un agente a otro: la versión preliminar 1.0.89-5 de Copilot CLI lee los archivos .claude/rules escritos para Claude Code, de modo que un mismo repositorio puede guiar a ambos agentes con las mismas reglas, al menos en esta versión preliminar.