Suscribirse a Noticias - Software
Eddie AI ha publicado una investigación preliminar que apunta a algo más interesante que una simple actualización de funciones. La compañía tomó un modelo abierto de nueve mil millones de parámetros y lo entrenó para encontrar una historia en material de archivo sin procesar, utilizando un modelo de vanguardia más grande como maestro. Eddie AI afirma que el modelo más pequeño fue preferido en el 47% de las comparaciones directas con Kimi K3. Lo que no queda claro en el material proporcionado es cómo se realizaron esas comparaciones. Aun así, la idea subyacente merece atención: si un modelo relativamente pequeño puede tomar decisiones editoriales significativas, las futuras herramientas de edición de IA podrían no depender de grandes modelos basados en la nube.
La investigación utilizó dos modelos específicos. Kimi K3, el modelo de vanguardia de peso abierto que lanzó Moonshot AI el 16 de julio de 2026 que cuenta con 2.8 billones de parámetros, generó las ediciones del maestro. Qwen3.5-9B, parte de la familia de modelos Qwen más pequeños de Alibaba, sirvió como alumno. La tarea era muy específica: había que encontrar una historia convincente en material de archivo sin procesar, trabajar a nivel de transcripción y evaluar los resultados en un conjunto de prueba de aproximadamente 100 proyectos reales con indicaciones reales. De entrada, el modelo 9B fue el preferido frente a Kimi en alrededor del 10% de las ediciones. Entrenado con los patrones de razonamiento de Kimi mediante LoRA, este porcentaje aumentó a aproximadamente el 32%. Después de que el equipo modificara las trayectorias de las que aprendía el estudiante, alcanzó un máximo del 47%.
Qué significa y qué no significa una tasa de éxito del 47%
Una tasa de éxito del 50% sugeriría una paridad aproximada dentro de esta comparación y conjunto de prueba en particular. No implicaría paridad en la edición de vídeo en general. Eddie AI deja clara esta limitación y describe el resultado del 47% como preliminar.
La diferencia de tamaño es lo que hace interesante el resultado. Con 2.8 billones de parámetros, Kimi K3 es más de 300 veces mayor que el modelo de prueba 9B. Lograr una paridad casi perfecta en una tarea editorial específica con un modelo mucho más pequeño resulta más interesante de lo que el porcentaje por sí solo podría sugerir. Sin embargo, sigue siendo un resultado vinculado a una tarea, un conjunto de datos y un enfoque de entrenamiento específicos, en lugar de una prueba de que el modelo más pequeño pueda igualar a Kimi de forma más general.
Los vídeos cortos para redes sociales fueron el caso de prueba
Eddie AI eligió las ediciones cortas para redes sociales como caso de prueba porque imponen estrictas limitaciones editoriales. El montaje debe captar la atención del espectador rápidamente, ajustarse a una duración limitada y, aún así, mantener la coherencia narrativa. Una selección deficiente de fragmentos de audio resulta difícil de disimular.
Para un editor, un modelo que funcione mejor en esta tarea podría producir un primer montaje más sólido y reducir el tiempo dedicado a buscar la estructura narrativa en el material grabado. Se trata del mismo problema general que Eddie AI ha estado abordando a través de sus lanzamientos en modo guionizado y de colocación contextual de material de archivo, pero aquí se aborda desde la perspectiva del modelo en lugar de la interfaz.
Más datos no fueron la solución
El hallazgo más útil del estudio tiene poco que ver con el porcentaje de los titulares. Eddie AI informa que la simple generación de más datos del modelo de referencia produjo mejoras limitadas. Las mejoras más significativas se obtuvieron al seleccionar y refinar las trayectorias de entrenamiento.
El proceso se desarrolló en tres pasos. Primero, el equipo generó trazas de razonamiento a partir del modelo de referencia. Luego, utilizó el muestreo y filtrado de los mejores ejemplos (best-of-N) para conservar los ejemplos más sólidos, lo que significa que el modelo produjo varias salidas candidatas y el sistema seleccionó entre ellas en lugar de entrenar con el primer resultado. Finalmente, el modelo de aprendizaje generó sus propias trazas de razonamiento y se reentrenó iterativamente con sus mejores resultados.
Cabe destacar un efecto secundario, y es que en su punto de control más sólido, las trazas de razonamiento del modelo de aprendizaje también fueron un 30% más cortas que antes. En la práctica, un razonamiento más corto puede reducir el costo de inferencia, lo que se suma a la ventaja de implementar un modelo mucho más pequeño.
¿Qué tan confiable es el juez?
Las comparaciones como esta son evaluadas por un juez automatizado, por lo que también es necesario verificar la fiabilidad del juez. Eddie AI comparó Kimi con Kimi y descubrió que las puntuaciones variaron solo en ±2% entre las ejecuciones, lo que sugiere que la evaluación fue razonablemente estable. La empresa también solicitó a un profesional de vídeo interno que clasificara de forma independiente 10 pares; el sistema automatizado coincidió con el evaluador humano en siete, mientras que dos de las tres discrepancias se incluyeron en la categoría de “no estoy seguro” del propio editor.
Esto sirve como una comprobación de coherencia útil, pero no como una validación. Diez pares constituyen una muestra muy pequeña, y la evaluación basada en modelos puede introducir sus propios sesgos en este tipo de análisis. El resultado debe considerarse más como una señal orientativa que como una referencia definitiva. No ha sido revisado por pares, y Eddie AI no lo presenta como tal.
El tamaño del modelo es lo más relevante
Eddie AI afirma que el modelo se mantuvo lo suficientemente pequeño como para ejecutarse en una sola GPU accesible, en lugar de requerir un gran clúster de inferencia. Un modelo de 9 bits cuantificado a 4 bits cabe dentro del rango de memoria de muchas estaciones de trabajo en GPU, aunque los requisitos reales dependen de la configuración de inferencia, la duración del contexto y otros factores.
Es aquí donde la investigación cobra mayor relevancia para la postproducción profesional. Un modelo capaz de ejecutarse localmente podría mantener el material grabado dentro de la organización en lugar de enviarlo a un servicio en la nube, lo cual es importante para emisoras, titulares de derechos deportivos, agencias que trabajan bajo acuerdos de confidencialidad y producciones con restricciones en el uso de herramientas en la nube. También podría permitir la creación de flujos de trabajo editoriales más específicos para cada organización sin enviar ese material ni los datos asociados a un proveedor externo.
El argumento del control
Este último punto es en el que Eddie AI se apoya con mayor firmeza. «Los clientes no se oponen al entrenamiento de la IA; se oponen a perder el control del conocimiento que crean», afirmó Shamir Allibhai, cofundador y director ejecutivo de Eddie AI. «Nuestro objetivo es brindarle a cada cliente un sistema que aprenda solo con su permiso, mejore exclusivamente para ellos y conserve su ventaja creativa».
La empresa establece cuatro condiciones para la formación que considera aceptable: debe ser transparente, realizarse únicamente con autorización explícita, permanecer bajo el control del cliente y que este sea el único beneficiario de las mejoras resultantes. Esto convierte el enfoque de Eddie AI tanto en una declaración sobre cómo quiere que funcione la formación personalizada para cada cliente como en una hoja de ruta técnica.
Alexander Terekhov, cofundador y director de IA en Eddie AI, explicó el argumento técnico con mayor claridad: «Un modelo de propósito general debe ser bueno en todo. Un modelo especializado solo tiene que ser excepcionalmente bueno en la edición de vídeo», afirmó. «Este resultado nos da la confianza de que los sistemas más pequeños y personalizados pueden reducir la brecha en decisiones editoriales importantes, sin dejar de ser prácticos para su implementación».
Lo que no se ha anunciado
Bastante, y conviene aclararlo. No anunciaron ningún producto, ni fecha de lanzamiento, ni precio, ni plan local. Eddie AI describe su objetivo a largo plazo como un modelo que comprende los medios, aprende el lenguaje editorial de un cineasta, recuerda cómo un cliente selecciona las tomas de apoyo (B-roll), preserva la continuidad visual y, eventualmente, gestiona la música y los gráficos en movimiento. Sin embargo, este experimento solo abarca la construcción de historias a nivel de transcripción. La compañía también afirma que los modelos de vanguardia siguen siendo fundamentales para Eddie AI en la actualidad.
Para obtener más información sobre el producto actual, consulta nuestra entrevista con Shamir Allibhai y nuestra cobertura del flujo de trabajo Night Shift v3.
Eddie AI en IBC Ámsterdam
Si planeas a asistir a la IBC 2026 en septiembre y deseas conocer al equipo de Eddie AI, no dudes en visitarlos en su stand.
Precio y disponibilidad
Eddie AI ya está disponible para Mac y Windows, con una versión para navegador. Los usuarios pueden probarlo gratis. Encontrarás todos los detalles en la página de precios de Eddie AI, mientras que la aplicación y las descargas están disponibles en el sitio web de Eddie AI.
¿Crees que un modelo que aprende el estilo de forma local y nunca sale de tu ordenador cambiaría tu opinión sobre la IA en la sala de edición, o consideras que es una idea totalmente inviable, independientemente de dónde se ejecute? ¡Cuéntanos tu opinión en los comentarios!
