Model Releases
GrootTeam lanza Groot, una familia de modelos de razonamiento MoE de pesos abiertos
GrootTeam presenta una nueva familia de modelos Mixture-of-Experts (MoE) optimizados para razonamiento complejo, superando a modelos de mayor escala en benchmarks clave.
23 de octubre de 2026
Model ReleaseGroot
Introducción: Un nuevo paradigma en razonamiento eficiente
El panorama de los modelos de lenguaje de gran escala (LLM) está experimentando un cambio de enfoque: de la escala bruta hacia la eficiencia del razonamiento. El 23 de octubre de 2026, el equipo GrootTeam ha marcado un hito con el lanzamiento de Groot, una familia de modelos de razonamiento basados en la arquitectura Mixture-of-Experts (MoE) bajo la licencia Apache-2.0.
A diferencia de otros lanzamientos que buscan simplemente aumentar el número de parámetros, Groot se centra en la 'capacidad por parámetro'. Al utilizar una estrategia de post-entrenamiento refinada sobre la base de Qwen3.6-35B-A3B con menos de 0.1B tokens de datos de código abierto, Groot demuestra que la calidad del entrenamiento de razonamiento es más crítica que el volumen masivo de datos genéricos.
- Fecha de lanzamiento: 23 de octubre de 2026
- Arquitectura: Mixture-of-Experts (MoE)
- Licencia: Apache-2.0 (Open Weights)
- Enfoque: Razonamiento complejo y tareas del mundo real
Arquitectura y Especificaciones Técnicas
La familia Groot se compone de cuatro variantes diseñadas para cubrir desde el despliegue en hardware de consumo hasta infraestructuras de nivel empresarial. La versatilidad de estos modelos permite a los ingenieros elegir el equilibrio exacto entre latencia, coste y capacidad cognitiva.
Un aspecto destacado es su capacidad de gestión de contexto. Los modelos están optimizados para manejar ventanas de contexto extensas, permitiendo el procesamiento de documentos masivos o repositorios de código completos sin perder la coherencia en el razonamiento lógico.
- Modelos disponibles: 19B-A3B, 65B-A6B, 238B-A18B y 280B-A16B
- Ventana de contexto: Hasta 1M de tokens en la versión 238B
- Optimización de salida: Reducción significativa de tokens redundantes
- Compatibilidad: Soporte para GGUF y formatos de cuantización avanzados
Rendimiento y Benchmarks: Eficiencia sobre Escala
Los resultados de las evaluaciones posicionan a Groot como un competidor disruptivo. El modelo Groot-19B-A3B es particularmente impresionante: supera a Qwen3.6-35B-A3B y a Gemma-4-26B-A4B en 12 de los 16 benchmarks evaluados, utilizando un 45.7% menos de parámetros totales que el modelo de Qwen.
En términos de métricas absolutas, Groot alcanzó un promedio no ponderado de 41.44 en los 16 benchmarks, superando el 38.08 de Qwen3.6 y el 30.05 de Gemma-4. En tareas críticas de codificación y razonamiento largo, los resultados son contundentes: en Terminal Bench 2.1, Groot obtuvo 52.10 frente al 43.82 de su competidor más cercano. En LongBench v2, alcanzó un 62.03, demostrando una superioridad clara en la retención de información.