El equipo de Maxwell presenta Maxwell-V1-Flash, un modelo Mixture-of-Experts de 35B parámetros entrenado desde cero que redefine la eficiencia en agentes y codificación.

El 17 de noviembre de 2026 marca un punto de inflexión en la democratización de la inteligencia artificial de alto rendimiento. El equipo de Maxwell ha anunciado oficialmente el lanzamiento de Maxwell-V1-Flash, un modelo de lenguaje de arquitectura Mixture-of-Experts (MoE) que no es un simple ajuste fino (fine-tune), sino un modelo entrenado desde cero con una escala y ambición sin precedentes para el sector open-source.
A diferencia de otros lanzamientos que intentan competir mediante el aumento masivo de parámetros, Maxwell-V1-Flash apuesta por la eficiencia arquitectónica. Con un enfoque diseñado para desarrolladores que buscan ejecutar modelos potentes en hardware local o infraestructuras privadas, este modelo llega bajo la licencia Apache 2.0, permitiendo una integración comercial y técnica sin las restricciones de los modelos cerrados.
Maxwell-V1-Flash utiliza una configuración de 35B de parámetros totales, pero gracias a su arquitectura MoE, solo utiliza 3B de parámetros activos por token (excluyendo embeddings). Esta optimización permite que el modelo mantenga una capacidad de razonamiento profunda con un coste computacional significativamente menor al de los modelos densos tradicionales.
La innovación técnica reside en su sistema de 256 expertos granulares, de los cuales solo 12 se activan por token, complementados por 4 expertos compartidos que permanecen siempre activos para estabilizar el flujo de información. Además, introduce las 'Manifold-Constrained Hyper-Connections' (mHC), que implementan múltiples flujos residuales con agregación aprendida dependiente de la entrada, mejorando la propagación de gradientes y la coherencia en tareas complejas.
Para el manejo de contextos extensos, el modelo integra Block Sparse Attention, lo que resulta en una aceleración de hasta 6.7x en el procesamiento de contextos largos, permitiendo manejar ventanas de hasta 256K tokens con una eficiencia que supera a sus competidores directos.
Los resultados de los benchmarks posicionan a Maxwell-V1-Flash como un líder en su categoría de tamaño. En tareas de terminal y comandos de sistema (Terminal-Bench), el modelo alcanza una puntuación de 58.65, superando al Qwen3.6-35B-A3B (47.42) por un margen relativo del 23%. En el ámbito de la ingeniería de software (SWE-bench Verified), logra un 65.4 frente al 63.4 de su competidor más cercano.
El salto más impresionante se observa en capacidades de búsqueda agéntica (BrowseComp), donde Maxwell-V1-Flash obtiene 76.3, un incremento del 62% respecto al 47.0 de Qwen3.6-35B-A3B. Esto demuestra una capacidad superior para navegar, comprender y sintetizar información de la web en tiempo real.
La evaluación se realizó bajo protocolos estandarizados de la industria, comparando la precisión de razonamiento, la capacidad de recuperación de información en contextos largos (RULER 256K: 93.35 vs 85.75) y la resolución de problemas lógicos complejos (Tau3-Bench: 67.37).
Una de las mayores ventajas para los ingenieros de ML es la facilidad de despliegue. Con un peso aproximado de 73.6 GB, Maxwell-V1-Flash está diseñado para caber perfectamente en una única tarjeta DGX Spark de 128GB, eliminando la necesidad de configuraciones multi-GPU extremadamente costosas para inferencia de alto rendimiento.
El modelo está disponible de forma no restringida (non-gated) en Hugging Face, lo que significa que los desarrolladores pueden descargar los pesos e iniciar el despliegue de inmediato sin procesos de aprobación previos, facilitando la experimentación y la integración en pipelines de producción.
Gracias a su excepcional rendimiento en benchmarks de codificación y búsqueda, Maxwell-V1-Flash es una herramienta de primer nivel para el desarrollo de agentes autónomos. Su capacidad para manejar contextos de 256K tokens lo hace ideal para sistemas RAG (Retrieval-Augmented Generation) que requieren analizar documentos extensos o bases de código completas.
Otros casos de uso incluyen la automatización de tareas de terminal, la asistencia avanzada en programación y la navegación web inteligente para investigación de mercado o análisis de datos en tiempo real.
Los desarrolladores pueden acceder al repositorio oficial de GitHub en `maxwell-model/Maxwell-V1-Flash` para obtener el informe técnico detallado y los scripts de implementación. Los pesos del modelo ya están disponibles en Hugging Face para su uso inmediato con librerías como Transformers o vLLM.
Se recomienda revisar la documentación técnica para optimizar la configuración de la atención dispersa (Block Sparse Attention) y maximizar la velocidad de inferencia en entornos de producción.