La versión 2601 ofrece una ventana de 163 840 tokens en un modelo denso de 40B que el BSC alineó con entrenamiento por preferencias. Sirve a equipos que quieren un asistente autoalojado con licencia Apache para idiomas ibéricos, y no encaja con agentes, llamadas a herramientas ni matemáticas.
ALIA-40b-instruct-2601 es el modelo ALIA 40b de tipo instruct del Barcelona Supercomputing Center, un asistente abierto de 40,4 mil millones de parámetros publicado en enero de 2026. La ficha del BSC da un 45 % en MMLU sin ejemplos previos y una tasa media de éxito de ataque del 13,3 % en su prueba de red teaming, con el posentrenamiento centrado en español, catalán, euskera, gallego e inglés.
Proveedor: Barcelona Supercomputing Center · Familia: ALIA
Más sobre Barcelona Supercomputing Center en HokAI
Ventana de contexto: 163,840 tokens
Modalidades de entrada: texto · Salida: texto
Acerca de ALIA-40b-instruct-2601
ALIA-40b-instruct-2601 es el modelo ajustado con instrucciones de la familia ALIA, que publica el Barcelona Supercomputing Center (BSC), el centro nacional de supercomputación de España. Es un Transformer denso de solo decodificador. Tiene 40 433 885 184 parámetros, 48 capas, 64 cabezas de atención por grupos de consultas y un vocabulario de 256 000 tokens, y usa la licencia Apache 2.0. Es la variante instruct de ALIA-40b, un modelo base que el BSC entrenó desde cero. Según su ficha, mejora a ALIA-40b-instruct-2512 en seguimiento de instrucciones, tolerancia a entradas ruidosas, alineación de seguridad y manejo de contextos largos.
El modelo base vio 9,37 T (9 370 000 millones) de tokens de texto curado en 35 idiomas europeos, más código. Después recibió 424 mil millones de tokens de alta calidad y otros 39 mil millones de una mezcla parecida, hasta un total de 9,83 T (9 830 000 millones).
El posentrenamiento tiene tres fases. La adaptación a contextos largos amplió la ventana: 2 mil millones de tokens de 4k a 32k y 36,8 mil millones de 32k a 160k. Luego llegó el ajuste supervisado con 807 750 conversaciones. La alineación por preferencias usó Direct Preference Optimization sobre 368 475 pares, cerca del 82 % de ayuda y el 18 % de seguridad.
El BSC indica que gran parte de los datos de instrucciones y preferencias es sintética. Se generó o evaluó con DeepSeek-V3-0324, un modelo de DeepSeek. El entrenamiento se hizo en MareNostrum 5, cuya partición acelerada tiene cuatro GPU Hopper de NVIDIA por nodo. Cada fase de posentrenamiento usó 16 nodos y 64 GPU.
La ventana de contexto es de 163 840 tokens y tanto la entrada como la salida son texto. El BSC señala como tareas objetivo la generación de texto, la traducción, el resumen y las preguntas y respuestas. El posentrenamiento se centró en español, catalán, euskera, gallego e inglés, y el BSC advierte de que el rendimiento en otros idiomas no está garantizado. La ficha también dice qué no hace el modelo. No tiene llamadas a funciones nativas ni capacidad de agente, no garantiza matemáticas fiables de varios pasos y no está especializado en código.
El BSC publica resultados sin ejemplos previos (0-shot) con la suite lm-eval de EleutherAI. En inglés, la ficha da un 45 % en MMLU, un 77 % en Belebele, un 73 % en ARC-Easy y un 9 % en MGSM. En español da un 72 % en Belebele y un 41 % en MMMLU.
Son cifras del propio proveedor, sin reproducción independiente. El BSC avisa de una variación de alrededor del 1,5 % según la versión de la biblioteca y el paralelismo de tensores. Tampoco son comparables con los resultados de MMLU con cinco ejemplos que se citan para otros modelos en HokAI.
En seguridad, el BSC hizo una prueba de red teaming con instrucciones adversarias que escribió su equipo de anotación en cinco idiomas, y con DeepSeek-V3-0324 como juez. Comunica una tasa media de éxito de ataque del 13,3 %. Describe la alineación como mucho mejor, pero incompleta, y pide a quien lo despliegue que añada filtros, supervisión humana y evaluación propia antes de cualquier uso crítico.
Los pesos están en Hugging Face en formato BF16 safetensors. El BSC recomienda vLLM para el modelo completo y llama.cpp para la versión cuantizada en GGUF, y desaconseja Ollama por problemas de compatibilidad que pueden degradar los resultados. Aconseja temperaturas de 0 a 0,2 y ninguna penalización por repetición. Solo los pesos en BF16 ocupan unos 81 GB (40,4 mil millones de parámetros a 2 bytes cada uno), antes de la caché KV.
Elígelo para asistentes autoalojados, traducción y resúmenes en idiomas ibéricos cuando importan la licencia Apache y que el autor sea una entidad pública. Elige Gemma 4 31B, de Google DeepMind, o Qwen3.8 27B, de Alibaba Cloud, si necesitas llamadas a herramientas y una ventana de 262 144 tokens. Elige Olmo 3.1 32B Think si el requisito son los datos de entrenamiento publicados. El trabajo de ALIA lo financia el Ministerio para la Transformación Digital y de la Función Pública de España con fondos NextGenerationEU del proyecto Modelos del Lenguaje, y lo apoya el Gobierno de Cataluña con el proyecto Aina.
Precios
El BSC no tiene una API alojada, así que no hay precio por token. Descargar los pesos no cuesta nada; el gasto es el equipo en el que los ejecutes. Alojarlo en los Inference Endpoints de [Hugging Face](/hub/tools/hugging-face) es una opción, y la factura Hugging Face.
| Plan | Rate |
|---|---|
| Autoalojado (Apache 2.0) | Pesos gratuitos desde Hugging Face; el coste es solo el hardware y la electricidad. |
| Hugging Face Inference Endpoints | Endpoint dedicado que despliegas desde la página del modelo; lo factura Hugging Face y el precio depende de la instancia. |
Funciones principales
- Adaptación a contextos largos en dos pasos: El BSC amplió el modelo base de 4k a 32k tokens y después a 160k. Atribuye a esos dos pasos las mejoras de contexto largo frente a la versión 2512.
- Datos de instrucciones en idiomas ibéricos: La mezcla supervisada tiene 103 815 conversaciones en catalán, 72 011 en euskera y 71 123 en gallego, junto a 161 390 en español y 342 982 en inglés.
- Receta de entrenamiento abierta: Los pesos, los scripts de entrenamiento y los archivos de configuración son públicos, y la ficha tabula la licencia de cada conjunto de datos supervisado.
- Alineación por preferencias con datos de seguridad: El conjunto de alineación tiene 368 475 pares de preferencias, y las instrucciones de seguridad cubren nueve categorías de daño en cinco idiomas.
Ventajas
- Sin cuotas de uso ni dependencia del proveedor: los pesos con licencia Apache se ejecutan en tu hardware y tus prompts no salen de tu infraestructura.
- Los datos de instrucciones están desglosados por idioma y licencia, lo que ayuda a auditar cómo se construyó el modelo.
- Una entidad pública con una fuente de financiación concreta (NextGenerationEU y el proyecto Aina) puede simplificar las dudas de procedencia en una compra pública.
Desventajas
- Sin llamadas a funciones nativas ni bucles de agente, según la propia lista de limitaciones del BSC.
- Las matemáticas y el razonamiento de varios pasos son débiles: la ficha muestra puntuaciones de una cifra en MGSM.
- Necesita varias GPU o cuantización, ya que solo los pesos en BF16 rondan los 81 GB.
Pruebas de rendimiento
- MMLU: 45% informado por el proveedor · 12 oct 2026 — Examen de cultura general de 57 materias, % correctas.
Un benchmark es un examen, no el trabajo en sí. Las puntuaciones se trasladan de forma desigual entre tareas, así que da más peso a la más cercana a tu carga de trabajo y lee cada cifra junto con su fuente.
Preguntas frecuentes
¿Cuánto hay que pagar por el modelo ALIA 40b instruct 2601?
Nada por los pesos: el BSC los publica con licencia Apache 2.0 y no tiene una API de pago por token. El coste es el tiempo de GPU, y el modelo completo necesita memoria de varias GPU. Los Inference Endpoints de Hugging Face pueden alojarlo, con un precio que fijan Hugging Face y la instancia que elijas.
¿Es gratis ALIA-40b-instruct-2601?
Sí. La licencia permite el uso comercial, y la ficha del BSC describe la familia como apta para investigación y trabajo comercial. El límite es el riesgo, no el precio. El BSC dice que quien lo despliega debe probarlo y cumplir la normativa de IA aplicable, y advierte contra los usos críticos sin pruebas exhaustivas.
¿Qué puedes usar en lugar de ALIA-40b-instruct-2601?
Para llamadas a herramientas, elige Gemma 4 31B o Qwen3.8 27B. Para datos de entrenamiento totalmente publicados, elige Olmo 3.1 32B Think. Para un modelo ibérico más pequeño y en equipos modestos, Salamandra 7B Instruct, del propio BSC, tiene un contexto de 8192 tokens.
¿ALIA-40b-instruct-2601 es mejor que Gemma 4 31B?
Para uso general, no. Gemma 4 31B acepta imágenes, admite el uso de herramientas y tiene un modo de razonamiento, mientras que la ficha del BSC no lista llamadas a funciones ni soporte para agentes. ALIA gana solo cuando pesan más la cobertura de catalán, euskera y gallego y una entidad pública ibérica como autora que esas funciones. Prueba ambos con tu propio texto.
¿Cuánto se tarda en poner en marcha ALIA-40b-instruct-2601?
En un equipo con memoria de GPU suficiente, el fragmento de Transformers de la ficha del BSC funciona en cuanto termina la descarga, así que la espera es sobre todo descargar y cargar. El botón Deploy de Hugging Face crea un endpoint con vLLM en unos clics, y el BSC lo recomienda como primer despliegue. Fija la temperatura cerca de 0,1 y deja desactivada la penalización por repetición.
Mejores alternativas
- Gemma 4 31B: Elige Gemma 4 31B por la entrada de imágenes, el uso de herramientas y un modo de razonamiento; elige ALIA por el posentrenamiento en catalán, euskera y gallego de una entidad pública.
- Qwen3.8 27B: Elige Qwen3.8 27B por una ventana más larga y las llamadas a herramientas; elige ALIA si pesan más la cobertura de idiomas ibéricos y los datos de instrucciones documentados.
- Olmo 3.1 32B Think: Elige Olmo para auditar datos de entrenamiento publicados; elige ALIA para español y las demás lenguas de España con un diseño centrado en instrucciones.