Multiverse presenta Quasar 438B como el modelo de IA más avanzado de Europa, pero su origen genera dudas
Multiverse Computing ha presentado Quasar 438B, un modelo de inteligencia artificial que la compañía española define como el más inteligente desarrollado en Europa. La afirmación se apoya en sus resultados en el Intelligence Index de Artificial Analysis, donde alcanza 43 puntos y supera a otros sistemas europeos como Mistral Medium 3.5.
Sin embargo, la documentación disponible apunta a que Quasar podría ser una versión comprimida o adaptada de GLM-5.2, un modelo chino desarrollado por Zhipu.AI y publicado en junio de 2026. La empresa española no ha detallado públicamente el origen completo del sistema ni ha explicado si existe una relación directa con ese modelo.
Un modelo especializado en razonamiento, programación y agentes
Quasar 438B cuenta con 438.000 millones de parámetros, las unidades matemáticas que permiten a un modelo de IA aprender patrones y generar respuestas. También ofrece una ventana de contexto de un millón de tokens, lo que le permite procesar documentos, conversaciones o bloques de código extremadamente extensos.
Los tokens son fragmentos de texto que la inteligencia artificial utiliza para analizar y generar contenido. Una ventana de un millón de tokens permite trabajar con grandes cantidades de información sin tener que dividirlas en múltiples sesiones, una capacidad especialmente útil para programación, análisis documental y agentes de IA.
Estos agentes son sistemas capaces de planificar tareas y utilizar herramientas externas, como buscadores, bases de datos o aplicaciones de software. Por eso, el rendimiento en razonamiento y código resulta más importante que la simple capacidad de mantener una conversación.
Por delante de los modelos europeos, pero lejos de la frontera tecnológica
Los 43 puntos obtenidos por Quasar 438B en el Intelligence Index lo sitúan por encima de Mistral Medium 3.5, que logra 35 puntos. La diferencia coloca al modelo de Multiverse en una posición destacada dentro del ecosistema europeo.
No obstante, el resultado no lo sitúa entre los sistemas más avanzados del mundo. Fable 5.1 alcanza 66 puntos en la misma clasificación, mientras que GLM-5.2 llega a 53. La comparación sugiere que Quasar ofrece un rendimiento notable, aunque con una pérdida de capacidad respecto al sistema con el que aparentemente estaría relacionado.
Las coincidencias con GLM-5.2 alimentan las sospechas
Las similitudes entre ambos modelos van más allá de la orientación general. Tanto Quasar 438B como GLM-5.2 son sistemas de texto y razonamiento, y los dos ofrecen una ventana de contexto de un millón de tokens.
GLM-5.2 declara 753.000 millones de parámetros totales, de los que aproximadamente 40.000 millones se activan durante la inferencia. En el caso de Quasar, Multiverse comunica la cifra total de 438.000 millones, pero no especifica cuántos parámetros utiliza en cada respuesta.
Además, la ficha de Quasar en Artificial Analysis indica que está basado en GLM-5.2. Documentación anterior relacionada con CompactifAI, la plataforma de compresión de modelos de Multiverse, también habría vinculado en fase beta ambos sistemas y descrito unas capacidades técnicas prácticamente idénticas.
La compresión como ventaja: más velocidad con menos tamaño
La principal especialidad de Multiverse Computing es CompactifAI, una tecnología diseñada para reducir el tamaño de los modelos de inteligencia artificial. El objetivo es que puedan ejecutarse con menos memoria y con un menor coste de infraestructura, sin perder una parte significativa de sus capacidades.
Los datos disponibles encajan con esa explicación. Quasar 438B obtiene una velocidad de inferencia de 183 tokens por segundo, frente a los 68 tokens por segundo de GLM-5.2. En términos prácticos, el modelo español podría generar respuestas mucho más rápido y resultar más sencillo de desplegar en servidores con recursos limitados.
La contrapartida sería un rendimiento inferior en determinadas pruebas. Si Quasar es efectivamente una versión comprimida de GLM-5.2, la diferencia de puntuación entre ambos modelos podría reflejar el coste de reducir sus dimensiones y optimizar su funcionamiento.
Un lanzamiento relevante para la soberanía tecnológica europea
Multiverse Computing se ha convertido en una de las empresas españolas más destacadas del sector de la inteligencia artificial. En febrero de 2025 recibió una inversión pública de 67 millones de euros, y meses después captó otros 189 millones de inversores privados.
La compañía también habría iniciado negociaciones para una nueva ronda de financiación que elevaría su valoración por encima de los 1.500 millones de euros. Su estrategia se ha centrado principalmente en hacer más eficientes los grandes modelos de IA, en lugar de competir directamente con las empresas que entrenan sistemas desde cero.
En ese contexto, Quasar puede interpretarse como una demostración práctica de la tecnología de compresión de Multiverse. El problema está en la forma de presentar el producto: si su base principal es un modelo chino, definirlo sin matices como el modelo europeo más avanzado puede generar confusión sobre qué parte corresponde al desarrollo propio.
La paradoja de los pesos abiertos
El caso también plantea una cuestión sobre la soberanía tecnológica. GLM-5.2 es un modelo de pesos abiertos, lo que permite descargar sus componentes, estudiarlos y adaptarlos bajo las condiciones de su licencia.
Quasar 438B aparece, en cambio, como un modelo propietario. Es decir, aunque pueda estar construido a partir de una tecnología de pesos abiertos, sus usuarios no tendrían necesariamente acceso al modelo resultante ni a todos sus componentes internos.
Esta práctica no es ilegal por sí misma y puede aportar valor si la compresión mejora de forma sustancial la velocidad, el coste y la eficiencia. Aun así, la situación complica cualquier argumento que presente Quasar como una alternativa completamente europea a los grandes modelos extranjeros.
Multiverse Computing todavía debe aclarar el origen exacto de Quasar 438B, el proceso aplicado sobre GLM-5.2 y las condiciones de acceso al sistema. Hasta que ofrezca esos detalles, el modelo representa una demostración prometedora de compresión y optimización, pero no necesariamente un modelo europeo entrenado desde cero.
