Dos personas han entrenado un modelo que aprende a manejar un ordenador viendo grabaciones de pantalla, y dicen que supera a Gemini 3.1 Flash-Lite en sus pruebas de uso de ordenador con 30 veces menos cómputo de preentrenamiento. Se llama Photon-1, lo firma Induction Labs y salió el 23 de julio de 2026.
Puntos clave
- Arquitectura de mezcla de expertos dispersa con 106.000 millones de parámetros totales y 5.000 millones activos, ventana de 32.000 tokens.
- Entrenado con 2 millones de grabaciones de pantalla, filtradas a partir de 2.000 millones de vídeos públicos: 575 millones de fotogramas, el equivalente a 18 años de vídeo a un fotograma por segundo.
- Coste total del preentrenamiento: unas 30.000 horas de GPU H200 y 4,4x10^22 FLOPs, en una sola pasada sobre los datos.
- Coste de servirlo: 0,11 dólares por millón de tokens, frente a 0,36 de Gemini 3.1 Flash-Lite.
- El equipo son dos personas, David Li y Jonathan Li, en San Francisco.
Qué hace distinto
La mayoría de modelos de vídeo aprenden a generar píxeles bonitos. Photon-1 no genera píxeles durante el preentrenamiento. Aprende a predecir el siguiente estado en un espacio de representación aprendido.
Dicho en cristiano: en vez de enseñarle a dibujar el fotograma siguiente, le enseñan a anticipar qué va a pasar. Ves una pantalla con un cursor acercándose a un botón, y el modelo predice el estado que viene después. Eso es mucho más barato que renderizar y, para tareas de manejar un ordenador, es lo único que hace falta.
El truco que abarata la fiesta está en el codificador de visión. Usan cuantización escalar finita (FSQ) para comprimir cada fotograma cien veces: 2,2 KB por fotograma, 960 tokens discretos. Con eso caben 18 años de vídeo dentro de un presupuesto de cómputo que en 2026 es casi de aficionado.
Los números del entrenamiento
30.000 horas de H200 es la cifra que más llama la atención. A precios de alquiler de mercado eso son cientos de miles de dólares, no cientos de millones. Es un preentrenamiento que cabe en una ronda semilla.
Y una sola época. No repasan los datos varias veces, hacen una pasada. Eso suele indicar que el cuello de botella era el dato disponible y no la capacidad de aprender del modelo, lo cual deja margen para crecer.
En resultados, además de la comparación con Gemini 3.1 Flash-Lite en uso de ordenador, dan dos pruebas de física intuitiva. En damas gana a las referencias basadas en modelos de lenguaje tanto en simular la partida como en jugarla. En billar, el error absoluto medio al predecir dónde acaba la bola es 0,47 frente al 1,44 del codificador de visión de referencia.
Son benchmarks internos, hechos por la empresa, sin revisión externa. Conviene tratarlos como lo que son: la casa dando su propia nota.
Dónde encaja esto
Es la segunda vez este mes que un modelo entrenado sobre vídeo apunta a controlar cosas en vez de a generar clips. Hace unos días contamos FLUX 3 de Black Forest Labs, que entrena imagen, vídeo, audio y acciones de robot dentro del mismo sistema, y antes Cosmos 3 Edge de Nvidia.
Los tres apuntan a lo mismo desde ángulos distintos: si un modelo entiende cómo evoluciona el mundo, sirve para actuar dentro de él. Photon-1 lo aplica al mundo más aburrido y más útil de todos, que es la pantalla de un ordenador de oficina.
Por qué importa
Para una empresa, lo interesante aquí no es el modelo, es el coste.
El uso de ordenador (que un agente pinche, escriba y navegue por una interfaz como haría una persona) es la vía para automatizar todo el software viejo que no tiene API. Ese ERP de 2011, el portal del proveedor, la web de la administración. Hoy hacer eso con un modelo grande sale caro porque cada paso son varias imágenes y muchos tokens.
Un modelo tres veces más barato de servir cambia la cuenta de qué procesos compensa automatizar. Un flujo de 200 pasos diarios que a 0,36 dólares el millón no salía, a 0,11 empieza a salir.
Y hay un segundo mensaje, menos técnico. Dos personas, 30.000 horas de GPU y un objetivo de entrenamiento bien elegido bastan para pelear con un modelo de Google en una tarea concreta. La ventaja de los laboratorios grandes es enorme en generalidad, mucho menos en verticales estrechos. Ahí es donde puede aparecer competencia útil y barata para el resto de nosotros.
Relacionado
