Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

Maxwell-V1.0-Flash

Un modelo mixture-of-experts de 35B con 3B activos y atención dispersa por bloques, líder en búsqueda agéntica según sus propias pruebas; el creador no se identifica.

Reseña de ReviewRamble editors · Actualizado

Visitar Maxwell-V1.0-Flash Código abierto

Comparte esta página:XLinkedInFacebookRedditWhatsAppCorreo

Nuestra nota

3.7/5

Según las pruebas de sus autores, Maxwell es el modelo de 3B activos más fuerte en búsqueda agéntica, pero todas las cifras son autodeclaradas y la empresa que hay detrás no se nombra.

¿Qué es Maxwell-V1.0-Flash?

Maxwell-V1.0-Flash es un modelo de lenguaje mixture-of-experts solo de texto con 35.000 millones de parámetros totales y 3.000 millones activos por token (ambos sin contar los embeddings) y una ventana de contexto de 256K tokens. Tiene 45 capas: tres densas y luego 42 con 256 expertos enrutados, de los que 12 se activan por token, más 2 expertos compartidos. La atención usa Maxwell Block Sparse Attention, que mantiene 8 bloques de prefijo y 8 locales de 128 tokens y elige hasta 16 más con un indexador aprendido, lo que limita la atención principal a 4.096 tokens por grupo KV; la ficha dice que el kernel es 6.7x más rápido que la atención densa a 256K.

Se preentrenó con unos 26 billones de tokens multilingües y el optimizador Muon, con un tokenizador diseñado para ser compacto en tailandés, lao, birmano, jemer y shan, y después se postentrenó con ajuste fino supervisado, ramas separadas de aprendizaje por refuerzo para tareas generales, de razonamiento y agénticas, y una destilación multiprofesor en un solo modelo. Los pesos son Apache 2.0. El editor es el "Maxwell Team"; la ficha del modelo, el informe técnico y la web no nombran ninguna empresa, ubicación ni financiador.

¿Merece la pena Maxwell-V1.0-Flash?

Los resultados destacados son agénticos. En la tabla de postentrenamiento Maxwell obtiene 76.30 en BrowseComp frente a 47.00 de Qwen3.6-35B-A3B y 55.60 de Muse Glimmer-30B, 83.30 en DeepSearchQA y 58.65 en Terminal-Bench frente a 47.42 de Qwen3.6. En SWE-Bench Verified, ejecutado con el harness de Claude Code, supera por poco a Qwen3.6, 65.40 contra 63.40. Su media en seis pruebas de matemáticas es 92.61 (mean@8), y lidera la media de contexto largo con 76.94.

Es más flojo haciendo lo que se le pide. En IFBench saca 64.80 frente a 83.20 de Muse Glimmer y 79.10 de Gemma 4 26B-A4B, y la media de seguimiento de instrucciones queda por debajo de ambos. El modelo base también puntúa por debajo de los modelos base de Qwen en chino (CMMLU 79.41 frente a 87.41), aunque lidera tres de las cuatro pruebas base del Sudeste Asiático, donde se nota el trabajo en el tokenizador.

La pega: todas las puntuaciones salen de la evaluación interna del equipo, con ajustes elegidos por él (temperatura 0.6, contextos de 32K a 256K y gestión de contexto activada en los resultados de búsqueda marcados con asterisco), y aún no hay ninguna entrada en una clasificación independiente. La organización detrás no está identificada: una lista de 76 autores, un correo de contacto y una web, pero ninguna empresa, país ni financiación. Para ejecutarlo hace falta trust_remote_code, que ejecuta el Python del repositorio en tu máquina, y una imagen de vLLM personalizada hecha para el driver de NVIDIA 580 o posterior. Los safetensors contienen unos 36.8 mil millones de parámetros BF16, unos 74 GB, antes de cualquier caché KV. La ficha además indica una base RoPE de 10,000,000 donde config.json dice 20,000,000, una pequeña señal de un lanzamiento con prisas.

La adopción es modesta: 215 me gusta y 1.052 descargas en Hugging Face, con una versión GGUF de terceros en 4.437. Los pesos son Apache 2.0, así que la licencia no es el obstáculo; lo son la procedencia y la verificación.

Nuestra opinión: Maxwell merece una prueba para quien ejecuta agentes de búsqueda o investigación en sus propias GPU, medido en sus propias tareas frente a Qwen3.6-35B-A3B; para cualquier uso regulado, un creador sin nombre y el código remoto son motivos para esperar a pruebas externas.

Dónde se gana su sitio

  • Un ingeniero de ML en una empresa de estudios de mercado

    Ejecutar en nuestro propio hardware un agente de investigación que navegue y cite fuentes

    Sirve el modelo con la imagen maxwellmodel/vllm-openai y el parser de llamadas a herramientas qwen3, y conéctalo al agente existente mediante la API compatible con OpenAI. Compáralo con Qwen3.6-35B-A3B en un conjunto de tus preguntas de investigación anteriores antes de cambiar.

  • Una desarrolladora que crea un asistente de soporte para clientes en tailandés y vietnamita

    Obtener buenas respuestas en lenguas del Sudeste Asiático sin pagar por prompts largos

    El tokenizador es el más compacto de la tabla del informe técnico en texto del Sudeste Asiático, así que el mismo prompt usa menos tokens y menos contexto. Comprueba la calidad con tus propias conversaciones, porque las puntuaciones multilingües son autodeclaradas.

Antes de decidirte

Puesta en marcha
Descarga los pesos con hf download y ejecuta vLLM desde la imagen Docker maxwellmodel/vllm-openai:v0.30.0 con --trust-remote-code; requiere el driver de NVIDIA 580 o posterior (CUDA 13.0), o una opción de compatibilidad en drivers anteriores.
Integraciones
API de chat compatible con OpenAI a través de vLLM, con llamadas a herramientas y un modo de razonamiento activado por defecto; existe una versión GGUF de la comunidad en Hugging Face.
Datos y privacidad
Se ejecuta en tu propio hardware bajo Apache 2.0. Al cargarlo se ejecuta el código de modelo personalizado del repositorio. No se publica cómo trata los datos el playground web.
Coste a escala
Pesos gratuitos; unos 74 GB de pesos BF16 antes de la caché KV, así que una GPU grande de centro de datos o varias más pequeñas. El ejemplo del README usa un tensor-parallel size de 1.
Límites
Solo texto; las pruebas son internas y en parte usan gestión de contexto; no se publican la identidad del creador, su ubicación ni el cómputo de entrenamiento.

Lo bueno

  • Lidera su tabla comparativa en BrowseComp, DeepSearchQA y Terminal-Bench
  • 3B parámetros activos con atención dispersa por bloques hasta 256K
  • Tokenizador compacto para lenguas del Sudeste Asiático
  • Pesos Apache 2.0 con un informe técnico de 38 páginas

Lo malo

  • Todas las pruebas son autodeclaradas
  • La empresa y el país del editor no están publicados
  • Necesita trust_remote_code y una imagen de vLLM personalizada
  • En seguimiento de instrucciones queda por detrás de Gemma 4 y Muse Glimmer

Ideal para

Equipos que construyen agentes de búsqueda e investigación, pueden alojar un modelo de unos 74 GB y quieren probar una alternativa de 3B activos a Qwen3.6-35B-A3B.

Alternativas a Maxwell-V1.0-Flash

Maxwell-V1.0-Flash: preguntas frecuentes

¿Merece la pena Maxwell-V1.0-Flash?
Según las pruebas de sus autores, Maxwell es el modelo de 3B activos más fuerte en búsqueda agéntica, pero todas las cifras son autodeclaradas y la empresa que hay detrás no se nombra. Le damos un 3.7 sobre 5.
¿Cuánto cuesta Maxwell-V1.0-Flash?
Pesos abiertos gratuitos bajo Apache 2.0. Se ofrece un playground web; no hay API de pago ni precios publicados.
¿Qué inconvenientes tiene Maxwell-V1.0-Flash?
Todas las pruebas son autodeclaradas; la empresa y el país del editor no están publicados; necesita trust_remote_code y una imagen de vLLM personalizada; en seguimiento de instrucciones queda por detrás de Gemma 4 y Muse Glimmer.
¿Para quién es Maxwell-V1.0-Flash?
Equipos que construyen agentes de búsqueda e investigación, pueden alojar un modelo de unos 74 GB y quieren probar una alternativa de 3B activos a Qwen3.6-35B-A3B.
¿Cuánto cuesta Maxwell-V1.0-Flash para un equipo o en producción?
Pesos gratuitos; unos 74 GB de pesos BF16 antes de la caché KV, así que una GPU grande de centro de datos o varias más pequeñas. El ejemplo del README usa un tensor-parallel size de 1.
¿Es Maxwell-V1.0-Flash seguro para los datos de la empresa?
Se ejecuta en tu propio hardware bajo Apache 2.0. Al cargarlo se ejecuta el código de modelo personalizado del repositorio. No se publica cómo trata los datos el playground web.
¿Cuáles son las mejores alternativas a Maxwell-V1.0-Flash?
Las alternativas más cercanas que hemos analizado son Qwen3.6, Muse Glimmer y Gemma 4.

Respuestas comprobadas el 18 nov 2026.