Noticias IA · Modelos Multimodales, Visión Artificial y Pesos Abiertos
Edición: Álvaro MaureiraFecha: 2026-11-01Fuente: Mistral AI Research & Open Source Vision Models
Mistral AI presentó Pixtral 12B, su primer modelo de lenguaje y visión de 12 mil millones de parámetros entrenado de forma nativa para procesar tanto imágenes como texto. Construido sobre la base del modelo NeMo 12B de Mistral, Pixtral introduce una arquitectura innovadora que prescinde de la resolución fija o el redimensionamiento forzado, procesando imágenes de cualquier dimensión o relación de aspecto de manera continua y eficiente bajo una licencia abierta para la comunidad investigadora y empresarial.
Capítulo 01
La noticia en una frase
Mistral AI lanzó Pixtral 12B, su modelo multimodal de visión y lenguaje capaz de procesar imágenes a resolución nativa con pesos abiertos.
En noviembre de 2026, Mistral AI liberó los pesos y el código de inferencia de Pixtral 12B en Hugging Face y en su plataforma La Plateforme. En pruebas estandarizadas de comprensión visual (como MMMU, DocVQA y ChartQA), Pixtral 12B superó a modelos de visión abiertos contemporáneos de mayor tamaño (como Llama 3.2 11B Vision y Qwen2-VL 7B), logrando un 68.2% en comprensión de documentos técnicos y diagramas complejos.
Capítulo 02
El alcance que cambia la lectura
La inmensa mayoría de los modelos de visión por computador tradicionales dividen las imágenes en parches de tamaño fijo (por ejemplo, 224x224 o 336x336 píxeles) o deforman la relación de aspecto original para encajarla en un tensor cuadrado predeterminado. Esto degrada drásticamente la legibilidad de textos diminutos en infografías o capturas de pantalla de alta resolución. Pixtral elimina esta limitación mediante un codificador visual de parches adaptativos continuos.
Capítulo 03
El mecanismo documentado
La arquitectura consta de un codificador visual ViT de 400 millones de parámetros entrenado desde cero, conectado a un decodificador multimodal NeMo de 12B mediante una capa de proyección lineal. Pixtral admite un contexto nativo de 128k tokens y permite introducir un número arbitrario de imágenes intercaladas libremente en cualquier punto del prompt de texto, modelando relaciones de coherencia entre múltiples fotografías consecutivas.
Capítulo 04
La relación entre las piezas
Pixtral 12B se integra inmediatamente con el motor vLLM, el framework SGLang y la biblioteca Hugging Face Transformers. Los desarrolladores pueden utilizarlo como motor de extracción OCR inteligente, clasificador visual o asistente multimodal local sin necesidad de enviar imágenes confidenciales a proveedores externos en la nube.
Capítulo 05
Qué capacidad se puede atribuir
Se comprueba una precisión sobresaliente en la lectura de gráficos de dispersión, tablas densas y diagramas de flujo de arquitectura de software. Sin embargo, no se debe atribuir al modelo la capacidad de video continuo en tiempo real de alta tasa de cuadros ni la inferencia en hardware móvil sin aceleración de GPU dedicada.
Capítulo 06
La puerta de control
El modelo se distribuye bajo la licencia Apache 2.0 (o modificada para investigación de Mistral), permitiendo a las organizaciones auditar completamente los tensores, aislar la inferencia en redes privadas corporativas y afinar capas mediante LoRA sin riesgo de fugas de datos hacia el exterior.
Capítulo 07
Lo que la fuente no demuestra
La documentación de Mistral AI no demuestra que Pixtral 12B resuelva sin error tareas de conteo masivo de objetos idénticos apiñados (como estimar con precisión milimétrica miles de granos en una muestra industrial); en tales escenarios especializados aún se requieren modelos de segmentación dedicados.
Capítulo 08
Cómo probarlo sin prometer de más
Los equipos de ingeniería pueden desplegar el modelo de forma inmediata en una GPU NVIDIA de 24 GB (como una RTX 3090 o A10G) utilizando el comando `vllm serve mistralai/Pixtral-12B-2409 --tokenizer_mode mistral --limit_mm_per_prompt 'image=4'`.
Capítulo 09
Veredicto editorial
Pixtral 12B marca un hito fundamental para la IA soberana y abierta en Europa y el mundo: un modelo multimodal genuinamente versátil que permite a empresas e investigadores tratar imágenes con la misma naturalidad, rigor y libertad operativa que el texto plano.
Fuente oficial y reporte: alvaromaureira.cl
