Streamer
Un youtuber asegura haber creado un modelo de IA que supera a ChatGPT
El icónico PewDePie asegura que solo empezó este proyecto como un desafío para aprender más sobre el tema
Hace mucho que el mundo de la inteligencia artificial ya está abierto para todos los públicos. El único detalle es que ya los usuarios ya no solo pueden utilizar estos modelos en su día a día, sino que ha llegado el momento en el que también los desarrollan.
Esta vez ha sido uno de los creadores más influyentes de YouTube quien ha asegurado haber creado su propio modelo de IA capaz, según sus pruebas, de superar a ChatGPT en un benchmark de programación.
El proyecto, documentado en un vídeo reciente, muestra meses de pruebas, errores técnicos y ajustes continuos hasta alcanzar resultados competitivos.
PewDiePie afirma haber superado a OpenAI en un benchmark de código
El creador explicó que no construyó este modelo desde cero, sino que realizó fine-tuning sobre un modelo de lenguaje ya existente, entrenándolo con datasets personalizados y pruebas específicas orientadas a agentes de programación.
Según detalla, su modelo comenzó con un rendimiento cercano al 8% en el benchmark utilizado. Tras múltiples ajustes en el formato de los datos y nuevas rondas de entrenamiento, logró elevar la puntuación hasta el 16%. Así, implementando mejoras y entrenando a su IA con más información, PewDiePie asegura haber alcanzado un 39,1% tras ajustes finales.
En el vídeo también documentó diversos problemas técnicos durante el proceso: fallos de GPU, sobrecalentamiento, limitaciones eléctricas y reconstrucciones constantes de su sistema debido a la alta carga computacional.
Aun así, el creador subrayó que el proyecto tenía un enfoque principalmente educativo y experimental. Reconoció que un buen resultado en un único benchmark no garantiza superioridad general frente a modelos consolidados y señaló que han aparecido nuevos sistemas, como Qwen 3, que ya superan esas métricas.
Por ahora, no ha confirmado si publicará el modelo, pero sí dejó claro que el proceso le permitió comprender mejor los flujos de trabajo en machine learning, la preparación de datos y los desafíos reales del entrenamiento de modelos de gran tamaño.
