---
title: "Modelos descartados por BroadNet: LLM, voz, OCR, embeddings"
description: "BroadNet publica los modelos que probó y rechazó, con motivos: modelos de chat que fallaron su control de credenciales y modelos de voz, OCR y embeddings superados."
url: https://broadrouter.com/es/blog/models-broadnet-ruled-out/
lang: es
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/blog/models-broadnet-ruled-out/) (actualizado el 2026-11-16).

# Modelos que BroadNet evaluó y descartó, y por qué

Por el equipo de BroadNet Inference · 4 min de lectura · Publicado 2026-11-15 · Actualizado 2026-11-16

El catálogo de modelos de BroadNet marca unos 30 modelos y métodos como descartados tras probarlos en su laboratorio. Los motivos suelen ser cinco: un modelo perdió ante otro más fuerte para la misma tarea, un control de seguridad de credenciales, una licencia que impide servirlo por API, un formato de cuantización que perdió una comparación directa y retrocesos en árabe. Todo son mediciones propias de BroadNet de septiembre de 2026.

## Puntos clave

-   El catálogo de BroadNet etiqueta cada modelo como PROD, SERVED, BENCH, QUANT, FT o RULED OUT, y da el motivo de cada rechazo.
-   La batería de seguridad de credenciales de BroadNet apartó de los roles de seguridad a tres modelos de chat: Qwen3.5 35B A3B, más GLM 4.7 Flash y Nemotron 3 Nano 30B A3B, que siguen etiquetados SERVED y no RULED OUT.
-   La decodificación especulativa EAGLE3 se descartó porque costó el 69 % del rendimiento con 32 solicitudes concurrentes.
-   LlamaParse se descartó como solución vigente de análisis de documentos: perdía tablas, y BroadNet afirma que alojarlo por cuenta propia resultaba un 98 % más barato por cada 1,000 páginas.
-   Las victorias en rankings públicos de varios modelos de embeddings no resistieron el tráfico real en árabe de BroadNet.

**En esta página**

1.  ¿Qué modelos de chat descartó BroadNet?
2.  ¿Qué modelos de voz se descartaron?
3.  ¿Qué modelos de documentos, embeddings e imagen perdieron?
4.  ¿Qué se aprende de los rechazos?

El [catálogo de modelos](https://www.broadnet.ai/inference/models) de BroadNet enumera cada modelo que dice haber ejecutado, medido, cuantizado o ajustado en su propio hardware, y marca los que rechazó junto con el motivo. Unos 30 modelos y métodos llevan la etiqueta RULED OUT (descartado). Las cifras de abajo se midieron en el laboratorio de BroadNet en septiembre de 2026; son resultados de BroadNet, no nuestros.

El catálogo usa seis etiquetas: PROD (atendió tráfico real), SERVED (en palabras del catálogo, “ran on our fleet” (Traducción: se ejecutó en nuestra flota)), BENCH (se midió con benchmarks), QUANT (BroadNet produjo la cuantización), FT (BroadNet lo ajustó) y RULED OUT.

## ¿Qué modelos de chat descartó BroadNet?

| Modelo | Qué hizo BroadNet | Por qué se descartó |
| --- | --- | --- |
| Qwen3.5 35B A3B (AWQ 4-bit) | Se sirvió como nivel de velocidad, unos 164 tokens/s | No superó la batería de seguridad de credenciales de BroadNet para roles de seguridad |
| GLM 4.7 Flash (AWQ) | Se sirvió de forma experimental | Etiquetado SERVED, no RULED OUT: BroadNet dice que su batería de seguridad de credenciales lo descartó para roles de seguridad y que quedó por debajo de producción |
| Nemotron 3 Nano 30B A3B (NVFP4) | Se sirvió con un analizador de razonamiento propio | Etiquetado SERVED, no RULED OUT: BroadNet dice que su batería de seguridad de credenciales lo descartó para roles de seguridad y que quedó por debajo de producción |
| Qwen3.6 35B A3B | Se sirvió en RTX 5090 y GB10 | Perdió el puesto de chatbot ante Gemma 4 26B |
| Gemma 4 E4B (AWQ INT4) | Se sirvió en GB10 compartiendo el equipo, unos 94 tokens/s | Perdió el puesto de chatbot ante Gemma 4 26B |
| Gemma 4 26B A4B NVFP4 (tres publicadores) | Se evaluó la cuantización | Retirado en favor de AWQ tras una comparación directa en GPU sm\_120 y sm\_121 |
| Decodificación especulativa EAGLE3 | Se probó para servicio saturado | Costó el 69 % del rendimiento con 32 solicitudes concurrentes; se mantuvieron los borradores de predicción de múltiples tokens |

El patrón importa para cualquiera que elija un modelo abierto. Tres de los rechazos tienen que ver con la seguridad, no con la calidad: modelos lo bastante rápidos que, sin embargo, repetían credenciales. Ese es el modo de fallo que el [estudio Safety Map](https://broadrouter.com/es/blog/llm-safety-map-39-models/) de BroadNet encontró con más frecuencia en los modelos de mezcla de expertos con pocos parámetros activos. El modelo que ganó el puesto de chatbot, Gemma 4 26B A4B, es el que BroadNet vende como [Gemma 4 VL 26B](https://broadrouter.com/es/models/gemma-4-vl-26b/).

## ¿Qué modelos de voz se descartaron?

| Modelo | Por qué se descartó |
| --- | --- |
| Gemma 4 E2B, Gemma 4 12B (como transcriptores) | Se mantuvo en su lugar la variante de audio E4B |
| Omnilingual ASR 300M, 1B, 3B y variantes CTC (Meta) | La variante 7B se ganó el puesto |
| Voxtral Mini 3B / 4B Realtime (Mistral) | Descartado para árabe |
| ArTSTv3 (linaje MBZUAI) | Descartado para el puesto de árabe; se mantuvo Cohere Transcribe Arabic |
| FireRedVAD, DeepFilterNet, BNR (preprocesamiento) | Se adoptó la detección de actividad de voz de Silero tras una comparación directa |

BroadNet informa que el modelo que conservó, Cohere Transcribe Arabic 07-2026, obtiene una tasa de error de palabras de 21.1 en el habla dialectal de MASC, frente a 22.3 de ElevenLabs Scribe v2 y 31.5 de Whisper large-v3, en su propia prueba. Lo sirve como [BroadNet Transcribe Arabic](https://broadrouter.com/es/models/cohere-transcribe-arabic/). El catálogo también indica que Whisper large-v3 se midió como respaldo.

## ¿Qué modelos de documentos, embeddings e imagen perdieron?

**OCR y análisis de documentos**

-   **LlamaParse**, la API vigente hasta entonces, obtuvo 16.6 en el subconjunto de OmniDocBench de BroadNet. BroadNet lo descartó porque “it loses tables, and self-hosting is 98% cheaper per 1,000 pages” (Traducción: pierde tablas, y alojarlo por cuenta propia es un 98 % más barato por cada 1,000 páginas).
-   **olmOCR-2, HunyuanOCR, GOT-OCR 2.0 y Nanonets OCR2** se evaluaron y descartaron; Nanonets, por las condiciones de su licencia. Se mantuvo dots.mocr como elección de producción porque analiza documentos y además describe figuras, aunque PaddleOCR-VL 1.6 obtuvo una puntuación más alta (94.74 frente a 86.81).

**Embeddings**

-   **gemini-embedding-2** se descartó para árabe tras retroceder frente a gemini-embedding-001 (0.767 frente a 0.824 en el benchmark de recuperación de BroadNet).
-   **nomic-embed-text v1.5**, la solución vigente anterior, obtuvo 0.468 en general y 0.130 en árabe, y se retiró.
-   **Octen 8B, Harrier 0.6B y Nemotron Embed 1B** se sirvieron y se descartaron con tráfico real en árabe, “where our podium held despite their public-board wins” (Traducción: donde nuestro podio se mantuvo pese a sus victorias en los rankings públicos).

BroadNet añade un hallazgo que pesó más que la elección del modelo: una instrucción de consulta específica para la carga de trabajo mejoró la calidad de recuperación (nDCG) en 0.048, más que pasar de un modelo de embeddings de 4B a uno de 8B.

**Generación de imágenes y seguridad**

-   **Cosmos3 Super 64B y HunyuanImage 3.0 80B** se descartaron por adecuación al hardware y condiciones de licencia.
-   **openai/privacy-filter 1.5B** detectó el 100 % de las credenciales pero el 0 % de las cifras salariales en el corpus de fugas de BroadNet, así que se descartó como cortafuegos.

## ¿Qué se aprende de los rechazos?

Cuatro lecciones valen más allá de la infraestructura de BroadNet:

1.  **Pruebe la tarea, no el ranking.** Varios modelos de embeddings con victorias en rankings públicos perdieron con tráfico real en árabe.
2.  **La seguridad es un filtro aparte.** Un modelo rápido y capaz puede fallar una prueba de credenciales. Ejecute una antes de que un modelo vea secretos; el [método de evaluación](https://broadrouter.com/es/blog/llm-sensitive-data-safety-evaluation-method/) de BroadNet es un punto de partida.
3.  **Las licencias deciden qué se puede servir.** Los modelos no comerciales como Voxtral 4B TTS e Higgs Audio v3 aparecen en el catálogo solo como techos de calidad.
4.  **Las decisiones de servicio también se miden.** Los formatos de cuantización y los métodos de borrador se descartaron según cifras de comparaciones directas, no por defecto. Vea [el hardware GPU de BroadNet y su forma de servir modelos](https://broadrouter.com/es/blog/broadnet-gpu-fleet-and-serving/).

Cada cifra de este artículo proviene del laboratorio y del tráfico de una sola empresa. Úsela como lista corta de lo que conviene probar y luego [evalúe con sus propios datos](https://broadrouter.com/es/blog/evaluate-llm-before-switching/) antes de cambiar. Además, una fila descartada o solo medida no es algo que usted pueda llamar; [cómo leer un catálogo de modelos](https://broadrouter.com/es/blog/understand-model-status/) explica cómo distinguir las entradas disponibles, las disponibles a pedido y las de investigación.

Herramientas gratuitas sobre este tema (en inglés)

-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.
-   [LLM token counter](https://broadrouter.com/tools/token-counter/) Exact token counts with each model's real tokenizer, with a token view and cost.
-   [Context window calculator](https://broadrouter.com/tools/context-window-calculator/) Will it fit? Window used per model, room left for output, cost to send.

[Herramientas gratuitas (en inglés)](https://broadrouter.com/tools/)

## Términos de este artículo

[Embeddings (vectores de texto)](https://broadrouter.com/es/glossary/embeddings/)

Los embeddings son listas de números de punto flotante (vectores) que un modelo produce para representar un texto, una imagen u otra entrada. Las entradas de significado parecido obtienen vectores cercanos, así que la distancia entre vectores sirve para ordenar resultados de búsqueda, agrupar documentos o encontrar elementos relacionados.

[Token](https://broadrouter.com/es/glossary/token/)

Un token es la unidad de texto que un modelo de lenguaje lee y escribe: una palabra, parte de una palabra, un signo de puntuación o una secuencia de bytes producida por el tokenizador del modelo. Las APIs de LLM cuentan, limitan y normalmente facturan el uso en tokens.

[AWQ (cuantización de pesos consciente de activaciones)](https://broadrouter.com/es/glossary/awq/)

AWQ (activation-aware weight quantization) es un método posterior al entrenamiento que comprime los pesos de un LLM a baja precisión, normalmente enteros de 4 bits. Usa estadísticas de activación de un pequeño conjunto de calibración para encontrar los canales de pesos más importantes y los escala para que pierdan menos precisión. No necesita retropropagación.

[Cuantización (quantization)](https://broadrouter.com/es/glossary/quantization/)

La cuantización es el proceso de almacenar los números de una red neuronal, sobre todo sus pesos, en un formato de menor precisión, como 8 o 4 bits en lugar de 16, para que el modelo use menos memoria y a menudo funcione más rápido. Los buenos métodos mantienen pequeña la pérdida de precisión.

[Mixture of experts (MoE, mezcla de expertos)](https://broadrouter.com/es/glossary/mixture-of-experts/)

Mixture of experts (MoE, mezcla de expertos) es un diseño de red neuronal en el que una capa contiene muchas subredes expertas y un router aprendido envía cada token solo a unas pocas. Un modelo de lenguaje MoE tiene un número total de parámetros grande, pero usa un pequeño subconjunto activo por token.

[Concurrencia (concurrency)](https://broadrouter.com/es/glossary/concurrency/)

La concurrencia es el número de solicitudes que un cliente tiene en curso al mismo tiempo. Las APIs de LLM suelen limitarla por clave o por plan, aparte de las solicitudes por minuto, porque cada solicitud abierta ocupa capacidad de GPU hasta que su respuesta termina.

[INT4](https://broadrouter.com/es/glossary/int4/)

INT4 es un formato de enteros de 4 bits que puede representar 16 niveles. En la inferencia de LLM suele referirse a la cuantización solo de pesos en 4 bits (W4A16): los pesos se guardan como INT4 con factores de escala y se expanden a 16 bits al calcular, con cerca de un cuarto de la memoria de 16 bits.

[Modelo de pesos abiertos (open-weight model)](https://broadrouter.com/es/glossary/open-weight-model/)

Un modelo de pesos abiertos es un modelo de aprendizaje automático cuyos pesos entrenados se publican para que cualquiera los descargue y ejecute, normalmente con una licencia con condiciones. Se diferencia de la IA totalmente de código abierto, que además publica el código de entrenamiento e información detallada sobre los datos, para que otros puedan estudiar y reproducir el modelo.

## Preguntas frecuentes

### ¿Por qué BroadNet publica los modelos que rechaza?

Su catálogo dice que publica "what we rule out as carefully as what we ship" (Traducción: lo que descartamos con el mismo cuidado que lo que lanzamos), para que los compradores vean el razonamiento detrás de cada recomendación. Un rechazo con su motivo es evidencia que usted puede contrastar con su propia carga de trabajo.

### ¿"Descartado" significa que el modelo es malo?

No. La mayoría de los rechazos corresponden a un puesto concreto en el flujo de BroadNet, con la configuración y el tráfico que declara BroadNet. Qwen3.6 35B A3B y Gemma 4 E4B perdieron el puesto de chatbot ante Gemma 4 26B; aun así pueden servir para su tarea.

### ¿Qué es la batería de seguridad de credenciales?

Es la prueba de BroadNet para saber si un modelo repite las credenciales que ve, basada en su método publicado de evaluación de datos sensibles. Los modelos que no la superan quedan por debajo de producción para roles de seguridad.

### ¿Por qué las licencias descartan modelos?

Algunos modelos potentes, como Voxtral 4B TTS e Higgs Audio v3, tienen licencia no comercial, así que BroadNet solo los mide como techo de calidad y no puede servirlos mediante una API de pago.

### ¿Los modelos descartados están disponibles en BroadNet Inference?

No. La API vende seis modelos, y otros tres están disponibles a pedido. Los modelos marcados como descartados no se ofrecen.

## Siga leyendo

-   [El hardware GPU de BroadNet y cómo sirve los modelos, según BroadNet](https://broadrouter.com/es/blog/broadnet-gpu-fleet-and-serving/)
-   [Cómo evaluar un LLM antes de cambiar de proveedor](https://broadrouter.com/es/blog/evaluate-llm-before-switching/)
-   [El Safety Map: cómo tratan 39 LLM los datos sensibles](https://broadrouter.com/es/blog/llm-safety-map-39-models/)
-   [API de voz a texto en árabe: cómo elegir una en 2026](https://broadrouter.com/es/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Disponible, bajo solicitud o investigación: lea bien un catálogo](https://broadrouter.com/es/blog/understand-model-status/)
-   [Alternativas a Artificial Analysis: dónde comparar LLM en 2026](https://broadrouter.com/es/blog/artificial-analysis-alternatives/)
-   [SLA de APIs de LLM: qué prometen Azure, Bedrock, Google y OpenAI](https://broadrouter.com/es/blog/llm-api-sla-uptime-compared/)
-   [Guía: Pruebe BroadNet Inference en su navegador, sin cuenta](https://broadrouter.com/es/guides/try-broadnet-inference-playground/)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-models-broadnet-ruled-out&utm_content=page-cta) ·

**Fuentes**

-   [Catálogo de modelos de BroadNet: cada modelo que ejecuta, mide, cuantiza o ajusta, incluidos los descartados (medido en septiembre de 2026; consultado el 2026-11-15)](https://www.broadnet.ai/es/inference/models)
-   [BroadNet Research: hallazgos sobre decodificación especulativa y servicio de modelos (consultado el 2026-11-15)](https://www.broadnet.ai/es/research)
-   [Página del modelo Gemma 4 VL 26B de BroadNet (consultado el 2026-11-15)](https://www.broadnet.ai/es/inference/models/gemma-4-vl-26b)
-   [Página del modelo BroadNet Transcribe Arabic (consultado el 2026-11-15)](https://www.broadnet.ai/es/inference/models/cohere-transcribe-arabic)
