La empresa ConvAI Innovations publicó el 19 de septiembre Laya, una familia de modelos que no genera texto: recibe una entrada y devuelve una clasificación con su puntaje de confianza en una sola pasada de la red. La liberó con licencia Apache 2.0, con pesos en Hugging Face, código y un paquete de Python, sin costo de suscripción ni de API.
La arquitectura es más modesta que la de los grandes modelos de lenguaje: la variante en inglés se construye sobre ModernBERT-large, 421 millones de parámetros y 512 tokens de contexto; la multilingüe usa mmBERT-base, 322 millones y 1024 tokens, con soporte para más de cien idiomas. La empresa publica además un checkpoint afinado para decisiones tipadas.
Los números que publica la compañía
- Latencia: 32,8 milisegundos por consulta en una GPU Tesla T4 para la variante multilingüe y 39,5 para la inglesa; procesada en lote, 7,2 milisegundos por pregunta.
- Comparación: la ficha técnica contrasta esos tiempos con los 236 a 276 milisegundos que reporta Jev, el modelo cerrado de TypeSafe, y calcula una ventaja de 7,8 veces.
- Precisión: 0,766 en el conjunto de decisiones tipadas frente a 0,727 de Jev 1.13.0, medido sobre la partición de entrenamiento de ese mismo conjunto.
- El dato incómodo: sin ajuste fino, la precisión en ese conjunto cae a 0,362, apenas por encima del azar. La empresa lo informa en su propia tarjeta.
Todos esos valores son del fabricante: no hay todavía una evaluación independiente de Laya. Lo que sí es verificable es el patrón que describe el lanzamiento. El responsable del proyecto, Nandakishor Mukkunnoth, sostiene que publicó un paper en arXiv, los pesos y un paquete de PyPI en marzo de 2025, y que ahora ve una idea casi idéntica presentada como novedad por una empresa con financiamiento grande, sin paper ni pesos abiertos. Su respuesta fue liberar la familia completa.
Por qué importa
La discusión de fondo es si hace falta un modelo de lenguaje para cada automatización. Para clasificar, enrutar o decidir entre opciones acotadas, un modelo de decisiones es más barato, más rápido y más fácil de auditar que uno generativo: no puede inventar una frase, porque no produce frases. La contracara es la rigidez, y el propio número de precisión en modo cero disparo lo muestra: fuera de su dominio afinado, estos modelos necesitan entrenamiento específico.
Con pesos abiertos y sin costo por consulta, la comparación se corre del precio al costo de operación real: cuánta GPU hace falta para sostener el volumen y quién mantiene el modelo cuando cambian los datos. Ese es el terreno donde la ventaja de un modelo chico y abierto se vuelve concreta.
La comparación con Jev no es casual: los dos proyectos apuntan al mismo hueco del mercado y salieron con días de diferencia. El seguimiento de AI Weekly y la organización en Hugging Face permiten bajar los pesos y medir la latencia en el propio hardware, que es la única forma de comprobar el número que publica la empresa.




