Baseten anunció joey-1 el 29 de octubre de 2026, un modelo de decisiones de Base Labs con 2.000 millones de parámetros, derivado de Qwen3.5-2B. Está disponible mediante su API y como pesos descargables. Su función es devolver probabilidades sobre respuestas definidas, en lugar de redactar una explicación libre que otra aplicación deba interpretar.
Esto puede interesar a quien encadena muchas clasificaciones pequeñas dentro de un proceso. La decisión relevante es si la tarea admite opciones bien definidas y cómo se comprobarán los errores antes de automatizar acciones.
Qué devuelve y qué ofrece cada modalidad
La ficha de joey-1 en Hugging Face describe entradas de texto e imágenes y preguntas de elección, sí/no o puntuación ordenada. Identifica inglés como idioma de la ficha: no demuestra el mismo comportamiento en un proceso en español.
La biblioteca oficial de Baseten identifica el endpoint /v1/systemone y anuncia 0,01 dólares por millón de tokens de entrada, con salida y entrada en caché indicadas a cero. Es una tarifa de esa API, no una estimación completa de operación, revisión humana o alojamiento propio.
La tarjeta y la biblioteca declaran MIT para el modelo. Para integrar el servicio o desplegarlo por cuenta propia hay que comprobar, además, las condiciones de cada componente. Que los pesos declaren una licencia no acredita que todo el entorno de ejecución tenga la misma.
Contexto y despliegue: dos detalles que conviene separar
La tarjeta documenta una longitud máxima de 16.384 tokens y rechazo de solicitudes que exceden los límites de entrenamiento. El anuncio distingue 16k en Model APIs y un contexto superior en despliegues dedicados. No conviene trasladar esa segunda cifra a una instalación de los pesos sin confirmar su configuración con el proveedor.
La receta de alojamiento propio de la tarjeta exige una GPU CUDA y una imagen de PyTorch 2.8 con CUDA 12.8. Puntoes no la ha ejecutado. Descargar el modelo no demuestra que pueda servirse sin adaptación en cualquier equipo o programa de conversación.
Un ejemplo de decisión con límites claros
Ejemplo hipotético, no ejecutado: un soporte quiere separar solicitudes de facturación, averías y posible fraude. Puede evaluar joey-1 contra casos etiquetados por personas, medir confusiones por categoría y derivar los casos dudosos. La clasificación sería una señal de enrutamiento; autorizar un reembolso exige sus propios controles.
La palabra «calibrado» describe una propiedad que el proveedor busca en las probabilidades. No garantiza que un 90 % anunciado corresponda a esa frecuencia de acierto con los datos del lector. Los cambios de idioma, categorías o población requieren validación.
El concepto ya aparece en herramientas como Strands Decider, cubierto anteriormente. La novedad aquí es esta oferta concreta de Baseten; no hemos comparado los modelos ni establecido un ganador.