Yandex revela aceleración del entrenamiento de IA de hasta 8,5x en ICML 2026

En ICML 2026 en Seúl, Yandex desveló una serie de investigaciones punteras en IA que abordan cuellos de botella clave en el entrenamiento de grandes modelos, el uso de memoria de GPU, las redes neuronales de grafos y la escasez de datos etiquetados. Todos los artículos de Yandex fueron incluidos en el programa principal de la conferencia, y uno obtuvo la prestigiosa designación Spotlight —un honor concedido a solo el 2,2% de las propuestas este año (536 de 23.918).

El logro más destacado se refiere a las redes neuronales de grafos, donde los investigadores de Yandex desarrollaron módulos de software que aceleraron los cálculos hasta 8,5 veces a la vez que redujeron el uso máximo de memoria de la GPU en un asombroso factor de 76. Esto no es solo académico: los modelos de grafos impulsan motores de recomendación, búsqueda, logística y análisis de redes de tráfico. Reducir drásticamente el uso de memoria significa que un único servidor con GPU puede manejar más tareas simultáneamente, aumentando la eficiencia en aplicaciones del mundo real.

Yandex acelera el entrenamiento de IA con innovaciones en redes neuronales de grafos

Otro estudio clave aborda el entrenamiento de grandes modelos de lenguaje con paralelismo de pipeline, una configuración en la que algunos aceleradores permanecen inactivos mientras otros terminan de procesar. Yandex afrontó la notoria inestabilidad del entrenamiento asincrónico afinando los optimizadores y aplicando correcciones a las actualizaciones. Su enfoque igualó la precisión del entrenamiento totalmente síncrono en modelos Mixture-of-Experts (MoE) con 10.000 millones de parámetros —arquitecturas preferidas por actores importantes, desde Mistral hasta Google— para escalar el tamaño del modelo sin un aumento lineal del cómputo por token.

Recomendado

xAI demanda a un usuario de Grok por imágenes de abuso infantil

Avances en el entrenamiento de grandes modelos de lenguaje y algoritmos de optimización

Yandex también presentó dos nuevos algoritmos, SoftSignum y SoftMuon, que superaron de forma consistente a optimizadores estándar como AdamW, el recurso habitual para el entrenamiento de transformadores. Además, su modelo GraphPFN, preentrenado con más de 1,6 millones de grafos sintéticos, alcanzó alta precisión incluso sin ajuste fino y luego superó a otros métodos en varios conjuntos de datos del mundo real tras su adaptación.

Métodos de entrenamiento que abordan la escasez de datos etiquetados y los costes computacionales

La investigación va más allá de la velocidad y también aborda la eficiencia en costes. Junto con socios, Yandex propuso un método de entrenamiento diseñado para escenarios con pocos datos etiquetados pero abundancia de datos no etiquetados —un desafío común en ámbitos médicos e industriales donde el etiquetado experto es costoso. Otra técnica se dirige a los sistemas de búsqueda y recomendación mediante la preselección de candidatos prometedores para una evaluación más precisa, reduciendo de manera significativa la carga computacional.

ICML 2026 destaca avances de ingeniería en eficiencia de la IA

ICML está entre las tres principales conferencias globales de aprendizaje automático —junto con NeurIPS e ICLR— donde la aceptación refleja cada vez más no solo teoría, sino también sólidas contribuciones de ingeniería. Con la persistente escasez de aceleradores de alto rendimiento y el aumento de los costes de entrenamiento de IA, las innovaciones que reducen el consumo de memoria, simplifican el despliegue en GPU y minimizan el etiquetado manual de datos están pasando rápidamente de artículos de investigación a herramientas prácticas listas para su uso industrial.

El futuro del entrenamiento y despliegue de IA rentable

De cara al futuro, los resultados de Yandex ponen de relieve una tendencia creciente: acelerar el entrenamiento de IA no depende solo de la potencia bruta de cálculo, sino de algoritmos más inteligentes y de un uso eficiente de los recursos. El reto ahora es cómo estos avances se escalarán a cargas de trabajo diversas y a diferentes configuraciones de hardware fuera de los laboratorios de investigación —y si podrán catalizar una nueva ola de despliegue de IA rentable a nivel global.