NousCoder-14B: el modelo de código abierto de Nous Research que llega en la era de Claude Code
NousCoder-14B: código abierto que llega en el momento de Claude Code
Nous Research, la startup de inteligencia artificial de código abierto respaldada por la firma de criptomonedas Paradigm, lanzó NousCoder-14B, un modelo de programación competitivo que dice igualar o superar a varios sistemas propietarios más grandes — entrenado en solo cuatro días usando 48 GPUs Nvidia B200.
El lanzamiento llega en un momento particularmente tenso: Claude Code, la herramienta de programación agéntica de Anthropic, ha dominado las redes sociales desde comienzos de año, con desarrolladores publicando testimonios entusiastas sobre sus capacidades. Los desarrollos simultáneos subrayan lo rápido que está evolucionando el desarrollo de software asistido por IA — y lo ferozmente que compiten las empresas, grandes y pequeñas, por capturar lo que muchos creen que será una tecnología fundamental para cómo se escribe software.
¿Qué es NousCoder-14B?
NousCoder-14B es un modelo de 14 mil millones de parámetros post-entrenado a partir de Qwen3-14B de Alibaba mediante aprendizaje por refuerzo (RL) con recompensas verificables. Su enfoque no es ser un asistente de código end-to-end, sino un modelo abierto y reproducible que las empresas e investigadores pueden integrar en sus propios sistemas.
En el benchmark LiveCodeBench v6, que evalúa modelos en problemas de programación competitiva publicados entre agosto 2024 y mayo 2025, NousCoder-14B alcanza un 67.87% de precisión Pass@1, una mejora de 7.08 puntos porcentuales sobre el modelo base Qwen3-14B (60.79%). El conjunto de prueba contiene 454 problemas.
Entrenamiento radicalmente abierto
Lo que distingue a NousCoder-14B de muchos anuncios de la competencia es su apertura radical. Nous Research publicó no solo los pesos del modelo, sino también:
- El entorno completo de aprendizaje por refuerzo.
- El conjunto de benchmarks y el harness de evaluación.
- El framework Atropos que orquesta todo el proceso de entrenamiento.
Esto permite que cualquier investigador con suficiente cómputo pueda reproducir o extender el trabajo. Los pesos están disponibles en Hugging Face bajo licencia Apache 2.0.
Cómo se entrenó
El modelo fue entrenado por Joe Li, investigador residente en Nous Research y ex programador competitivo. El entrenamiento utilizó:
- 24.000 problemas de programación verificables, provenientes de TACO Verified, PrimeIntellect SYNTHETIC-1 y problemas de LiveCodeBench anteriores al 31 de julio de 2024.
- 48 GPUs Nvidia B200 durante 4 días.
- Plataforma Modal para ejecución sandboxed en paralelo (un contenedor por rollout, con límites de 15 segundos y 4 GB de memoria por problema).
Algoritmo: DAPO
El equipo adoptó DAPO (Dynamic Sampling Policy Optimization), una técnica que descarta ejemplos de entrenamiento donde el modelo resuelve todos los intentos o falla todos los intentos, ya que estos no proporcionan señal de gradiente útil. Esto concentra el cómputo en problemas "frontera" donde el modelo es parcialmente competente.
DAPO superó ligeramente a alternativas como GSPO y GSPO+ en LiveCodeBench v6: 67.87% frente a 66.26% y 66.52% respectivamente, con un contexto de 81.920 tokens.
Extensión iterativa de contexto
El entrenamiento siguió un calendario de extensión iterativa de contexto:
- Primero se entrena con una ventana de 32.000 tokens.
- Luego se expande a 40.000 tokens (el máximo de Qwen3-14B).
- En evaluación, extender el contexto a ~81.920 tokens con YaRN produjo los mejores resultados.
La dimensión personal del investigador
El reporte técnico de Li revela una dimensión inesperadamente personal: comparó la trayectoria de mejora del modelo con su propio progreso en Codeforces, la plataforma de programación competitiva. Basándose en estimaciones que mapean puntajes de LiveCodeBench a ratings de Codeforces, Li calculó que la mejora de NousCoder-14B — del rango 1600-1750 al 2100-2200 — refleja un salto que a él le tomó casi dos años de práctica sostenida entre los 14 y 16 años. El modelo logró el equivalente en cuatro días.
El contexto estratégico
Nous Research ha carved una posición distintiva en el panorama de IA: una empresa comprometida con releases de código abierto que compiten con — y a veces superan — alternativas propietarias. La compañía recaudó $50 millones en abril 2025 en una ronda liderada por Paradigm, la firma de venture capital enfocada en criptomonedas fundada por Fred Ehrsam, cofundador de Coinbase. La financiación total alcanzó aproximadamente $65 millones.
NousCoder-14B no es un experimento aislado sino parte de una estrategia más amplia de posicionar los modelos abiertos como alternativas creíbles a los sistemas de Big Tech. La implicación de Paradigm refleja una tesis específica: que los enfoques descentralizados y abiertos para el entrenamiento de IA pueden importar estratégicamente, una idea que Nous persigue con su plataforma Psyche para cómputo distribuido.
Por qué importa para Latinoamérica
Para equipos de desarrollo en Latinoamérica, NousCoder-14B ofrece una alternativa concreta a los modelos cerrados de codificación:
- Despliegue controlado: Al ser Apache 2.0, puede integrarse en herramientas internas, fine-tunearse para código específico de dominio y desplegarse en entornos controlados.
- Soberanía de datos: Relevante para sectores con requisitos estrictos de residencia de datos, sensibilidad de IP o procurement.
- Reproducibilidad: El stack completo de entrenamiento está disponible, lo que permite a investigadores locales replicar y adaptar el trabajo.
- Costo: Un modelo de 14B parámetros es viable de ejecutar en infraestructura modesta comparado con modelos de cientos de miles de millones de parámetros.
Qué seguir
La primera señal a observar es la replicación independiente. Si investigadores externos validan el resultado de LiveCodeBench y las mejoras sobre Qwen3-14B, NousCoder-14B ganará credibilidad como un modelo de codificación abierto serio. La adopción empresarial — pilotos en stacks de asistentes de codificación internos, pruebas contra repositorios propietarios — será una señal de mercado más fuerte que el entusiasmo en redes sociales.
En un mercado actualmente cautivado por asistentes de codificación pulidos como Claude Code, Nous Research hace el caso de que el stack abierto subyacente todavía importa. NousCoder-14B es interesante menos porque "venza" a algún rival específico y más porque muestra dónde los modelos de codificación abiertos pueden seguir siendo relevantes: reproducibilidad, aprendizaje por refuerzo inspeccionable y desplegabilidad bajo licencias permisivas.