# Dory1.0-4B mejora la precisión repitiendo cálculos

> El modelo de 4.000 millones de parámetros puede ejecutar varias veces un bloque compartido durante la inferencia y dedicar más cómputo a mejorar la precisión en pruebas de referencia, sin aumentar la caché KV.

Oossa · 2026-11-04 · https://oossa.com/es/dory1-0-4b-uses-repeatable-computation-to-boost-accuracy

Un grupo de investigadores presentó Dory1.0-4B, un modelo de lenguaje de 4.000 millones de parámetros cuyo bloque compartido puede ejecutarse varias veces durante la inferencia. Así, un mismo punto de control puede usar distintas cantidades de cómputo, en lugar de necesitar un modelo más grande para cada presupuesto.

El artículo señala que usar dos o más ciclos superó, en promedio y en 12 pruebas de referencia, a varios modelos más grandes. Con cuatro ciclos, Dory generó entre 1,3 y 2,5 veces menos tokens en pruebas de referencia agénticas que con un ciclo. Los investigadores afirman que el tamaño de la caché KV del modelo se mantiene igual, independientemente del número de ciclos, y publicaron puntos de control en cuatro formatos.

## Los hechos

- Preentrenado con 6 billones de tokens; la ventana de contexto se amplió a 256K tokens.
- Hay puntos de control abiertos disponibles en los formatos BF16, MXFP8, NVFP4 y GGUF.

## Por qué importa

Para los desarrolladores que eligen un modelo abierto, Dory ofrece una forma de dedicar más cómputo a la inferencia sin aumentar el tamaño de la caché KV. Sin embargo, las mejoras de precisión comunicadas corresponden a las pruebas del artículo y no demuestran resultados en todas las aplicaciones.

## Fuentes y referencias

1. [Dory1.0-4B: A Looped Normalized-GPT](https://arxiv.org/abs/2611.03998) – arXiv, 2026-11-04

Última actualización: 2026-11-04