# LRCC adapta el cálculo de los LLM comprimidos a cada token

> El nuevo método LRCC permite que los modelos Llama y Qwen elijan rutas más económicas o potentes según el token, y mejora la precisión sin hardware adicional.

Oossa · 2026-10-08 · https://oossa.com/es/lrcc-adds-token-dependent-computation-to-low-rank-compressed-llms

Un equipo de investigadores presentó Low-Rank Conditional Computation (LRCC), un método para mejorar los modelos de lenguaje comprimidos. Cada bloque Transformer incorpora un pequeño enrutador que, según el token actual, elige entre varias rutas de bajo rango. Los enrutadores son las únicas partes que se entrenan; las matrices de bajo rango permanecen congeladas. En pruebas con Llama‑2‑7B, Llama‑3.2‑1B y Qwen, LRCC aumentó en 7.6 puntos la precisión en tareas posteriores de Llama‑2‑7B frente a la compresión estática de bajo rango y logró una perplejidad menor a la misma velocidad de decodificación.

## Los hechos

- Aumento de 7.6 puntos porcentuales en la precisión media en tareas posteriores de Llama‑2‑7B
- Artículo publicado el 2026‑10‑08

## Por qué importa

Los desarrolladores pueden ejecutar modelos más económicos que adaptan el cálculo a cada token sin perder precisión, lo que reduce los costos computacionales de las aplicaciones que usan Llama o Qwen.

## Fuentes y referencias

1. [LRCC: Generalizing Low-Rank Compression with Conditional Computation](https://arxiv.org/abs/2610.08858) – arXiv, 2026-10-08

Última actualización: 2026-10-08