Tres modelos locales, diez comprobaciones y un sitio que elegir

Tres modelos locales, el mismo portfolio inventado. Todos superan diez comprobaciones; imágenes, tiempos y ayuda recibida cuentan tres resultados distintos.

Tecnología e informática
El recorrido de las comprobaciones superadas por Qwen, Ornith y LFM, con los cambios de asistencia anotados.
Visualización original de los datos de la prueba: una trayectoria por checkpoint, con cambios en el tratamiento de LFM anotados. El gráfico describe este caso, sin una clasificación general de modelos.

Pedí a tres modelos locales que construyeran el mismo portfolio. Al final todos superaron diez comprobaciones funcionales. Mi juicio sobre los sitios siguió siendo muy distinto: Qwen, el mejor estéticamente; Ornith, muy bueno; LFM, suspenso. Después de la prueba desinstalé LFM.

La distancia entre esas dos valoraciones explica por qué merece la pena mirar de cerca el trabajo. Un filtro puede funcionar en una página que no convence. Una composición lograda puede ocultar cuatro fichas imposibles de abrir. El tiempo para llegar a un resultado depende también de cuánta ayuda estemos dispuestos a dar.

Lo que sigue es el relato de una prueba realizada en mi Mac el 23 y 24 de octubre de 2026: una tarea y un recorrido documentado para cada configuración. Se conservaron archivos, pasos fallidos y correcciones. Las imágenes muestran qué cambió; los registros verifican lo que una captura no puede demostrar.

Un portfolio inventado, requisitos concretos

Nora Valli es una diseñadora imaginaria. También los trabajos son inventados: Trame y Luce lenta para editorial, Soglia y Orto urbano para branding, Atlante y Marea para digital. El brief fijaba nombres, categorías y años. Los modelos podían escribir las descripciones.

El encargo exigía tres archivos funcionales, HTML, CSS y JavaScript, sin frameworks, CDN ni fuentes remotas. Búsqueda y filtros debían combinarse, el contador seguir los resultados y el estado vacío aparecer cuando correspondiera. Cada proyecto debía abrir un detalle coherente, con cierre, Escape y gestión del foco. También se requerían tema persistente, presentación, formulario de demostración y composición sin desbordamiento a 390 y 1440 píxeles.

Para la primera versión, cada modelo podía pedir una imagen al mismo generador externo. Elegía el prompt y dónde colocar el archivo recibido. Ese servicio producía los píxeles: atribuirlos al modelo local confundiría dos trabajos distintos. Los tres archivos de imagen permanecieron iguales durante las correcciones; sus huellas digitales lo confirman.

Un asistente de IA coordinaba la prueba: preparó herramientas y comprobaciones, escribió comentarios y, en las fases avanzadas de LFM, aportó diagnósticos e indicaciones algorítmicas. Los modelos locales escribían y modificaban los archivos mediante herramientas controladas; no tenían navegador ni shell y no veían a los competidores. No se aplicaron correcciones manuales a los portfolios.

Para acceder a los archivos se usó Pi, un agente de programación que conecta las respuestas de los modelos con herramientas de lectura y escritura. Los modelos se ejecutaban con MLX, un framework de cálculo para Apple Silicon, mediante los dos backends de la ficha técnica. Este software organiza y ejecuta la prueba; las páginas se verificaban por separado en el navegador.

El Mac y el entorno de prueba

Componente Configuración del equipo utilizado
Ordenador MacBook Pro de 16 pulgadas, 2026; identificador Mac17,8
Procesador Apple M5 Pro
CPU 18 núcleos: 6 supernúcleos y 12 de rendimiento
GPU 20 núcleos
RAM 48 GB de memoria unificada; el sistema registra 51.539.607.552 bytes, equivalentes a 48 GiB
Ancho de banda de memoria 307 GB/s nominales según Apple; no medidos en esta prueba
Neural Engine 16 núcleos según Apple; el benchmark no mide su uso
Sistema operativo macOS 27.0.1, build 26A434
Alimentación Conectado a la red eléctrica en la lectura inicial
Agente Pi 1.2.0
Runtime Node 26.11.1; Python 3.15.0 para los scripts de la prueba
Navegador de verificación Chrome 155.0.8059.85
Backend Qwen mlx-vlm 0.6.15, MLX 0.32.1
Backend Ornith y LFM mlx-lm 0.32.2, MLX 0.32.4

Chip, memoria, alimentación, sistema y GPU están documentados en los registros. El modelo preciso de Mac y el detalle de núcleos CPU se añadieron en un inventario local posterior, también el 24 de octubre: no se incluyen números de serie ni UUID. El identificador corresponde al MacBook Pro de 16 pulgadas de 2026; los nombres de los núcleos y valores nominales proceden de las especificaciones de Apple.

Los modelos se ejecutaron uno cada vez. El Mac también realizaba otras tareas: la carga del sistema no estaba aislada. No se midieron la capacidad física del SSD, el consumo energético ni el rendimiento térmico. El ancho de banda nominal no debe interpretarse como velocidad de generación observada.

Nombre usado en el relato Checkpoint utilizado Revisión
Qwen orcarouter/Qwen3.8-27B-Uncensored-MLX, variante de 4 bits 34c32b5b1b2c24181e121a5cba3df8924fa66bce
Ornith ornith-ai/Ornith-1.5-35B-A3B-MLX-4bit 19504d912fa8fc7622bf6b1de3db5d5d890b1f02
LFM LiquidAI/LFM2.5-24B-A2B-MLX-4bit 667408d494bde191c2cb9dd4f4549827816b9275

Estas versiones precisas de los modelos, llamadas checkpoints, identifican las configuraciones probadas. No representan de forma intercambiable familias enteras. Se verificó su identidad en las fichas de repositorio de las revisiones indicadas. Se conserva completo el nombre comunitario de Qwen: esta prueba no evaluó las capacidades sugeridas por «uncensored».

Lee el brief completo.

Tres direcciones visuales, antes de las puntuaciones

Qwen construye una página clara, con una imagen amplia del estudio, títulos con serifas, cursivas de color tierra y mucho espacio. Ornith coloca título e imagen juntos, usa acentos rojos y verdes y organiza los trabajos en tarjetas con grandes iniciales. LFM presenta una gran franja azul degradada, con una relación poco resuelta entre título, texto y control principal. El archivo generado existe, pero no está integrado en la versión inicial; aparecerá durante las correcciones.

Mi orden de preferencia es Qwen, después Ornith y después LFM. Es un juicio personal declarado, posterior a la prueba. Para observar sus posibles razones conviene comparar proporciones, jerarquías e integración de la imagen; el número de comprobaciones superadas responde a otra pregunta.

Todas las capturas siguientes son reproducciones editoriales posteriores de los artefactos conservados, sin modificarlos ni ejecutar nuevas inferencias. La baseline es la primera versión, también llamada iteración 0. El viewport de escritorio es 1440×900; la captura de página completa puede superar los 900 píxeles de alto. Cada imagen enlaza con su original ampliable.

Qwen, baseline: página clara con fotografía del estudio, títulos con serifas y trabajos en dos columnas.
Qwen, baseline. Página completa desde un viewport de 1440×900. La diseñadora, los clientes y los resultados forman parte de la ficción del brief.
Abrir el archivo original
Ornith, baseline: cabecera de dos columnas, imagen abstracta y tarjetas rojas y verdes.
Ornith, baseline, mismo viewport. La estructura ya es básicamente la que se conserva en la versión final.
Abrir el archivo original
LFM, baseline: franja azul degradada, título y control principal poco separados y trabajos bajo la cabecera.
LFM, baseline, mismo viewport. Esta es la versión inicial, distinta de la corrección de la ronda 13.
Abrir el archivo original

Detrás de una buena primera impresión

Qwen partía de nueve comprobaciones completas y una parcial. El problema estaba en los detalles de los proyectos: cuatro de seis diálogos no funcionaban. Pulsar Soglia dejaba la página a la vista sin abrir el contenido solicitado.

Qwen antes de la corrección: Soglia resaltado, sin diálogo abierto.
Qwen, baseline, tras pulsar Soglia. Viewport 1637×1311. Los metadatos registran `dialogOpen=false`: la captura muestra el estado final; la acción y el resultado están documentados en JSON.
Abrir el archivo original

Tras dos iteraciones adicionales, la misma acción abre un detalle con título, año, función y descripción. La solución incorpora un fallback JavaScript: recupera los datos incluso cuando los atributos HTML originales que contienen JSON están truncados. El comportamiento requerido pasa; el marcado mal formado sigue pendiente antes de un uso real.

Qwen tras la segunda corrección: diálogo Soglia abierto con datos y descripción.
Qwen, ronda 02, misma acción y viewport. La corrección funcional conserva el defecto original de los atributos y lo sortea en el código.
Abrir el archivo original

Ornith partía de ocho comprobaciones completas. El filtro Branding cambiaba de aspecto, pero mantenía visibles los seis trabajos. El control comunicaba una selección que la colección no respetaba.

Ornith antes: Branding seleccionado, contador en seis y otras categorías aún visibles.
Ornith, baseline. Viewport 1637×1311. Branding está activo, pero Trame y Atlante permanecen. Metadatos: seis proyectos visibles.
Abrir el archivo original

En su única ronda de corrección, Ornith corrige referencias a variables del filtro. Quedan Soglia y Orto urbano, como se pedía. La errata «2 progettoi trovatoi» sigue ahí: la comprobación verifica cantidad y estado, no certifica cada palabra de la interfaz.

Ornith después: Branding muestra solo Soglia y Orto urbano.
Ornith, ronda 01. Mismo viewport y filtro: dos proyectos, con la errata original. Sin retoques editoriales del portfolio.
Abrir el archivo original

Las pruebas completas combinan filtro y búsqueda. La secuencia esperada pasa de seis resultados a dos, después a uno y a cero, y vuelve a seis al restablecer. Si buscar «Soglia» sigue mostrando ese proyecto en Editoriale, el filtro y la consulta trabajan por separado: una captura de un filtro correcto no verifica su combinación.

Una iteración puede corregir, repetir o empeorar

Aquí, una iteración adicional significa una nueva ejecución de Pi, con nueva sesión y prompt, que parte de los archivos anteriores y termina con todas las verificaciones externas. Una llamada a herramienta o una respuesta del modelo no es una nueva iteración.

Configuración Inicio Recorrido de las comprobaciones completas Iteraciones adicionales
Qwen 9, más una parcial 9 → 9 → 10 2
Ornith 8 8 → 10 1
LFM 4 4 → 4 → 4 → 4 → 4 → 4 → 4 → 3 → 5 → 6 → 8 → 9 → 9 → 10 13
Trayectorias observadas: Qwen de nueve a diez en dos correcciones, Ornith de ocho a diez en una, LFM de cuatro a diez en trece, con una regresión.
Datos originales CSV y JSON. Cada línea termina en el último intento ejecutado: no se añaden rondas hipotéticas. Las anotaciones de LFM indican cambios de tratamiento sin atribuirles un efecto causal aislado.
Abrir el archivo original

Cada flecha de LFM corresponde a una ejecución conservada, incluidos los intentos sin mejora. La caída de cuatro a tres es la ronda 07: una reescritura pierde el gestor del formulario. El desbordamiento móvil es un problema distinto, ya presente, y no explica ese punto perdido.

En la primera corrección, Qwen utiliza las 24 llamadas a herramientas disponibles. La secuencia incluye lecturas de script.js, sustituciones y check_files repetidos, y luego más sustituciones y comprobaciones. La segunda ronda vuelve a alcanzar 24 llamadas, esta vez superando las diez verificaciones externas.

Es una repetición operativa observable en los registros. Qwen y Ornith ya tenían enable_thinking=false en las peticiones nativas. Estos pasos no permiten reconstruir un proceso mental interno ni demostrar un defecto general de Qwen. check_files verificaba archivos y sintaxis: el modelo podía repetirlo sin ver el diálogo aún cerrado en el navegador.

Ornith realiza ocho llamadas a herramientas y tres sustituciones en su única corrección. El runner registra unos 48 segundos. El defecto se resuelve rápido en esta trayectoria, pero la cantidad y dificultad de los problemas iniciales diferían de los competidores.

Cuánta ayuda recibió LFM

El tratamiento de LFM cambió durante el recorrido. Tras dos intentos sin progreso, el prompt se vuelve más concreto. Desde la ronda 04, el límite por respuesta sube de 8192 a 16384 tokens, manteniendo el máximo total de 24.000. Desde la ronda 06 también cambia el formato de mensajes o plantilla: se abandona un prefijo experimental que cerraba el bloque think y se usa el formato nativo, solicitando thinking.

Tras la regresión de la ronda 07, el coordinador limita las herramientas a pequeñas sustituciones, usa instrucciones breves en inglés y aporta diagnósticos de implementación. En la ronda 10 facilita también el texto italiano de confirmación del formulario. En la ronda 13 explica cómo enlazar al crear las tarjetas, usar el proyecto actual, activar la clase que abre el diálogo y mantener el foco en el botón de cierre.

Esa guía puede consultarse en el prompt original de la ronda 13, junto con el diff generado. El modelo escribe los parches, pero recibe una parte sustancial de la solución. El 10/10 final debe leerse como resultado de una corrección muy asistida.

LFM final: filtro Branding activo y diálogo Soglia abierto sobre los dos resultados.
LFM, ronda 13, viewport 1637×1311. Branding seguido de la apertura de Soglia. La captura documenta el estado visible; prompt, diff y auditoría respaldan la reconstrucción de la corrección.
Abrir el archivo original

Las comprobaciones que necesitan una secuencia

Un diálogo abierto es solo parte de la verificación. Hay que abrir los seis trabajos, comprobar contenidos coherentes, cerrar con botón y Escape y devolver el foco al enlace inicial. Se probaron Tab y Mayús+Tab en un diálogo representativo. Las comprobaciones y sus resultados están en los JSON de auditoría: una imagen del diálogo no demuestra por sí sola la contención del foco.

El estado vacío debe ser comprensible y reversible. En Ornith, una búsqueda sin coincidencias muestra cero, un mensaje y el restablecimiento. Aquí también permanecen visibles los defectos lingüísticos.

Ornith final: búsqueda sin coincidencias, cero resultados y control para restablecer filtros.
Ornith, ronda 01, viewport 1637×1311. Sin resultados; están presentes el mensaje y el restablecimiento. La secuencia combinada completa está en las auditorías.
Abrir el archivo original

Una página oscura no prueba la persistencia del tema. Hay que cambiar, recargar y comparar el estado guardado. El evaluador leyó al principio el color demasiado pronto, al inicio de la transición de Ornith: un falso negativo corregido y documentado sin atribuir otro intento al modelo.

Ornith final en tema oscuro tras cambiar y recargar.
Ornith, ronda 01, viewport 1637×1311. Tema tras cambio y recarga; secuencia y estados registrados en metadatos y auditorías históricas.
Abrir el archivo original

El formulario debía rechazar datos ausentes y correos inválidos, y confirmar localmente un envío de demostración. Se usaron datos sintéticos. La frase «no se ha enviado nada» es necesaria para el lector, pero la ausencia de transmisiones externas también se apoya en inspeccionar el código, no solo en la promesa escrita.

Ornith final: confirmación del formulario que declara la demostración y la ausencia de envío a servicios externos.
Ornith, ronda 01, viewport 1637×1311. Estado tras rellenar y confirmar localmente. El código y la auditoría acompañan la captura.
Abrir el archivo original

El teléfono revela otros problemas

Las cuatro imágenes siguientes tienen un viewport de 390×844. El navegador reserva 15 píxeles para la barra de desplazamiento, dejando 375 de contenido. En las versiones finales de los tres portfolios, scrollWidth y clientWidth coinciden en 375.

Qwen final en móvil: imagen del estudio y título dentro de la anchura del teléfono.
Qwen, ronda 02: clientWidth 375, scrollWidth 375.
Abrir el archivo original
Ornith final en móvil: título, imagen y controles dentro de la anchura del teléfono.
Ornith, ronda 01: clientWidth 375, scrollWidth 375.
Abrir el archivo original
LFM en la ronda 07 en móvil: navegación cortada y contenido que excede la anchura.
LFM, ronda 07: clientWidth 375, scrollWidth 471 en la reproducción editorial. El desbordamiento es real; la regresión de puntuación de esa ronda corresponde al formulario.
Abrir el archivo original
LFM final en móvil: navegación y título caben en la anchura disponible.
LFM, ronda 13: clientWidth 375, scrollWidth 375. La corrección adaptable también se verifica en la ronda 11.
Abrir el archivo original

La ausencia de desbordamiento es una comprobación precisa y limitada. No mide la comodidad de cada gesto, la legibilidad de todos los textos ni el equilibrio de la composición. Para valorar esas cualidades hay que seguir usando y observando la página.

Todos llegan a diez, tres sitios distintos

Estas son las páginas finales, de nuevo desde viewports de escritorio de 1440×900. Las imágenes originales permanecieron idénticas durante las correcciones. El código cambió algunos comportamientos; la estructura visual sigue distinguiendo tres resultados.

Qwen final: página completa con fotografía, composición editorial y proyectos.
Qwen, ronda 02 final. Diez comprobaciones superadas, con fallback JavaScript y marcado aún pendiente de reparación.
Abrir el archivo original
Ornith final: página completa con cabecera en paralelo y tarjetas en tres columnas.
Ornith, ronda 01 final. Diez comprobaciones superadas tras una sola corrección; las erratas no se corrigieron a mano.
Abrir el archivo original
LFM final: página completa con imagen dominante, trabajos en dos columnas, presentación y formulario.
LFM, ronda 13 final. Diez comprobaciones superadas tras cambios de protocolo y asistencia de implementación creciente.
Abrir el archivo original

En mi juicio final, Qwen es el resultado estético que prefiero, Ornith es muy bueno y LFM no me convence. Su 10/10 no cambia esa elección. El número cuenta verificaciones funcionales definidas antes de las correcciones y precisadas durante la auditoría: no es una nota global de diseño web.

También quedan defectos fuera del alcance de la batería. El texto alternativo final de la imagen de LFM es genérico. Los atributos HTML de Qwen necesitan revisión. Los textos de formularios y contadores requieren atención editorial. Un sitio listo para otras personas necesitaría más comprobaciones.

El tiempo registrado y el trabajo que falta en la cuenta

Configuración Primera versión Corrección Total Salida registrada en las correcciones
Qwen 1656,4 s 2470,1 s 4126,6 s al menos 7581 tokens
Ornith 505,3 s 48,2 s 553,4 s 873 tokens
LFM 161,3 s 2070,6 s 2232,0 s 139.532 tokens

Las duraciones las mide el programa que inicia y cierra cada ejecución, llamado runner. Incluyen arranque, esperas del servidor, trabajo del agente y limpieza final. No son solo tiempo de GPU ni incluyen toda la coordinación y evaluación. Los tiempos de petición incluyen procesamiento de contexto, generación y comunicación local y se solapan con el runner: sumarlos duplicaría el recuento.

Qwen tiene tiempos de espera agotados y una petición interrumpida sin recuento final de tokens. Los registrados son, por tanto, un límite inferior, tanto en la baseline como en las correcciones. Durante estas, las nuevas entradas y lecturas de caché fueron respectivamente 849.146 y cero para Qwen, 18.149 y 76.388 para Ornith, 863.073 y 1.108.820 para LFM. Son recuentos repetidos por petición, no corpus de palabras únicas. Los tokenizadores y backends difieren.

La medida API de tokens de razonamiento separados está no disponible, indicada como NA. El cero normalizado de Pi no demuestra ausencia de razonamiento. Para LFM se conservaron 84 bloques thinking emitidos, cuyo texto se retokenizó en 87.101 tokens: una medida derivada de parte de la salida, que no debe sumarse al total ni llamarse acceso al pensamiento interno. No hay una medida fiable de los segundos dedicados al razonamiento.

Tampoco se midieron los tokens del coordinador ni el coste del generador de imágenes. No deduzco de estas cifras un coste económico, energético ni total del sistema.

Después de la prueba desinstalé LFM: unos 13,59 GB de pesos y archivos de arranque eliminados. El archivo del experimento permanece intacto.

Qué hace verificable esta prueba

Al final se volvió a ejecutar la misma batería congelada sobre las 19 versiones conservadas: tres baselines y dieciséis correcciones. Los 190 veredictos individuales coinciden con las puntuaciones canónicas. Esta reevaluación comprueba la coherencia de los artefactos tras corregir al evaluador; no añade réplicas de inferencia.

El protocolo de corrección se escribió tras ver las baselines. Las adaptaciones posteriores están en las enmiendas. El orden no fue aleatorio; los errores iniciales eran distintos; las ayudas llegaron a ser muy diferentes, especialmente para LFM. Caché, backends y actividad del sistema no eran idénticos ni estaban aislados. El coordinador operativo era una IA, no un juez humano independiente. El juicio estético posterior es mío.

Con una trayectoria por checkpoint y un solo portfolio, los datos describen un caso. No permiten una clasificación universal, una estimación estadística de la probabilidad de éxito ni una explicación causal del efecto del thinking. Las pruebas eran conocidas y los comentarios las abordaban: llegar a diez de diez mide la corrección de esa tarea.

Me llevo un criterio concreto para mi trabajo: verificar los gestos prometidos, observar la página incluso después de la puntuación y contar la asistencia necesaria. La decisión de usar un resultado queda abierta al juicio de quien vaya a utilizarlo.

Datos, fuentes y procedencia

El paquete público reúne datos, documentos de método, verificaciones e imágenes seleccionadas. El manifiesto SHA256 permite comprobar los archivos descargados. Se eliminaron rutas y URL locales de las copias documentales; los rásteres originales se conservan sin retoques. El juicio estético posterior sigue separado de las puntuaciones funcionales.

Vista previa del portfolio Qwen
Qwen, baseline. Reproducción editorial del portfolio conservado.