OrcaCyber Nano 1.0: el primero de 21 en una placa sin juez

OrcaCyber Nano 1.0 — la compilación Mix-13G de 27B, 13,0 GB en disco — se sitúa en lo más alto de una tabla de clasificación de 21 modelos para GPU de 16 GB con una puntuación de 89,8 sobre 100, a 60 tokens por segundo en una sola Tesla V100. La tabla la gestiona un repositorio de GitHub de terceros, no nosotros. Califica cada respuesta con código en lugar de con un juez LLM. Y la segunda cosa que vale la pena decir es la que un proveedor normalmente omite: OrcaCyber Nano 1.0 no es el modelo más rápido de esa tabla. MiniCPM-V 4.7 se ejecuta allí a 93,4 tokens por segundo. Nano gana en el promedio de siete categorías, no en velocidad, y los dos competidores más cercanos — Qwen3.8-27B en dos cuantizaciones comunitarias diferentes — están 1,2 y 1,4 puntos por detrás.

Lo que sigue es una lectura de esa evaluación tal como el repositorio la publica el 2026-10-19, además de los metadatos publicados por el propio modelo con fecha de 2026-10-19. Cuando una cifra proviene del anuncio propio de OrcaRouter y no del panel de terceros, se indica en la frase. Nada de lo que aparece a continuación ha sido vuelto a ejecutar por nosotros.

La junta directiva, y quién la dirige

El V100-LLM repositorio incluye una GUI, un conjunto de motores de inferencia y una suite de puntuación para ejecutar modelos locales en una única tarjeta NVIDIA Tesla V100 de 16 GB en Windows. Elegir un modelo, un preajuste y un motor, descargar lo que falta, chatear con imágenes y ver los tokens por segundo en vivo ocurre todo en esa GUI. La suite de puntuación es la parte que produjo la clasificación, y el repositorio publica todo el arnés de pruebas junto a las puntuaciones, lo cual es lo bastante inusual como para merecer el párrafo.

La primera suite del ranking era demasiado fácil. El repositorio lo dice sin rodeos: la mayoría de los modelos obtuvieron entre 90 y 100 en la versión uno, lo que significaba que no podía distinguirlos, y esos resultados anteriores siguen en el repositorio para quien quiera ver el fracaso. La versión dos —la suite difícil— se diseñó para que ningún modelo de la clase de 16 GB lo acierte todo. Contiene 72 tareas repartidas en siete categorías:

• Programación, 16 tareas — un analizador de expresiones sin eval, coincidencia de expresiones regulares, Dijkstra con desempate, una caché LRU con TTL, ordenamiento topológico, distancia de edición, números romanos, sudoku, mochila, matriz en espiral, un minificador de JSON. Calificado por pruebas unitarias ocultas de casos límite que se ejecutan contra el código generado en un entorno aislado con un tiempo de espera.

• Razonamiento, 20 tareas — matemáticas de varios pasos, lógica, fechas, combinatoria y problemas verbales. La respuesta exacta debe aparecer en la última línea.

• Instrucciones, 12 tareas — de tres a cinco reglas a la vez: recuentos de palabras, letras prohibidas, formatos exactos, orden, estructura JSON. Cada regla de una tarea tiene que cumplirse, no solo la mayoría.

• Búsqueda web, 8 tareas — preguntas de varios saltos en las que buscas, lees el resultado, vuelves a buscar con lo que encontraste y, a veces, calculas con una calculadora herramienta. Se puntúa por la respuesta correcta y por el número mínimo de búsquedas distintas. La «web» es un índice fijo sin conexión de 13 páginas.

• Agente, 6 tareas — un pequeño proyecto simulado con herramientas de archivos y run_tests: corregir un error, añadir una función, renombrar en varios archivos, corregir una configuración, generar un informe CSV. Se evalúa según el estado final de los archivos y las pruebas propias del proyecto.

• Visión, 8 tareas — imágenes generadas: sumar una columna de una tabla, buscar una fila, leer un gráfico de barras, contar puntos, leer texto pequeño, relaciones espaciales, un reloj analógico, un recibo.

• Contexto largo, 2 tareas — un texto de unos 14.000 tokens con tres datos ocultos muy separados entre sí, uno de ellos un código de caja fuerte dividido en tres partes. Respuesta exacta.

Cuánto vale «sin juez»

La mayoría de las tablas de clasificación de este tamaño se puntúan con un modelo de lenguaje que lee la respuesta y decide si es buena. Eso es barato, y hace que la tabla sea imposible de reproducir: el juez es un modelo, el modelo tiene una versión, y la misma respuesta puede obtener una puntuación distinta un martes que un lunes. La suite difícil elimina al juez y establece cinco reglas que hacen que la puntuación sea repetible.

• Todo se verifica mediante código. La misma respuesta siempre recibe la misma puntuación.

• Determinista y sin conexión. Temperatura cero, razonamiento desactivado, sin acceso a internet: la web de la categoría de búsqueda web es el índice fijo de 13 páginas.

• El mismo ajuste predefinido que recibe un usuario. Cada modelo se ejecuta con el ajuste predefinido que recomienda la interfaz gráfica, por lo que la velocidad y la puntuación son las que ve una persona después de instalar, no una configuración optimizada para ganar.

• Se ha demostrado que cada tarea se puede resolver. El repositorio contiene una solución de referencia correcta para cada tarea de programación y de agente, y dos scripts de autoprueba comprueban que esas soluciones pasan los evaluadores. Las respuestas calculadas —fechas, sumas, códigos— se verifican mediante aserciones en el archivo de la tarea.

• La respuesta es la última línea. Un modelo puede pensar en voz alta; el evaluador lee la línea final. Las llamadas a herramientas se aceptan en el formato de OpenAI y en los formatos de texto de Qwen XML tool_call.

La aritmética de la puntuación es igualmente poco convencional. Cada categoría es el porcentaje de tareas superadas. La puntuación general es la media de las siete categorías, con todas ponderadas por igual. La velocidad es la tasa media de generación en las respuestas de 64 tokens o más durante la ejecución. Cada ejecución se guarda como un archivo JSON por modelo que registra la respuesta de cada tarea y si se superó, de modo que cualquier desacuerdo sobre una puntuación pueda remitirse al registro.

Dónde encaja realmente OrcaCyber Nano 1.0

Las puntuaciones de las siete categorías, sobre 100: programación 88, razonamiento 95, instrucciones 58, búsqueda web 100, agente 100, visión 88, contexto largo 100. Media: 89,8.

El 58 es el número interesante, y es el que una página de marketing redondearía para quitarlo de en medio. Instructions es la categoría en la que un modelo tiene que sostener de tres a cinco restricciones simultáneas —un recuento de palabras, una letra prohibida y una forma de salida exacta—, y Nano pierde cinco de doce tareas ahí. Todo lo demás está en 88 o más. Dos categorías son perfectas.

El competidor más cercano es Qwen3.8-27B en la cuantización Aggressive IQ3_XS de HauhauCS con 88.6 en general y 42.2 tokens por segundo; el tercero es la compilación UD-IQ3_S de Unsloth del mismo modelo con 88.4 y 52.1 tokens por segundo. Ambos alcanzan de 94 a 100 en programación y razonamiento, y ambos bajan a 50 en instrucciones, por lo que la debilidad para seguir instrucciones es una propiedad de la clase 27B en este nivel de compresión, no un defecto exclusivo del Nano. Lo que separa al primero del tercero son 1.4 puntos repartidos de forma dispersa: unas pocas tareas en una categoría, no un nivel diferente de modelo.

Sesenta tokens por segundo, y por qué el modelo más rápido está en otro lugar

La velocidad destacada es de 60 tokens por segundo con un contexto de 32k, y el repositorio es cuidadoso respecto a qué representa ese número. Es la velocidad del preajuste fast-32k ajustado del modelo con predicción multitoken a profundidad 3, medida como 66,6 tokens por segundo en código y 54,0 en chat para una media de 60,3. La media simple de todas las respuestas de evaluación es 56,9. Ambas cifras aparecen en la nota al pie de la tabla, en lugar de aparecer solo la que resulta halagadora.

La velocidad disminuye a medida que crece el contexto, y el repositorio publica la escala: 57 tokens por segundo a 96k, 32 a 160k y 24 a 262k una vez que se han rellenado 20.000 tokens. El procesamiento de prompts en prompts cortos es de 501 tokens por segundo. Hasta 19.600 tokens, todos los preajustes pasan.

El modelo más rápido de la tabla es otro. MiniCPM-V 4.7 en la compilación mixta 35B-A3B Q3 se ejecuta a 93,4 tokens por segundo con un contexto de 128k, y lo consigue moviendo el codificador de visión a la CPU para que todos sus expertos permanezcan en la tarjeta. Ocupa el cuarto puesto en la clasificación general con 87,5. El propio planteamiento del repositorio es un intercambio, no un barrido: allí se describe al Nano como el 27B denso más rápido de la tabla, lo cual es una afirmación más restringida que la de «el modelo más rápido», y es cierta.

El entorno de medición se indica una sola vez y se aplica a toda la tabla: una Tesla V100-SXM2-16GB, un Xeon E5-2660 v4 y 64 GB de DDR4. Los motores sometidos a prueba son PXA, llama.cpp con un parche específico para V100, una bifurcación de Prism ML y Strata, cada uno bajo la licencia MIT; las DLL de CUDA se rigen por el EULA de NVIDIA. Los pesos de los modelos no se incluyen: cada uno se descarga desde la página de su propio autor en Hugging Face.

Qué es el modelo, según sus propios metadatos.

El repositorio de Hugging Face orcarouter/OrcaCyber-Nano-1.0 informa de una ventana de contexto de 262.144 tokens, una canalización image-text-to-text (acepta imágenes además de texto), la biblioteca GGUF y los idiomas inglés y chino. Tiene acceso restringido: hay que iniciar sesión para descargarlo. El campo de licencia indica other con el nombre de licencia qwen. A fecha de 19/10/2026, el repositorio mostraba 18.606 descargas y 151 me gusta, y su campo de modelo base nombra OrcaCyber-Nano-1.0-AI-Defense con la relación quantized: los archivos de pesos abiertos son cuantizaciones de un modelo matriz ajustado para defensa, que es la forma honesta de interpretar ese campo.

Hay cuatro archivos, y sus tamaños explican la mayoría de las decisiones de despliegue en la siguiente sección:

• Mix-13G — 12.993.304.352 bytes, la compilación de 13,0 GB que obtuvo 89,8.

• Mix-15.7G — 15.695.148.832 bytes, la compilación más grande, aún dentro del presupuesto de una tarjeta de 16 GB.

• DFlash2 Q8_0 — 2.056.414.112 bytes, el modelo borrador para la decodificación especulativa.

• mmproj F16 — 927,606,848 bytes, el proyector de visión, que es lo que hace posibles las ocho tareas de visión.

Añade el motor y una instalación funcional ocupa aproximadamente 14 GB en disco: 13,0 GB de pesos, alrededor de 0,9 GB de proyector y el entorno de ejecución.

Trece gigabytes caben en la tarjeta. Doscientos sesenta y dos mil tokens, no.

Estas son dos afirmaciones distintas y la cobertura de prensa tiende a mezclarlas. El archivo de pesos de 13,0 GB cabe dentro de 16 GB de VRAM, por lo que el modelo se ejecuta en una V100 con espacio para la caché KV de un contexto de 32k. El contexto máximo de 262.144 tokens no cabe en la tarjeta; necesita la caché KV en la memoria del sistema, y los requisitos del repositorio indican 64 GB de RAM del sistema para el preset de 262k frente a 32 GB para uso normal. Si se lleva hasta ese límite, la velocidad es de 24 tokens por segundo, según la escala anterior.

El resto de los requisitos de hardware es modesto y específico. Cualquier tarjeta NVIDIA de 16 GB desde Volta en adelante ejecutará el stack; el controlador debe ser de la serie R576 o posterior; una V100 que se deje en modo TCC está bien. No hay WSL, ni Docker, ni CUDA toolkit, ni Visual Studio ni Python que instalar, porque la carpeta incluye sus propios motores y su propio Python portátil. Se necesitan unos 20 GB de disco libre por modelo.

Los números de proveedor, etiquetados

OrcaRouter anunció OrcaCyber Nano 1.0 el 2026-10-18 como una versión de emergencia, de pesos abiertos, y lo situó en una serie de tres modelos junto con OrcaCyber Zero 1.5 y OrcaCyber Ultra 1.0. Esa misma semana, la empresa abrió acceso prioritario gratuito a sus modelos OrcaCyber para equipos que respondían activamente a una intrusión. La publicación del día siguiente abrió con el resultado de la clasificación y describió a Nano como, según las propias evaluaciones preliminares del proveedor, el modelo local más capaz de su clase de menos de 16 GB.

Esa última frase es una afirmación del proveedor y no ha sido reproducida de forma independiente. También lo es el benchmark que el anuncio repitió: 78,4 % en SWE-bench Verified, junto al 79,0 % reportado por DeepSeek para DeepSeek V4 Flash. Ambas cifras las reportan sus respectivos proveedores; esta publicación no ha ejecutado ni el 78,4 ni el 79,0, y la comparación resulta interesante sobre todo porque se sitúa a un modelo de 27B a 0,6 puntos de uno alojado mucho más grande en el harness propio de un proveedor. Léalo como un anuncio, no como un resultado.

La tarjeta del modelo en sí merece una nota por lo que no contiene. Sus etiquetas mencionan ciberseguridad, ingeniería inversa, llamadas a funciones y visión, pero la tarjeta no incluye cifras de referencia específicas de ciberseguridad: ni puntuación de respuesta a incidentes, ni tasa de detección de vulnerabilidades, ni resultado de CTF. Esas están en las páginas de Zero. Y la cifra de CyberGym que circula en torno a nuestra línea de ciberseguridad pertenece a una configuración combinada —Zero 1.0 más DeepSeek V4 Flash más enrutamiento adaptativo—, no a la ejecución en solitario de un solo modelo. Si eliges este modelo para trabajo de defensa, el estado honesto de la evidencia es: una suite general calificada por código lo colocó primero de 21 en una tarjeta de 16 GB, y la evidencia específica de ciberseguridad está en otra parte y pertenece a otros modelos.

Donde se ubica junto a los modelos cibernéticos alojados

OrcaCyber Nano 1.0 es un lanzamiento de pesos para hardware local. Descargas 13 GB, lo ejecutas tú mismo y la puntuación de arriba es lo que logra en tu tarjeta gráfica. No es un endpoint de nuestro catálogo hoy, y nada en este artículo debe interpretarse como que diga lo contrario. Lo que sí ofrece el catálogo es el resto de la serie — OrcaCyber Zero 1.5 y OrcaCyber Ultra 1.0 — con la misma clave y el mismo endpoint compatible con OpenAI que más de 200 otros modelos, incluidos Claude Opus 5.5, GPT-6.1 Sol, Kimi K3, Qwen3.8-Max y DeepSeek V4 Flash, sin recargo por tokens sobre el precio de lista del proveedor y con conmutación por error automática entre proveedores.

Esa división es la que conviene tener en mente. Nano es el modelo que posees y ejecutas sin conexión, sin que ningún dato salga de la máquina —que es justo el objetivo de un modelo de ciberseguridad para la respuesta a incidentes, porque las máquinas que más necesitas inspeccionar suelen ser las que no puedes enviar a una API. Zero 1.5 y Ultra 1.0 son los modelos que invocas. Un nivel local para el trabajo en entornos aislados de la red, un nivel alojado para el rendimiento, un vocabulario común de nombres de modelos entre ambos.

Qué hacer con el 89.8 depende de para qué lo necesitaras. Si estabas esperando pruebas de que un modelo de 27B con 13 GB es competitivo en una tarjeta de 16 GB —no solo ejecutable, sino competitivo frente a 21 alternativas en tareas que se evalúan todas con código ejecutable—, estas son esas pruebas, con su brecha de seguimiento de instrucciones visible en 58 y su techo de velocidad visible en 60 tokens por segundo. Si necesitabas lo más rápido en una V100, ese es un modelo diferente en la misma tarjeta con 93.4, y está una fila más abajo en la tabla.