Space Bunny: La página de referencia del modelo Stealth, también listado como Space Bunny Alpha

Space Bunny y Space Bunny Alpha son el mismo modelo. Resuélvelo primero, porque los dos nombres tiran en direcciones distintas: el nombre a secas es lo que escribe la mayoría de la gente, y el nombre con versión es el que usan todos los listados y todos los análisis. No hay un segundo Space Bunny —ni un hermano menor, ni una versión anterior que Alpha venga a sustituir. El nombre a secas es la forma corta; Alpha es el marcador de fase de vista previa que lleva esta familia de listados anónimos mientras el operador sigue sin nombre. Space Bunny es una vista previa sigilosa alojada en una plataforma de terceros: un millón de tokens de contexto, un límite de salida de 524,288 tokens, entrada de texto, imagen y video, y un precio listado de cero dólares por millón de tokens, con la identidad del proveedor sin revelar. Esta página es la referencia para ello —el destino para alguien que buscó el nombre propio del modelo, no un segundo anuncio de que existe.

Dos cosas sobre cómo leer lo que sigue. Todo lo que aparece bajo el encabezado del sobre son metadatos del anuncio proporcionados por el operador: las cifras del propio proveedor anónimo, publicadas en la plataforma que aloja la vista previa y releídas hoy, 28 de septiembre de 2026. Nada de ello está verificado de forma independiente, y lo repito allí donde aparecen las cifras. La sección de benchmark es aparte y procede íntegramente de fuentes de terceros. La otra nota es por qué existe esta página en absoluto. El anuncio es del 23 de septiembre de 2026, hace cinco días, así que no hay ningún problema de antigüedad que sortear, pero el fundamento aquí no es esa fecha. Es la demanda de búsqueda propia que medimos nosotros mismos: 1.668 impresiones y 238 clics en la consulta «space bunny» en los 28 días hasta el 25 de septiembre, en la posición 4,8. Eso es un hecho sobre lo que la gente escribe, no sobre el modelo. Los lectores ya estaban haciendo clic hacia la página que resultara estar posicionada; sencillamente no había ninguna página sobre el modelo en sí en la que aterrizar. Cubrir ese hueco es la cláusula sobre la que se sostiene este artículo: demanda sostenida medida el 28 de septiembre de 2026, con la fecha del anuncio usada para datar el modelo en lugar de como un acontecimiento que reportar.

El nombre, establecido correctamente.

La evidencia de que se trata del «mismo modelo» es una ausencia, así que vale la pena ser precisos sobre lo que se comprobó. La plataforma que aloja la vista previa incluye exactamente una entrada para la familia, bajo el identificador stealth/space-bunny-alpha/ y el nombre visible «Space Bunny Alpha»; no existe ninguna space-bunny/ a secas junto a ella. La guía de campo del propio modelo —un sitio de terceros que declara sin ambages que no está afiliado ni a la plataforma ni al desarrollador— lo presenta como «Space Bunny Alpha, también escrito space-bunny-alpha» y fecha su ficha el 23 de septiembre de 2026. La organización de Hugging Face que aloja repositorios complementarios de esta serie tiene un único repositorio de bunny, que lleva el nombre del alpha. Buscar un «Space Bunny» a secas como modelo independiente no arroja nada más que el mismo modelo bajo su nombre más corto.

En la práctica: trata las dos cadenas como alias. "Space Bunny" es el término principal y el que tiene mejor comportamiento de clics; space-bunny-alpha/ es el identificador que pones en una petición. Lo único que el nombre a secas no implica es una versión: no hay una 1.0 documentada, ni una variante más pequeña, ni una versión que no sea de vista previa. Una ficha o una publicación que dé a entender lo contrario se está inventando una familia que el registro no muestra.

El sufijo sí aporta información real: el modelo está en vista previa, operado por un proveedor que ha optado por no ser nombrado durante esta, y el aviso de sigilo de la plataforma indica que los prompts y las completaciones pueden ser retenidos por ese proveedor, pero no se utilizan para entrenamiento. Lee esa cláusula con atención, porque es una declaración de retención y no una de retención cero. Si has leído nuestra cobertura previa al lanzamiento de este listado — la página de filtraciones de Space Bunny Alpha — la función de esa página ya está cumplida: lo que anticipaba ahora es simplemente el estado del modelo, y las preguntas abiertas se han desplazado de la identidad a la envolvente, el costo y el rendimiento.

El sobre, tal como lo indica el listado

Releído hoy en el anuncio en vivo. Proporcionado por el operador, no reproducido.

• Ventana de contexto — 1.000.000 tokens. La misma clase de 1M que los avances anónimos anteriores de esta serie.

• Salida máxima — 524.288 tokens. La mitad de la ventana de contexto, que es un techo muy alto a cualquier precio y que ningún tercero ha sometido a pruebas de estrés para comprobar su coherencia en el extremo más lejano.

• Entrada y salida — texto, imagen y video como entrada; texto como salida. La entrada de video es el detalle que más distingue a esta generación de listados anónimos de los lanzamientos multimodales ordinarios.

• Razonamiento — obligatorio y no se puede desactivar, con cinco niveles de esfuerzo: low, medium, high, xhigh y max. El listado en vivo de hoy muestra el valor predeterminado del proveedor como max, y la guía de campo de terceros registra de forma independiente el mismo valor predeterminado. Ocultar el texto de razonamiento mediante la API no desactiva el cálculo; este sigue consumiendo presupuesto de salida.

• Uso de herramientas y salida estructurada — tools/ y tool_choice/ se aceptan, por lo que la llamada a funciones está disponible. response_format/ ofrece salida JSON sin aplicación del esquema JSON, la misma advertencia que esta familia de vistas previas ha arrastrado en todo momento. Si tu pipeline necesita recibir un objeto validado, valídalo tú mismo.

• No divulgado — nombre del proveedor, número de parámetros, parámetros activos, arquitectura, familia de tokenizadores (registrada únicamente como "Other"), fecha de corte de conocimiento, cuantización, licencia y si existen o no pesos publicables. El repositorio complementario afirma que los archivos GGUF aparecerán "una vez que los pesos del modelo estén disponibles" — una promesa sobre un archivo futuro, no una prueba de que los pesos existan ahora.

• Operativo, y notablemente escaso — el listado no publica ninguna cifra de rendimiento ni de latencia. Ambos campos están vacíos. Informa de un único proveedor de servicio, etiquetado como stealth, con cuantización desconocida.

Ese último punto es la respuesta honesta a «¿qué tan rápido es?»: nadie que haya publicado una cifra es dueño del endpoint, y el operador del endpoint no ha publicado nada. Eso no es motivo para evitar el modelo. Es motivo para medirlo en tu primera llamada en lugar de confiar en un adjetivo de una descripción.

El tarifario: cero, y qué significa cero aquí

El listado fija el precio del modelo en $0 por millón de tokens de entrada y $0 por millón de salida — una vista previa gratuita, en el propio listado del operador, consultado hoy. No se publica ningún límite por solicitud ni ninguna política de límite de velocidad en la entrada.

Dos aclaraciones. Primero, ese es el precio publicado por el operador hoy, no un compromiso: un precio de vista previa encubierta es una propiedad de un listado, y los listados cambian sin previo aviso. Segundo, en esta serie una vista previa a $0 ha sido históricamente un instrumento de evaluación más que un nivel permanente: la ventana gratuita se ha cerrado cuando terminaba una vista previa. Quien construya sobre una tarifa de cero dólares debería tratar la cifra como vigente y no como duradera, y debería saber cuánto le cuesta su alternativa de respaldo por millón antes de necesitarla.

La superficie del endpoint

Lo que en realidad obtiene quien llama, tomado del conjunto de parámetros admitidos del listado en lugar de la documentación en prosa.

• Finalizaciones de chat — mensajes/ con flujo opcional, es decir, la generación por streaming habitual.

• Muestreo y límites — max_tokens/, temperature/, top_p. Los tokens de razonamiento salen del presupuesto de max_tokens/, así que un límite ajustado trunca el razonamiento antes de truncar la salida.

• Controles de razonamiento — reasoning/ y reasoning_effort/ a lo largo de la escala de cinco pasos, además de include_reasoning/ para mostrar u ocultar el texto de razonamiento.

• Estructura y herramientas — tools/, tool_choice/ (se admite auto; forzar una función específica no), y response_format/ para JSON sin validación de esquema.

Esa es toda la superficie. No hay un endpoint de visión separado, ni una API de procesamiento por lotes, ni una ruta de ajuste fino, ni embeddings. La entrada multimodal entra a través de la misma llamada de chat, lo cual es conveniente y también significa que un archivo adjunto de video grande compite por el mismo presupuesto de contexto que todo lo demás en la conversación.

Qué es lo que realmente han medido terceros

Aquí es donde la mayoría de los resultados de búsqueda dejan de ser cuidadosos, así que, primero, la procedencia. Artificial Analysis, la tabla de clasificación independiente que normalmente citamos para la comparación entre modelos, no tiene ninguna entrada para Space Bunny bajo ninguno de los dos nombres —verificado hoy mediante solicitud directa. Las dos mediciones de terceros que sí existen son de distinta índole, y ninguna es un arnés emparejado frente a los modelos junto a los que se representa.

El primero es AI BENCHY, un sitio de referencia de terceros que publica ejecuciones por modelo. Su entrada para Space Bunny Alpha registra 7,0 sobre 10 con razonamiento alto, una tasa de aprobación de intentos del 62,1 %, 10,0 de fiabilidad, un tiempo de respuesta promedio de 27,38 segundos y un coste registrado de $0,000, y lo sitúa en el puesto n.º 161 en la tabla propia de ese sitio. Por categorías, sus resultados más sólidos son la extracción de datos y la llamada a herramientas, ambos con 10,0 sobre 10; los más débiles son trivia, con 3,0, e inteligencia general, con 4,2. Esas son las cifras de ese sitio según su propia suite. El número que merece leerse es la tasa de aprobación y la distribución por categorías, no el rango global, que es una posición dentro del orden de otro.

La segunda es la guía de campo del propio modelo, que publica sus propias evaluaciones: 82,0 % en un subconjunto de 60 preguntas de GPQA Diamond, 75 % en MMLU-Pro y 46,1 % en un subconjunto de 300 preguntas de Humanity's Last Exam, con un intervalo de confianza aproximado del 95 % de 40,4–51,8 %. El sitio deja claro que estas son sus propias ejecuciones sobre subconjuntos y que los modelos que aparecen junto a ellos son resultados de referencia publicados por sus respectivos proveedores: distintos números de preguntas, distintos arneses de evaluación, distintas configuraciones. Esa advertencia es la parte importante y no debería omitirse en silencio: esas columnas no son una comparación directa, y nadie ha realizado una comparación con el mismo esfuerzo y el mismo arnés de evaluación entre Space Bunny y cualquier modelo junto al cual se lo grafique. Una página que presenta esas cifras como una clasificación está haciendo algo que la propia fuente se negó a hacer.

Dos resultados adicionales de terceros merecen tenerse en cuenta, porque ponen a prueba cosas que los benchmarks pasan por alto. La guía de campo informa de una comprobación de contexto largo en la que tres códigos distintos ocultos dentro de una única entrada de aproximadamente 200.000 tokens se devolvieron todos en el orden correcto en un solo intento: una prueba de capacidad más que una puntuación de habilidades, y el tipo de comprobación que una ventana de contexto de 1M invita a hacer y que rara vez recibe. También informa de una comparación de eficiencia de tokens en la que Space Bunny consumió 305.989 tokens de salida frente a 913.989 de Qwen3.8 Flash en los mismos benchmarks: alrededor de dos tercios menos, lo que importa más de lo que parece una vez que se cierra la ventana gratuita.

El hecho individual más claro de todo el panorama es un vacío. No hay ninguna entrada de Artificial Analysis, ninguna calificación de arena y ningún benchmark reproducido por una segunda parte. Un 7,0/10 de una sola suite y un 46,1 % de un subconjunto autopublicado, sin replicación en ningún lugar, es una posición de partida más que un veredicto.

¿Quién está detrás de ello?

No revelado, y el propio listado lo dice: el modelo es desarrollado y operado por un proveedor externo que ha elegido permanecer anónimo durante la vista previa, y la plataforma que aloja el listado declara que no es el desarrollador, propietario ni proveedor. El repositorio complementario no lleva nombre de laboratorio, ni licencia, ni pesos.

Existe un discurso público activo de conjeturas —reconstrucciones del formato de los prompts, sondeos de familias de tokenizadores, comparaciones de muestras— y nada de ello ha producido una identidad confirmada. No repetimos las hipótesis, por la misma razón por la que no lo hicimos cuando las entradas anteriores de esta familia eran anónimas: una puntuación de benchmark compartida o un recuento de tokens coincidente es un parecido, no una identificación, y una conjetura de la comunidad disfrazada de hallazgo es peor para un lector que un espacio en blanco honesto. Lo que sí muestra el registro es que cada vista previa anónima de esta serie hasta ahora ha acabado siendo reclamada por un laboratorio con nombre, normalmente en cuestión de días o semanas y, a menudo, con un cambio de precio asociado. Eso es una tasa base sobre cómo terminan estas vistas previas, no una predicción sobre esta —y es la razón para tratar el sobre de hoy como una instantánea en lugar de una especificación.

Evaluando un modelo desconocido sin apostar por un camino en él

Un operador no revelado no te impide probar el modelo. Cambia qué preguntas puedes responder. Tres cosas se desprenden del propio listado.

La cláusula de retención es la que se debe respetar. Los prompts y las completions pueden ser retenidos por un proveedor sin nombre. Los benchmarks públicos, el código abierto y los prototipos desechables son libres; los datos de clientes, el código fuente propietario y cualquier cosa bajo un régimen de cumplimiento no lo son, y un precio gratuito no cambia eso.

• Trata cada afirmación sobre capacidades como una hipótesis hasta que tengas tus propios números. El rendimiento, la latencia del primer token y la coherencia en salidas largas son las tres cifras que nadie ha publicado para este modelo, y también son las tres que deciden si encaja en una carga de trabajo. Medirlas cuesta una tarde.

• No lo conviertas en el único modelo de una ruta. Un proveedor sin nombre, sin página de estado y sin ruta de escalado es un proveedor cuyos fallos no puedes perseguir.

Esa última regla es donde un enrutador se gana su lugar, y es la parte de la que podemos hablar directamente. OrcaRouter sirve más de 200 modelos detrás de una única API sin recargo sobre el precio de lista del proveedor —pagas la tarifa publicada por el propio proveedor, así que una rebaja de precio de un proveedor está activa de nuestro lado el mismo día— además de conmutación automática ante fallos entre proveedores y un DSL de enrutamiento que te permite declarar un modelo que se sabe que es bueno como respaldo detrás de uno experimental. Para ser exactos, y no generosos, con la cuestión de la disponibilidad: Space Bunny no está en nuestro catálogo hoy. Nuestra API de modelos no devuelve ninguna ruta de ese tipo con ninguno de los dos nombres, así que no somos una forma de llamar a este modelo, y esta página no es una ruta hacia él. Lo que somos es una forma de mantener un modelo medido detrás de uno no medido mientras decides, que es la única postura sensata hacia una vista previa gratuita de un operador que nadie puede nombrar.

¿Qué cambiaría esta página?

Cuatro cosas, en el orden en que probablemente llegarán. Un propietario identificado, que en esta serie ha venido con una licencia, un número de parámetros y un precio. Una reproducción de benchmark por una segunda parte, que sería la primera evidencia de calidad no ligada a una única suite. Rendimiento y latencia publicados, los dos campos vacíos que un comprador más querría que se rellenaran. Y un cambio en la lista de precios, actualmente la propiedad más decisiva del modelo.

Hasta entonces, el resumen honesto es el siguiente. Space Bunny es una vista previa de razonamiento con capacidad de video y un millón de tokens, con un operador no revelado: una puntuación de terceros de 7.0/3, un conjunto de subconjuntos autodeclarados, ninguna entrada en tablas de clasificación independientes y ninguna cifra de rendimiento en absoluto. Su nombre simple y su nombre completo son el mismo modelo. Su nombre simple y su nombre completo son el mismo modelo.