Qwable 27B: El modelo de IA local replica el razonamiento de Fable 5 en hardware de consumo

La desarrolladora Mia lanzó Qwable 27B en Hugging Face, un fine-tune completo de Qwen3.6-27B de Alibaba entrenado en un dataset de razonamiento estilo Fable 5, tras un anuncio del 15 de junio de 2026. El modelo replica el enfoque de pensamiento estructurado de Fable 5 de Anthropic mientras se ejecuta íntegramente en hardware local, sin costos de API ni políticas obligatorias de retención de datos. Poco después, la colaboradora de código abierto Huihui-ai lanzó una versión abliterada que elimina el comportamiento integrado de rechazo modificando los pesos del modelo con el cvector-generator de llama.cpp. Los lanzamientos siguieron una semana en la que el gobierno de EE. UU. ordenó retirar Fable 5 para todos los nacionales extranjeros tras un hallazgo de jailbreak disputado. Ambas variantes de Qwable ofrecen alternativas locales a servicios de IA basados en la nube, eliminando dependencias de servidor y requisitos de procesamiento de datos de terceros.

Arquitectura de Qwable 27B y metodología de entrenamiento

Qwable 27B es un fine-tune completo del modelo base Qwen3.6-27B de Alibaba construido por la desarrolladora Mia sobre un dataset de ejemplos de razonamiento estilo Fable 5. El enfoque de entrenamiento es fine-tuning de instrucciones sobre ejemplos tipo traza, donde la desarrolladora recopiló ejemplos con formato como las respuestas paso a paso de Fable 5 y entrenó a Qwen para producir estructuras de salida similares. El modelo resultante, de 27 mil millones de parámetros, apunta a la estructura de seguimiento de instrucciones de Fable 5, produciendo salidas de finalización de tareas más guiadas, explicativas y paso a paso que el modelo Qwen base.

El modelo se ejecuta en formato GGUF, el tipo de archivo comprimido compatible con LM Studio y llama.cpp. La versión con cuantización Q4 requiere aproximadamente 16,5 GB de almacenamiento. Todo el procesamiento ocurre localmente sin enviar datos a servidores externos, eliminando el requisito obligatorio de retención de datos de 30 días que Fable 5 impuso en todo el tráfico, incluidos los clientes empresariales con acuerdos previos de cero retención.

Proceso de abliteración elimina mecanismos de rechazo

Huihui-ai aplicó la abliteración para producir Huihui-Qwable-3.6-27b-abliterated, una variante que elimina el comportamiento de rechazo del modelo. El proceso identifica una dirección de rechazo incrustada en los pesos del modelo ejecutándolo con grandes conjuntos de prompts dañinos y no dañinos, midiendo diferencias en activaciones internas y luego modificando los pesos para eliminar esa diferencia. Después de la abliteración, el modelo ya no contiene las señales matemáticas que activan respuestas de rechazo.

Huihui-ai aplicó la técnica directamente al GGUF de Qwable usando el cvector-generator de llama.cpp, sin necesidad de un entorno de Python, reentrenamiento completo de pesos ni servidores alquilados. El proceso difiere de los jailbreaks al modificar permanentemente la arquitectura del modelo en lugar de explotar vulnerabilidades de prompts. La ficha del modelo especifica que la versión abliterada es solo para investigación y entornos controlados, con la responsabilidad legal y ética recayendo totalmente en los usuarios.

Builds disponibles y requisitos de hardware

La Qwable abliterada está disponible en Hugging Face en tres builds. La versión recomendada Q4_K_M_Q8 pesa aproximadamente 19 GB y representa la opción más pequeña y amigable para el consumidor. Hay una versión compatible con predicción de múltiples tokens disponible para sistemas con recursos computacionales suficientes, ofreciendo una generación de respuestas más rápida. Tanto la Qwable estándar como la variante abliterada se ejecutan en hardware de consumo mediante runtimes locales como LM Studio.

Casos de uso para versiones estándar y abliteradas

La Qwable estándar es adecuada para asistencia en programación, depuración técnica y flujos de trabajo que requieren modelos que muestren procesos de razonamiento en lugar de producir respuestas directas. Se ejecuta en configuraciones de agentes locales y en la mayoría de runtimes locales. La versión abliterada sirve a investigadores de seguridad que necesitan comportamiento del modelo en bruto sin filtrado del proveedor, pipelines de datos sintéticos que requieren salidas sobre temas sensibles, y trabajo de evaluación para probar capacidades del modelo sin interferencia de políticas de contenido. La ficha del modelo advierte que la reducción del filtrado de seguridad significa que las salidas pueden ser sensibles, controvertidas o inapropiadas.

Preguntas frecuentes

¿Qué es Qwable 27B y cuándo se lanzó?

Qwable 27B es un fine-tune completo de Qwen3.6-27B de Alibaba entrenado en un dataset de razonamiento estilo Fable 5, anunciado por la desarrolladora Mia el 15 de junio de 2026. El modelo se ejecuta localmente en formato GGUF y requiere aproximadamente 16,5 GB en su build cuantizada Q4.

¿En qué se diferencia la versión abliterada del modelo Qwable estándar?

La versión abliterada, creada por Huihui-ai, elimina el comportamiento de rechazo modificando los pesos del modelo con el cvector-generator de llama.cpp. El proceso elimina las señales matemáticas que activan respuestas de rechazo, dando como resultado un modelo que procesa todos los prompts sin filtrado de contenido mientras mantiene plena funcionalidad.

¿Cuáles son los requisitos de hardware para ejecutar modelos Qwable?

La build cuantizada Q4 requiere aproximadamente 16,5 GB de almacenamiento, mientras que la versión abliterada recomendada Q4_K_M_Q8 pesa alrededor de 19 GB. Ambos modelos se ejecutan en hardware de consumo mediante runtimes locales como LM Studio o llama.cpp, con una versión de predicción de múltiples tokens disponible para sistemas con mayor capacidad computacional.