Reseña de Laya

Laya es un modelo de decisión "System 1" no autorregresivo publicado por Convai Innovations en Hugging Face y GitHub. Usted le proporciona un estado (un texto, correo electrónico, ticket de soporte u objeto JSON) y un conjunto de preguntas tipadas, y devuelve respuestas tipadas con probabilidades en lugar de texto generado. Existen tres tipos de pregunta: noul (sí/no), choice (elegir una de sus opciones) y score (una calificación ordinal). Cada opción se puntúa en su propio token marcador y se normaliza entre las opciones de esa pregunta, por lo que puede definir nuevas preguntas y etiquetas sin reentrenar, y el modelo no puede inventar una categoría ni devolver una salida mal formada. Las salidas incluyen probabilidades, conjuntos de predicción y enrutamiento de abstención o revisión.

Hay tres checkpoints: un modelo en inglés (backbone ModernBERT-large más una cabeza de decisión, 421M de parámetros, contexto de 512 tokens), un modelo multilingüe (mmBERT-base, 322M de parámetros, 1.024 tokens por defecto, hasta 8.192 con precisión variable a partir de unos 4.000) y un modelo de decisiones tipadas ajustado con el benchmark de Convai. Un Router envía el texto en inglés al checkpoint en inglés y todo lo demás al multilingüe. Se instala con pip install laya (Python 3.10+, PyTorch sobre CUDA, Apple MPS, XPU o CPU), se ejecuta laya-serve para un endpoint HTTP, o se usa la CLI; hay SDK o clientes para TypeScript, Go, Rust, Java, .NET y C++, integraciones para LangChain, LlamaIndex y CrewAI, un extra de MCP, una demo en Hugging Face Space y un notebook de Colab. Un motor Vega opcional añade entrada de imagen, audio y video.

Laya es gratuito y de código abierto bajo la licencia Apache 2.0; la ficha del modelo indica su costo como "$0 self-hosted". Convai Innovations no indica una API de Laya alojada y de pago, por lo que sus únicos costos son su propio hardware o cómputo en la nube. Como referencia: los benchmarks de la ficha se ejecutaron en una sola GPU Tesla T4, la latencia en CPU con precarga es de 193 a 464 ms por llamada, y las descargas pesan unos 808 MB (inglés) y 647 MB (multilingüe). Las recetas de fine-tuning están pensadas para las GPU T4 2x gratuitas de Kaggle.

Precios verificados en la página del modelo del proveedor el 10 de noviembre de 2026. Consulte la ficha del modelo de Laya.

Lo que indican la ficha del modelo y el repositorio de Laya:

Laya es adecuado para desarrolladores que manejan clasificación, triaje y enrutamiento de alto volumen (tickets de soporte, intención, spam, indicadores de moderación) y desean respuestas rápidas y estructuradas que puedan alojar ellos mismos, incluso en entornos aislados (air-gapped), bajo una licencia permisiva. Encaja mejor cuando puede etiquetar unos cientos de ejemplos de su propio dominio: la ficha del modelo indica que los checkpoints base están cerca del azar en su benchmark de decisiones tipadas en modo zero-shot (0.362 de precisión) y alcanzan 0.766 solo tras el fine-tuning, que la precisión disminuye en preguntas con muchas opciones (0.425 en el conjunto Banking77 de 77 etiquetas) y que las probabilidades deben recalibrarse con sus propios datos.

Si desea una API de decisión alojada que funcione sin fine-tuning, compare Jev de TypeSafe, que la ficha del modelo utiliza como referencia en su benchmark. Para pipelines clásicos de NLP con clasificadores de texto entrenables, consulte spaCy. Si necesita razonamiento libre o explicaciones generadas, una API de LLM general es la mejor herramienta.

Las opiniones de usuarios son escasas; la cobertura hasta ahora proviene de boletines tecnológicos que resumen la ficha del modelo. i-SCOOP (29 de septiembre de 2026) reconoce en Laya opciones de respuesta fijas que no pueden inventarse ni estar mal formadas, pesos Apache 2.0 que pueden ejecutarse localmente y buenos resultados binarios de tipo seguridad, pero lo describe como "una base rápida para especializar" y no como un motor zero-shot, citando la baja precisión de los checkpoints base, una gran caída con muchas etiquetas, una negación frágil y probabilidades con exceso de confianza. Sugiere que los equipos que necesiten una precisión amplia sin fine-tuning pueden encontrar más fácil comenzar con una opción alojada como Jev. AI Weekly cubrió el lanzamiento como un modelo de decisión ModernBERT de 421M bajo Apache 2.0. Todas las cifras de velocidad y precisión anteriores son del propio Convai, medidas en una T4; las cifras de Jev en la ficha son publicadas por terceros, no medidas por Convai.