La flota de vanidades de Trump – The Atlantic

Imagine al director ejecutivo de una empresa automovilística diciéndoles a sus ingenieros y diseñadores que quiere que fabriquen una nueva línea de automóviles. No sabe nada de coches y no le interesa saber cómo se fabrican, pero una cosa está segura: la línea llevará su nombre. Todos aplauden, porque por supuesto que sí, pero nadie sabe realmente qué viene después, excepto que la línea debe verse sexy y deportiva.

Eso es más o menos lo que hizo el presidente hoy cuando anunció que una nueva clase de barco con el nombre de Donald J. Trump se agregaría a la “Flota Dorada”, el nombre que da a la renovada Marina de los EE. UU. (Quizás uno se pregunte si es apropiado que un presidente en funciones ponga su nombre a buques de guerra, entre otras cosas. Perdón por la expresión, pero ese barco ya zarpó).

La conferencia de prensa de Trump de hoy fue una de sus actuaciones más descabelladas, y su forma de hablar turbia y sus respuestas serpenteantes no detendrán las especulaciones sobre su salud cognitiva. Cuando se le preguntó cuál sería su final en la confrontación con Venezuela, por ejemplo, lanzó sus frases habituales sobre personas que son enviadas a Estados Unidos desde prisiones y hospitales psiquiátricos, como si alguien hubiera presionado el botón equivocado y hubiera reproducido la grabación equivocada. También reiteró que quería que los barcos estadounidenses fueran más atractivos y señaló que participaría en el diseño de los nuevos buques porque “soy una persona muy estética”.

(Aparentemente, nadie le ha explicado nunca que un diseño elegante no equivale a valor militar. El bombardero B-52, el pilar de la fuerza de bombarderos de EE. UU. durante décadas, fue llamado cariñosamente BUFF por sus tripulaciones. Grande, feo, gordo… el resto ya lo puedes descubrir.)

Trump y el secretario de la Marina, John Phelan, fueron noticia hoy. (El Secretario de Estado, Marco Rubio, y el Secretario de Defensa, Pete Hegeseth, también estuvieron presentes, pero se limitaron a una adulación estándar). Primero, aprendimos que el presidente de los Estados Unidos claramente no tiene idea de qué son los acorazados. En segundo lugar, Estados Unidos va a invertir en una nueva clase de buque de guerra. En tercer lugar, Estados Unidos va a revertir más de 30 años de sabia política al volver a colocar armas nucleares en los buques de superficie de la Armada estadounidense.

Trump anunció que los nuevos barcos de clase Trump serán “acorazados”, pero parecen ser versiones de gran tamaño del caballo de batalla existente de la Armada, los destructores de clase Arleigh Burke; El primer barco, llamado Defiant, tendrá aproximadamente tres veces el tamaño de un Burke. La Armada también ha anunciado el desarrollo de una nueva clase de fragatas. Los destructores y las fragatas, como sabe la Armada (y como debería saber el comandante en jefe), no son acorazados. Los acorazados son enormes y poderosos, y están destinados a repartir (y resistir) castigos graves. Los destructores y las fragatas son menos resistentes y realizan misiones que requieren más velocidad y agilidad que la que pueden reunir los acorazados. Pero nada de eso importa: el objetivo, aparentemente, era darle a un presidente infantil un juguete nuevo, que lleva su nombre, a cambio de montones de dinero que la Marina descubrirá cómo gastar más adelante.

De hecho, los inversores en defensa aplaudieron el anuncio, pero el gasto probablemente se producirá mucho más tarde, porque Estados Unidos no tiene la capacidad de construir buques que ni siquiera ha diseñado todavía. Trump le dijo hoy a un periodista que espera que el primer barco llegue en dos años y medio, lo cual es posible si la Armada aplica un poco de pintura dorada a un clase Burke, agrega algunos misiles y luego plantillas. USS TRUMP en el costado. Pero la última vez que la Armada intentó realmente crear un nuevo tipo de barco (el destructor clase Zumwalt), el proceso llevó años y terminó en un fracaso.

La noticia más importante llegó hoy cuando Phelan dijo que la nueva clase Trump portará armas nucleares. ¿Por qué? Quizás Phelan, que no tiene experiencia en la Armada, pensó que Trump querría que los nuevos barcos tuvieran lo mejor y más grande de todo. (Phelan prometió hoy que serían los buques de guerra “más bonitos” del mundo). Pero como todo lo demás en este caótico plan, poner armas nucleares en destructores, cruceros o “acorazados” no tiene sentido en el siglo XXI, si es que alguna vez lo tuvo.

Durante la Guerra Fría, los buques de superficie estadounidenses llevaban todo tipo de municiones nucleares para usarlas contra otros barcos, submarinos y objetivos terrestres, porque esa era la lógica del enfrentamiento soviético-estadounidense: la Tercera Guerra Mundial sería una confrontación final de dos inmensas fuerzas militares, incluidos duelos nucleares en el mar. En 1991, con la Unión Soviética en sus últimas etapas, el presidente George HW Bush ordenó la retirada de todas esas armas de la flota de superficie. Muchos oficiales de la Armada se sintieron aliviados: sé, por hablar con varios en ese momento, que consideraban las armas nucleares en sus barcos como una carga inútil.

La Armada de hoy no va a entrar en un enfrentamiento nuclear con la flota soviética. Tampoco es probable que intercambie nubes en forma de hongo en el mar con las flotas china o rusa. Llevar armas nucleares en buques de superficie (plataformas grandes, lentas y expuestas) no sólo es estratégicamente inútil sino también un riesgo innecesario. George HW Bush y el Secretario de Defensa Dick Cheney, ambos halcones de la defensa, lo sabían hace más de tres décadas.

Como ocurre con todos los proyectos vanidosos de Trump, nadie parece preguntarse a qué propósito nacional sirven estos nuevos planes. ¿Necesita la Armada nuevos barcos? ¿Qué debería hacer con ellos si los consigue? ¿Realmente necesitan estar armados con armas nucleares? La respuesta de la administración Trump, claramente, es: ¿A quién le importa? Como dijo el contralmirante retirado Mark Montgomery a The Wall Street Journal, el plan de la Flota Dorada es “exactamente lo que no necesitamos”, pero, añadió, nadie se centra en las necesidades marítimas de Estados Unidos, porque “se centran en la imagen del presidente de que un acorazado es un barco atractivo”.

Puede que Phelan no sepa mucho sobre la Armada, pero conoce a Trump: prometió que los nuevos barcos clase Trump inspirarán “asombro y reverencia” en cualquier puerto que visiten. Pero la estrategia es más que simplemente darle juguetes letales a un presidente que tiene una comprensión simplista de los barcos. Es el arte de tomar decisiones, un intento de unir los medios con los fines. En un mundo racional, este sería el pensamiento que impulsaría la adquisición de armas.

Enseñé a oficiales militares durante más de dos décadas en la Escuela de Guerra Naval. Una cosa que aprendí de las conversaciones con mis alumnos fue que la Armada realmente necesita invertir más en sus oficiales y marineros y reducir el ritmo de las operaciones que los están agotando. Los mejores barcos del mundo no significarán mucho si sus tripulaciones están fatigadas y mal entrenadas. Como escribió recientemente el analista de defensa John Ferrari, durante años la Armada ha estado “estructuralmente comprometida” porque su gente está agotada, sus barcos están “envejeciendo más rápido de lo que podrían repararse” y la preparación de la flota está disminuyendo. Estos son problemas serios que requieren un trabajo serio, pero Trump ha encontrado una manera de solucionar toda esta irritante charla poniendo su nombre en un nuevo barco y diciéndole a los militares que lo construyan.

Hoy en Mar-a-Lago, Trump reiteró su exigencia de que Groenlandia debe convertirse en parte de Estados Unidos. Su plan para una flota de acorazados con la marca Trump es sólo un poco más probable que suceda que un desfile de la victoria en Nuuk, y ninguno de los dos es de interés nacional para Estados Unidos.

You missed

NVIDIA lanza Nemotron-Labs-3-Puzzle-75B-A9B: un LLM MoE híbrido comprimido que ofrece un rendimiento de servidor 2,03 veces superior al rendimiento de usuario equivalente[0]Los modelos MoE híbridos grandes como Nemotron-3-Super son precisos pero costosos de mantener. Sus parámetros activos, caché KV y estado de Mamba limitan la cantidad de usuarios que puede contener un nodo a una determinada tasa de token por usuario. El equipo de IA de NVIDIA lanzó Nemotron-Labs-3-Puzzle-75B-A9B, una variante comprimida de Nemotron-3-Super. El modelo principal tiene 120,7 mil millones de parámetros totales y 12,8 mil millones activos. El modelo comprimido tiene 75,3 mil millones de parámetros totales y 9,3 mil millones de parámetros activos. El objetivo de implementación se solucionó antes de que comenzara la búsqueda de arquitectura. El objetivo uno era duplicar el rendimiento del servidor a 100 tokens por segundo por usuario. El objetivo dos eran 8 solicitudes simultáneas de 1 millón de tokens en un solo H100. Tres puntos de control en Hugging Face: BF16, FP8 y NVFP4. TL;DR Los 120,7B/12,8B activos se comprimen a 75,3B/9,3B activos, conservando el diseño híbrido de 88 bloques. El rendimiento total de 8xB200 aumenta de 1,60x a 2,14x con respecto a Super con NVFP4 coincidente y rendimiento de usuario coincidente. La simultaneidad de un solo token H100 de 1 millón va de 1 a 8, impulsada por una caída de peso de 70 GB a 44,5 GB. El rompecabezas iterativo supera al rompecabezas de un solo paso en 0,57 puntos promedio en el mismo objetivo de compresión. Arena-Hard-V2 (-4,2) y SWE-Bench (-2,6) son los costes reales; RULER y AA-LCR apenas se mueven. Nemotron-Labs-3-Puzzle-75B-A9B Nemotron-3-Super es un modelo híbrido Mamba-Transformer MoE. Puzzle-75B-A9B conserva exactamente el diseño del bloque principal. Tiene 88 bloques: 40 Mamba, 40 MoE y 8 bloques de atención. Lo que cambió es la capacidad dentro de esos bloques: CantidadSuperPuzzle-75B-A9BRatioParámetros totales120.7B75.3B62.4%Parámetros activos12.8B9.3B73.1%Tamaño de estado de Mamba SSM1289675%Tamaño intermedio experto enrutado MoE26881280-2688Media 59.9%Expertos enrutados activados por token224-18Media 50%Capacidad experta enrutada activa (relativo)100%8,7%-62,3%Media 30,9% El número de expertos enrutados, el tamaño de expertos compartido y el tamaño latente del MoE no cambian. Las capas de atención quedaron intactas. La razón declarada por la investigación propuesta es que Nemotron-3-Super ya es muy eficiente en cuanto a caché KV. Las capas de Mamba se podaron de manera uniforme, porque los marcos de inferencia no admiten un tamaño de estado SSM diferente por capa. https://arxiv.org/pdf/2607.04371 El resultado no es un profesor uniformemente reducido. La figura anterior muestra la asignación en profundidad. Puzzle conservó la capacidad en capas intermedias y tardías seleccionadas, y cortó con fuerza en otras partes. Punto de referencia y rendimiento La siguiente tabla informa el rendimiento total óptimo de Pareto en un único nodo 8xB200, con decodificación en un solo paso. Escenario (entrada/salida)Piso UTSuper (tok/s)Puzzle-75B-A9B (tok/s)Boost50K / 2K>= 1005,1288,2101.60x50K / 2K>= 1253,7846,4121.69x50K / 2K>= 1502,5324,5231.79x8K / 64K>= 10020,93942,6012.03x8K / 64K>= 12513,07427,9182.14x8K / 64K>= 1508,52218,0472.12x Ambos modelos se entregaron con pesos NVFP4 coincidentes, caché FP8 KV y estado Mamba FP16. Por lo tanto, la brecha refleja compresión, no un cambio en el formato numérico. El régimen 50K/2K con precarga pesada es el que menos gana. El régimen 8K/64K con gran decodificación es el que más gana. En un solo nodo 8xH100 en UT = 100, las ganancias son menores. Son 1,91x en 50K/2K y 1,82x en 8K/64K. Ambos modelos utilizan pesos FP8, caché FP8 KV y estado FP32 Mamba. En un único H100 en un contexto de 1M, la restricción de enlace pasa de la computación a la memoria. Los pesos NVFP4 de Super ocupan alrededor de 70 GB del presupuesto de 80 GB de HBM. Cada solicitud de token de 1 millón agrega aproximadamente 4 GB de caché KV. Por tanto, la concurrencia efectiva es 1. El peso NVFP4 del Puzzle-75B-A9B ocupa alrededor de 44,5 GB. El diseño de atención no cambia, por lo que el costo de KV por solicitud no cambia. La simultaneidad en 1M aumenta a 8. El rendimiento de decodificación agregado en esa simultaneidad es aproximadamente 4 veces el rendimiento de solicitud única de Super. El llenado previo de una solicitud de 990 000 tokens es aproximadamente 1,2 veces más rápido. Cómo funciona el rompecabezas iterativo Puzzle es un marco de búsqueda de arquitectura neuronal descompuesta, implementado aquí como Puzzletron. Define un espacio de búsqueda discreto de implementaciones de capas alternativas. Cada alternativa obtiene una puntuación de calidad. Luego, un programa de enteros mixtos selecciona una alternativa por capa bajo una restricción de implementación. Tres técnicas de poda forman el espacio de búsqueda: Poda de canales intermedios: los canales dentro de cada experto enrutado se clasifican según su contribución a la salida del experto. Todos los expertos dentro de una capa MoE se reducen a un tamaño uniforme para lograr compatibilidad con el kernel. Reducción de top-k: la cantidad de expertos a los que se enruta un token varía según la capa, hasta el k = 22 del padre. Poda de Mamba SSM: el tamaño del estado de SSM cae de 128 a 96 canales. Se mide el resultado del SSM. Bajar 128 canales a 96 acelera el kernel SSM de 1,2x a 1,3x durante la decodificación. Esto se mantiene en tamaños de lote entre 8 y 512. Los canales se clasificaron según su contribución estimada a la producción de la capa Mamba. La estimación promedió más de 67 millones de tokens de datos de validación. El Apéndice A muestra que esto supera la selección aleatoria de canales bajo una poda agresiva. La formulación original asume que los impactos en la calidad del reemplazo son aproximadamente aditivos. Cada bloque candidato se puntúa dentro del padre no modificado. Eso ignora las interacciones de orden superior entre reemplazos. Iterative Puzzle alterna la compresión limitada con una breve recuperación de destilación de conocimientos. Construye una secuencia M0, M1,… MR en lugar de saltar al objetivo. Las puntuaciones se vuelven a calcular con respecto al modelo comprimido actual, no al modelo original. Se utilizaron tres etapas: El Ministerio de Educación pondera el 75% de la capacidad docente, el estado de Mamba SSM el 75%. Curado por 24 mil millones de fichas. El Ministerio de Educación pondera el 60% de la capacidad docente. Curado por 43,2 mil millones de tokens. Se activó el presupuesto de expertos encaminado al 50%, asignado de forma heterogénea. Curado por 52,8 mil millones de tokens. https://arxiv.org/pdf/2607.04371 La tabla anterior compara esto con una línea base de Puzzle de un solo paso en el mismo objetivo. El procedimiento de tres pasos tiene un promedio de 69,05 en diez puntos de referencia, frente a 68,48. Las ganancias aparecen en MMLU-Pro, GPQA, HLE, AA-LCR, LiveCodeBench, SciCode y RULER-256K. IFBench-Instruction cayó 0,2 puntos y IFBench-Prompt cayó 0,5. Recuperación: destilación, RL y verbosidad La destilación de conocimientos se ejecutó con un 30 % de datos de preentrenamiento y un 70 % de datos SFT de Nemotron-3-Nano. Durante la fase de rompecabezas, KD utilizó una secuencia de 32K de longitud. Luego, Recovery entrenó a 128K y escaló a 512K. El presupuesto era de hasta 100 mil millones de tokens, con un lote global de 16 millones de tokens, en Megatron-LM. La capacitación posterior de RL adoptó la Etapa 2 del proceso Nemotron-3-Super RL, centrada en la ingeniería de software. La fase 2.1 realizó una comparación del uso de herramientas en un solo paso. La fase 2.2 pasó a la zona de pruebas RL de extremo a extremo, donde los agentes corren hasta 200 turnos. Ambas fases utilizaron una penalización de KL de 0. El equipo barrió las tasas de aprendizaje y luego promedió los pesos resultantes. https://arxiv.org/pdf/2607.04371 La Figura 4 anterior muestra lo que aportó cada etapa. KD de contexto corto recupera la mayoría de las categorías a más del 97% de Nemotron-3-Super. Luego, KD de contexto largo eleva específicamente los puntos de referencia de entrada larga y de generación larga. El equipo de investigación afirma que el impacto de RL en estos experimentos fue pequeño. La verbosidad es el detalle silencioso. Después de la última iteración de Puzzle, el modelo generó el 132% del recuento de tokens de Super. Eso cayó al 99% después del proceso de recuperación total. Implementación: cuantificación y predicción de tokens múltiples Se produjeron dos recetas de cuantificación posteriores al entrenamiento: FP8 W8A8 apunta a Hopper y NVFP4 W4A4 apunta a Blackwell. Componente Línea base BF16 Punto de control FP8 Punto de control NVFP4 GEMM MoE dispersos y compartidos BF16FP8NVFP4 Mamba GEMM BF16FP8FP8 Mamba Caché SSM FP32FP32FP16 + Caché SRKV FP8FP8FP8 Enrutador FP32FP32FP32 Atención QKV/salida, proyecciones latentes MoE, LM cabezaBF16BF16BF16 Ambas recetas se calibraron en 256 muestras SFT posteriores al entrenamiento. NVFP4 utilizó la calibración máxima, no la búsqueda de sensibilidad AutoQuantize utilizada para Super. El punto de control resultante se cuantifica de forma ligeramente más agresiva y se realiza de manera similar. NVFP4 no es compatible de forma nativa con Hopper. Todavía se utiliza para el objetivo H100 de contexto 1M, porque la capacidad de HBM se vincula allí. Puzzle-75B-A9B hereda un cabezal MTP compartido de Super. Los parámetros se comparten entre los pasos de MTP, por lo que un cabezal se aplica de forma recursiva en la inferencia. La transferencia directa de la cabeza entrenada de Super dio longitudes de aceptación similares. Luego, el equipo de investigación identifica una discrepancia entre el entrenamiento y la inferencia. El entrenamiento MTP forzado por el maestro alimenta la secuencia completa de estados ocultos desplazados. En cambio, la redacción autorregresiva alimenta una combinación de modelos de destino y estados ocultos generados por MTP. Las tasas de aceptación caen en posiciones de draft más profundas. Esto se soluciona mediante una formación continua de la cabeza transferida. En SPEED-Bench con una longitud de calado 7, la longitud media de aceptación aumentó de 3,45 a 4,34. Eso es aproximadamente entre el 25% y el 30%, concentrado en puestos posteriores del draft. A diferencia de Super, el punto de control NVFP4 apenas se degrada: 4,31 frente a 4,34. Dónde ayuda la compresión y dónde duele Benchmark (BF16)SuperPuzzle-75B-A9BDeltaMMLU-Pro83.882.4-1.4AIME25 (sin herramientas)92.289.7-2.5GPQA (sin herramientas)80.578.6-1.9LiveCodeBench82.181.1-1.0SciCode (subtarea)42.340.6-1.7SWE-Bench (OpenHands)59.556.9-2.6Arena-Hard-V272.868.6-4.2AA-LCR56.856.9+0.1REGLA 1M93.992.2-1.7MMLU-ProX79.577.5-2.0 El propio resumen del artículo de investigación es que el seguimiento de instrucciones y las evaluaciones agentes son las que más pierden. Arena-Hard-V2 es el peor de los casos, con -4,2 puntos. RULER se mantiene dentro de aproximadamente 1 a 2 puntos en 256K, 512K y 1M. Tres resultados de BF16 no retroceden. AA-LCR gana 0,1, Scale AI Multi-Challenge empata en 56,6 y TauBench Telecom gana 0,4. NVFP4 cuesta poco además de la compresión. En RULER 1M, el punto de control NVFP4 obtiene una puntuación de 93,2, por encima del 92,2 de BF16. HLE es el costo de NVFP4 más claro, cayendo de 16,5 a 15,7. Los resultados del 8PM se encuentran en el Apéndice E y siguen de cerca al BF16. SWE-Bench no está incluido en el punto de control del 8PM. Casos de uso RAG de contexto ultralargo en una GPU: un servicio de análisis de documentos en un contexto de 1 millón pasa de 1 solicitud simultánea a 8. El rendimiento de decodificación agregado en esa concurrencia es aproximadamente 4 veces mayor. Asistentes de codificación interactivos: en UT >= 100 tok/s en el régimen 8K/64K, un nodo sirve 2,03 veces los tokens. Ajustado por detalle, es decir, 2,16 veces las solicitudes completadas por minuto. Canalizaciones de documentos con gran cantidad de precarga: el régimen de 50.000/2.000 gana solo 1,60 veces. La compresión ayuda menos cuando el procesamiento rápido domina la computación. Bucles SWE agentes: verifique la brecha SWE-Bench de 2,6 puntos con su combinación de tareas. La recuperación de RL apuntó a esta capacidad y solo la restauró parcialmente. Explorador de implementación ‘+esc(r