La demo de Nvidia DLSS 5 para navegador escapa de RTX, pero necesita segundos para renderizar
La demo de Nvidia DLSS 5 para navegador ha trasladado, según los informes, un modelo neuronal de 147 MB a WebGPU, pese a que la función depende oficialmente de hardware RTX e integraciones nativas en juegos. El desarrollador MAAN afirma que el experimento también funciona en macOS y en GPU que no son de Nvidia. La contrapartida es considerable: cada imagen procesada tardó uno o dos segundos durante una prueba independiente.
Esa diferencia define mejor el proyecto que su afirmación de compatibilidad. MAAN no ha convertido DLSS 5 en una función práctica para jugar desde el navegador. El desarrollador parece haber separado el modelo de renderizado neuronal de Nvidia de la ruta habitual de controladores, SDK y hardware de la compañía.
Por tanto, el experimento pone en cuestión el modelo de despliegue controlado de Nvidia, no su ventaja de rendimiento en juegos. Nvidia presentó DLSS 5 en NBA 2K27 para sistemas RTX serie 50 y GeForce NOW. Según los informes, la implementación de MAAN expone parte del mismo proceso visual mediante una API gráfica convencional para navegadores.
El resultado es una interesante prueba de portabilidad con importantes incógnitas. Sus pesos proceden, según los informes, de una biblioteca filtrada, su código fuente no estaba disponible cuando aparecieron los informes iniciales y su salida sigue siendo demasiado lenta para jugar. Lo importante ahora es determinar si una inspección independiente valida la implementación y encuentra usos en los que unos segundos por imagen sean aceptables.
La demo de Nvidia DLSS 5 para navegador lleva el renderizado neuronal fuera de la ruta oficial de Nvidia
El cambio importante no es que DLSS 5 ejecute de repente juegos en un navegador. Es que, según los informes, un modelo de renderizado entrenado por Nvidia se ejecuta sin la ruta de integración de DLSS documentada por Nvidia.
MAAN publicó la demostración el 16 de septiembre de 2026. Según el informe inicial sobre la demo para navegador, la página funciona mediante Cloudflare Workers y se abre con una escena llamada “Cowboy Gramps”. Incluye controles ajustables, vistas comparativas y compatibilidad con modelos 3D proporcionados por los usuarios.
El desarrollador describe el proyecto como una reimplementación de la red neuronal DLSS 5 mediante shaders de cálculo WebGPU. WebGPU es una API de navegador que envía trabajo moderno de gráficos y computación de propósito general a la GPU de un dispositivo. Un shader de cálculo es un programa de GPU diseñado para cálculos paralelos, en lugar de dibujar directamente un triángulo o un píxel.
Esa distinción importa. La página no parece llamar al tiempo de ejecución habitual de DLSS de Nvidia a través de un puente oculto del navegador. En su lugar, según los informes, expresa las operaciones del modelo neuronal como cargas de trabajo de GPU compatibles con el navegador.
MAAN afirma que los pesos neuronales ocupan unos 147 MB. El tiempo de ejecución de JavaScript comprimido añade aproximadamente 1 MB. Los pesos contienen parámetros aprendidos que utiliza la red neuronal, mientras que el tiempo de ejecución organiza los cálculos necesarios para aplicarlos.
Estas cifras hacen que el proyecto sea grande para una página web, pero lo bastante pequeño para un experimento interactivo alojado. Tras la descarga inicial, el navegador puede enviar trabajo a la GPU local mediante WebGPU. Cloudflare aloja la aplicación, pero los informes disponibles indican que el dispositivo realiza el procesamiento neuronal.
Según los informes, la demo acepta formatos comunes de modelos 3D mediante selección de archivos o arrastrar y soltar. Esa función convierte la página en algo más que un vídeo fijo o una colección de capturas preparadas. Los usuarios pueden probar cómo trata el modelo sus propios activos, aunque el comportamiento del proyecto en materia de seguridad y privacidad todavía requiere una inspección del código fuente.
La interfaz también separa el movimiento normal del modelo del procesamiento neuronal. En una prueba con un equipo de escritorio RTX serie 40, la rotación del visor 3D se mantuvo fluida. Aplicar el tratamiento de DLSS 5 a una imagen tardó uno o dos segundos, especialmente en el modo en vivo.
Ese tiempo es fundamental para cualquier descripción precisa. Un renderizado de dos segundos equivale a medio fotograma procesado por segundo. Los juegos en tiempo real suelen apuntar a decenas de fotogramas por segundo, y cada fotograma recibe solo milisegundos de tiempo de procesamiento.
Por tanto, la demo no es un port para navegador de la experiencia completa de NBA 2K27. Se entiende mejor como una prueba de ejecución portátil del componente neuronal. El motor de juego circundante, los datos de movimiento, los controles de latencia y la canalización de generación de fotogramas son problemas independientes.
MAAN también afirma que la página funciona en macOS. Esa afirmación es plausible a nivel de API, porque las implementaciones de WebGPU pueden traducir las cargas de trabajo del navegador al sistema gráfico Metal de Apple. No establece una velocidad, calidad visual o comportamiento numérico equivalentes en todos los Mac y navegadores.
La misma cautela se aplica a las GPU que no son de Nvidia. WebGPU está diseñado para abarcar proveedores de hardware, pero cada dispositivo expone límites y características de rendimiento diferentes. Ejecutar una carga de trabajo no es lo mismo que ejecutarla eficientemente.
Aun así, el evento básico genera una tensión real. Nvidia presenta DLSS 5 como una función de juego RTX estrechamente integrada. La implementación comunicada de MAAN trata su red neuronal como un grafo de computación portátil que puede reconstruirse sobre una capa gráfica web estándar.
Por qué WebGPU cambia el límite del hardware
WebGPU sustituye la ruta de ejecución propietaria de Nvidia por una capa común de navegador, intercambiando optimización especializada por portabilidad.
Nvidia normalmente ofrece a los desarrolladores de juegos dos rutas consolidadas para integrar DLSS. Pueden utilizar la integración NGX de la compañía o adoptar Streamline, un marco que se sitúa entre un juego y su API de renderizado.
Nvidia describe la integración de Streamline como una capa basada en plugins para tecnologías gráficas de múltiples proveedores de hardware. Los desarrolladores etiquetan recursos como vectores de movimiento y búferes de profundidad, y luego colocan la función solicitada dentro de su canalización de renderizado.
Esa ruta otorga a Nvidia un control considerable sobre la compatibilidad. El controlador puede identificar el hardware compatible, el plugin puede validar las entradas necesarias y la compañía puede actualizar el comportamiento del modelo. Los desarrolladores de juegos también reciben un contrato de integración construido en torno a API gráficas nativas consolidadas.
Un navegador cambia cada parte de esa disposición. JavaScript no puede cargar libremente una DLL gráfica propietaria ni emitir llamadas arbitrarias al controlador nativo. Las aplicaciones de navegador operan dentro de una zona aislada, con acceso mediado por interfaces estandarizadas.
WebGPU proporciona la capa de cálculo que faltaba. Su lenguaje de sombreado, WGSL, permite que las aplicaciones definan programas que los navegadores compilan para el sistema subyacente. La especificación actual de WGSL incluye canalizaciones de cálculo que pueden procesar búferes e imágenes en grupos de trabajo paralelos de GPU.
En términos prácticos, un desarrollador puede traducir operaciones de redes neuronales en shaders de cálculo. Los cálculos matriciales, las convoluciones, las pasadas de muestreo y las transformaciones de imagen pueden ejecutarse entonces en cualquier GPU compatible que exponga el navegador.
Esa traducción no conserva toda la pila de software de Nvidia. Sustituye la pila por una nueva implementación de cálculos seleccionados. Cualquier optimización ligada a Tensor Cores, instrucciones propietarias, planificación del controlador o el tiempo de ejecución de Nvidia debe reproducirse de otra forma o abandonarse.
Esto ayuda a explicar la diferencia de velocidad. La versión oficial de Nvidia funciona en hardware RTX serie 50 con un controlador y una aplicación diseñados en torno a la función. Según los informes, la versión de MAAN se ejecuta mediante una abstracción portátil de navegador que prioriza la compatibilidad.
Nvidia afirma que DLSS 5 utiliza renderizado neuronal guiado por 3D para mejorar la iluminación y el aspecto de los materiales. En lugar de limitarse a ampliar un fotograma de baja resolución, la función utiliza información de la escena para modificar el aspecto de superficies, piel, cabello, sombras y luz.
Su primera demostración oficial pone el énfasis en jugadores de baloncesto. Nvidia afirma que el modelo mejora el paso de luz subsuperficial a través de las orejas, la iluminación del vello facial, los materiales de la piel y las sombras de contacto. El lanzamiento de DLSS 5 de la compañía sitúa esos efectos dentro del renderizador nativo de NBA 2K27.
La demo para navegador utiliza un entorno más limitado. Un usuario carga o selecciona un modelo, modifica controles de presentación y espera el resultado neuronal. Esa carga de trabajo no tiene que mantener una simulación de juego completa a una tasa de fotogramas interactiva.
Esta diferencia abre una posibilidad para usos ajenos a los juegos. Los diseñadores de productos podrían tolerar una breve demora al previsualizar un único activo. Los arquitectos podrían procesar una vista estática antes de presentarla. Los artistas podrían comparar tratamientos alternativos de materiales sin instalar un juego compatible.
Estas posibilidades siguen siendo hipótesis, no productos validados. La prueba disponible no establece precisión en activos profesionales, tiempos de renderizado predecibles ni compatibilidad estable con escenas grandes. Simplemente muestra por qué los requisitos de latencia determinan si el experimento tiene valor.
WebGPU también amplía el acceso sin hacer equivalentes a todas las máquinas. El proyecto GPU for the Web enumera distintos sistemas operativos mínimos y combinaciones de hardware en sus indicaciones de compatibilidad. Los navegadores pueden imponer requisitos más estrictos o desactivar dispositivos con controladores poco fiables.
En consecuencia, “funciona en macOS” no debe interpretarse como “funciona en todos los Mac”. La versión del navegador, el sistema operativo, la generación de la GPU, la memoria y los límites de las funciones pueden afectar a la ejecución.
El mismo problema aparece en Windows y Linux. Un navegador compatible podría exponer WebGPU en hardware AMD, Intel o Nvidia, pero el mismo shader puede seguir rutas diferentes a través del compilador y el controlador de cada proveedor.
Esa variabilidad es el precio de subir en la pila de abstracción. La ruta oficial de Nvidia ofrece un objetivo estrecho y optimizado. WebGPU ofrece un objetivo más amplio, con menos supuestos sobre el hardware subyacente.
La portabilidad pone en cuestión la barrera de Nvidia, no su rendimiento
La principal competencia es entre despliegue controlado y ejecución portátil, y Nvidia sigue conservando la ventaja decisiva en rendimiento.
El lanzamiento oficial de DLSS 5 de Nvidia comenzó con una combinación limitada de hardware y software. NBA 2K27 es compatible con la función en PC y portátiles GeForce RTX serie 50. Los miembros de GeForce NOW Ultimate también pueden acceder a ella mediante sistemas en la nube RTX de clase 5080 operados por Nvidia.
La compañía exige un juego compatible, un controlador adecuado y hardware compatible. Ese modelo se parece a los despliegues anteriores de DLSS, en los que Nvidia combinaba modelos entrenados con componentes de tiempo de ejecución propietarios y aceleración específica de RTX.
El enfoque de MAAN elimina, según los informes, varias de esas barreras. No requiere NBA 2K27, una aplicación nativa de Windows ni una GPU Nvidia. En cambio, plantea si un navegador y la GPU que este expone pueden ejecutar una reconstrucción de la carga de trabajo neuronal.
Esto no elimina la contribución de Nvidia. El modelo sigue teniendo su origen en Nvidia, y el comportamiento útil procede del trabajo de entrenamiento de Nvidia. Portar sus cálculos a WebGPU demostraría la portabilidad de la inferencia, no un reemplazo independiente del desarrollo de modelos.
Tampoco vuelve irrelevantes las restricciones oficiales de hardware. Nvidia vende una experiencia con un objetivo específico de latencia, calidad y estructura de soporte. La página de navegador ofrece actualmente un experimento sin una garantía de servicio comparable.
El contraste de rendimiento es enorme. Nvidia afirma que una RTX 5090 puede alcanzar hasta 370 fotogramas por segundo a 4K en NBA 2K27 con el conjunto completo de DLSS y trazado de rayos. Esa cifra refleja un sistema, ajuste preestablecido y conjunto de tecnologías DLSS concretos, por lo que no debe compararse directamente con una pasada aislada en el navegador.
Incluso con esa salvedad, varios segundos por salida no pueden servir para un juego interactivo. A 60 fotogramas por segundo, el presupuesto total por fotograma es de unos 16,7 milisegundos. Una pasada neuronal de un segundo consumiría aproximadamente 60 de esos presupuestos antes de que comenzara cualquier otro trabajo del juego.
La demostración revela, en cambio, una forma distinta de presión. Plantea si el acceso a un modelo gráfico neuronal debe seguir vinculado al mecanismo de entrega previsto por el proveedor una vez que los pesos y las operaciones están disponibles.
Preguntas similares ya rodean a la inteligencia artificial basada en navegador. Los desarrolladores ejecutan habitualmente modelos de lenguaje, visión e imagen de forma local mediante WebGPU. El atractivo consiste en evitar los viajes de ida y vuelta al servidor, mantener algunos datos en el dispositivo y llegar a varios sistemas operativos con una sola aplicación.
Los modelos gráficos imponen requisitos de tiempo más estrictos. Un modelo de texto puede seguir siendo útil mientras genera tokens gradualmente. Una herramienta de imágenes puede seguir siendo útil si la creación tarda varios segundos. Un juego se vuelve incómodo cuando el renderizado supera su presupuesto por fotograma en un orden de magnitud.
Esto convierte a DLSS 5 en una prueba especialmente exigente para el cómputo en navegador. Si el port llega finalmente a velocidades interactivas, demostraría que WebGPU puede alojar sofisticados modelos de renderizado entre distintos proveedores. Si sigue siendo lento, aún podría servir para previsualizaciones sin conexión y análisis técnico.
Nvidia no afronta una amenaza competitiva inmediata por parte de la demostración. Los estudios de juegos no pueden sustituir una integración compatible de DLSS por una página no oficial basada en pesos filtrados. Necesitan rendimiento predecible, claridad en las licencias, garantía de calidad y acceso a datos del motor.
Sin embargo, el proyecto debilita una suposición más simple: que la ejecución del modelo neuronal requiere intrínsecamente una GPU RTX. El producto oficial puede requerir hardware RTX, pero una red reconstruida aparentemente puede ejecutarse en otros entornos cuando se relajan los requisitos de velocidad y soporte.
Esta distinción importa a los desarrolladores que evalúan futuros sistemas de renderizado neuronal. Un modelo puede ser portátil en teoría y seguir siendo específico de un hardware en producción. Los aceleradores especializados ganan cuando importa la latencia, mientras que las API comunes ganan cuando importa el alcance.
La ventaja de Nvidia, por tanto, pasa de la exclusividad a la optimización. Su hardware, controladores, herramientas de desarrollo y acceso directo al modelo deberían mantener la vía oficial más rápida. El experimento en navegador pone a prueba cuánto de esa ventaja proviene de la ingeniería de ejecución, en lugar de una barrera absoluta de compatibilidad.
Los Pesos Filtrados y la Falta de Código Dejan Abiertas las Mayores Preguntas
La demostración es técnicamente sugerente, pero sus lagunas de procedencia y verificación impiden que sirva como una prueba concluyente de compatibilidad independiente con DLSS.
Según se informa, MAAN dijo que el proyecto utiliza pesos extraídos de una biblioteca filtrada de DLSS 5. El desarrollador también afirmó que no estaba claro si esa biblioteca difería de la versión oficial.
Esta revelación cambia la naturaleza del logro. El proyecto no parece recrear el modelo de Nvidia mediante el entrenamiento de una alternativa independiente. Según se informa, reutiliza los parámetros aprendidos de Nvidia e implementa el proceso de inferencia mediante WebGPU.
Los pesos del modelo no son un ingrediente menor. Codifican patrones aprendidos durante el entrenamiento y determinan en gran medida la salida de la red. Reutilizarlos conserva la parte más difícil de reproducir del sistema de Nvidia, incluso cuando el código de ejecución es nuevo.
Esto plantea posibles cuestiones de licencia y propiedad intelectual. La disponibilidad pública de un archivo filtrado no establece autorización para redistribuir o desplegar su contenido. Los informes disponibles no identifican la postura de Nvidia sobre esta implementación concreta.
La publicación prevista del código será la primera prueba importante. MAAN dijo que el código llegaría a GitHub durante el fin de semana posterior a la demostración inicial. Hasta que eso ocurra, los desarrolladores externos no podrán inspeccionar plenamente cómo se corresponden los shaders con el modelo declarado.
El código fuente ayudaría a responder varias preguntas técnicas. Los revisores podrían identificar los operadores utilizados, confirmar si el procesamiento permanece local, examinar las decisiones de precisión y comprobar si la salida coincide con la implementación oficial de Nvidia.
También aclararía qué significa «DLSS 5 en un navegador». La expresión podría describir el modelo neuronal completo publicado, una reconstrucción parcial o una canalización inspirada en la red filtrada. Estas categorías son materialmente distintas.
Las comparaciones de imágenes independientes importarán más que las capturas de pantalla seleccionadas por el desarrollador. Los evaluadores necesitan escenas, posiciones de cámara, entradas y ajustes de salida idénticos. Deberían comparar el resultado en navegador con DLSS 5 oficial allí donde pueda construirse una escena equivalente.
La medición de dos segundos de la demostración también necesita una evaluación más amplia. Una prueba de escritorio con una RTX serie 40 no puede representar el hardware de Apple, AMD, Intel y Nvidia. El rendimiento puede variar según la complejidad del modelo, la resolución de salida, el navegador, el sistema operativo y la compilación de shaders.
La carga inicial merece un análisis separado. Descargar 147MB es significativo en conexiones limitadas, pero es distinto del tiempo necesario para cada renderizado. La caché del navegador podría reducir los costes de inicio posteriores, aunque la presión de memoria podría seguir limitando a los dispositivos de gama baja.
La precisión representa otra incógnita. Los modelos neuronales suelen usar formatos de precisión reducida para mejorar la velocidad y la eficiencia de memoria. La compatibilidad de WebGPU con determinados tipos de datos y operaciones depende de las capacidades del navegador y del hardware, lo que podría obligar a recurrir a alternativas más lentas.
La consistencia de la imagen también puede variar entre sistemas. La ejecución nativa de Nvidia utiliza una combinación conocida de hardware y controladores. Una implementación de WebGPU pasa por los compiladores de shaders de varios proveedores, lo que podría producir pequeñas diferencias numéricas o fallos de compatibilidad más graves.
La seguridad requiere escrutinio porque la página acepta archivos 3D proporcionados por el usuario. Un entorno aislado de navegador reduce el acceso de la aplicación al sistema, pero los modelos cargados o seleccionados localmente siguen pasando por código de análisis y renderizado. La revisión del código fuente puede revelar si los activos permanecen locales o salen del dispositivo.
Los usuarios deberían evitar tratar la demostración como una herramienta de producción de confianza hasta que ese comportamiento esté claro. Diseños de productos confidenciales, personajes no publicados y planes arquitectónicos son archivos de prueba inapropiados para una página no auditada.
La cuestión de los pesos filtrados también puede afectar a la longevidad del proyecto. Los proveedores de alojamiento o las plataformas de código pueden responder a solicitudes legales válidas. Aunque la implementación permanezca en línea, futuras actualizaciones de los modelos de Nvidia podrían volver obsoleta la versión filtrada.
Ninguna de estas preocupaciones anula la lección de ingeniería. Reimplementar una gran carga de trabajo de gráficos neuronales en WebGPU seguiría siendo informativo. Sin embargo, sí limitan las afirmaciones más contundentes sobre disponibilidad, legitimidad y equivalencia.
La conclusión correcta es más acotada. Según se informa, la demostración muestra que las operaciones del modelo de Nvidia pueden expresarse mediante cómputo portátil en navegador. Aún no ha demostrado que el resultado tenga licencia, sea completo, reproducible de forma independiente o adecuado para uso en tiempo real.
Tres Señales Decidirán si la Demostración Importa
La importancia del proyecto depende ahora de la inspección del código, los benchmarks entre proveedores y un caso de uso creíble que se beneficie más de la portabilidad que de la velocidad.
La primera señal es la prometida publicación del código fuente. Un repositorio público permitiría a los desarrolladores gráficos inspeccionar los shaders de cómputo de WebGPU y rastrear la canalización de procesamiento. También revelaría si el paquete de pesos de 147MB está incluido, se descarga por separado o se convierte antes de utilizarse.
Una publicación completa y reproducible reforzaría la afirmación de portabilidad. Los desarrolladores independientes deberían poder compilar el proyecto, ejecutar las mismas escenas y obtener resultados comparables. Una publicación parcial que omita componentes esenciales del modelo dejaría la afirmación central dependiente de la página alojada por MAAN.
El estatus legal del repositorio importará junto con su contenido técnico. Una retirada, publicación restringida o eliminación de los pesos debilitaría el valor del proyecto como implementación reutilizable. No borraría la demostración, pero limitaría la validación posterior.
La segunda señal son los benchmarks estructurados entre proveedores de hardware. Los revisores deberían medir Apple Silicon, AMD Radeon, Intel Arc, gráficos integrados y varias generaciones de RTX. Cada prueba debería separar el tiempo de descarga, la compilación de shaders, el primer renderizado, los renderizados posteriores, el uso de memoria y la resolución de salida.
Estas mediciones mostrarán si el resultado de dos segundos es un problema temporal de implementación o una limitación más profunda. Una gran mejora de velocidad tras optimizar los shaders reforzaría el caso del renderizado neuronal en navegador. Un rendimiento plano entre versiones optimizadas orientaría el proyecto hacia las previsualizaciones sin conexión.
Las mediciones de calidad deberían acompañar a la velocidad. Un port rápido que pierda detalle de materiales o altere la geometría no sería equivalente al sistema previsto. Las imágenes lado a lado necesitan entradas coherentes e inspección minuciosa para detectar inestabilidad temporal, errores de textura y artefactos de iluminación.
La tercera señal es la adopción fuera de las demostraciones de novedad. Las previsualizaciones arquitectónicas, los catálogos de productos digitales, las revisiones de personajes y la colaboración 3D basada en navegador toleran más latencia que los juegos competitivos. También se benefician de enviar a los usuarios un enlace en lugar de exigir una instalación nativa.
Una aplicación real necesitaría más que un filtro impresionante. Necesitaría salida reproducible, derechos claros sobre el modelo, compatibilidad predecible con los navegadores y un manejo seguro de los activos de los clientes. La actual demostración de Nvidia DLSS 5 en navegador no ha establecido estas propiedades.
La respuesta de Nvidia aportará contexto de apoyo. La empresa podría ignorar el experimento, cuestionar su uso de activos filtrados o ampliar el acceso oficial a más hardware. Nvidia ya ha dicho que llegará el soporte para la serie RTX 40, según los informes originales, lo que reduce una razón para las soluciones alternativas no oficiales.
La propia hoja de ruta de la empresa también podría reforzar la especialización. Si las futuras versiones de DLSS dependen más de operaciones específicas de hardware, los ports para navegador podrían seguir siendo posibles, pero cada vez más lentos. Si las arquitecturas de los modelos se vuelven más fáciles de expresar mediante shaders comunes, los experimentos portátiles deberían mejorar.
Para los desarrolladores, la lección inmediata no es sustituir DLSS nativo por WebGPU. Es observar la frontera entre los modelos de IA propietarios y la inferencia local estandarizada. El propietario del modelo controla el entrenamiento y la distribución oficial, mientras que las API de cómputo portátiles pueden reducir el control sobre dónde se ejecutan las cargas de trabajo expuestas.
Para los usuarios, la demostración ofrece una rara visión de esa frontera. Según se informa, un renderizador neuronal asociado a una familia de GPU se ejecuta mediante un navegador en varios tipos de hardware. Sin embargo, la experiencia sacrifica la velocidad que hace útil a DLSS dentro de un juego.
Esta compensación hace que merezca la pena seguir el proyecto sin exagerar su importancia. Si el código se vuelve reproducible, mejoran los benchmarks y lo adopta un flujo de trabajo legítimo ajeno a los juegos, el experimento apuntará hacia gráficos neuronales independientes del proveedor. Si esas señales no aparecen, seguirá siendo una demostración ingeniosa construida alrededor de datos de modelo filtrados.
Prueba la demostración de Nvidia DLSS 5 en navegador solo con activos no sensibles, registra los detalles de tu navegador y hardware, y compara la salida en lugar de confiar únicamente en la compatibilidad. La pregunta decisiva ya no es si una imagen procesada puede aparecer en un Mac. Es si una implementación de WebGPU abierta, legal y repetible puede ofrecer calidad útil antes de que el tiempo de espera supere el valor de su mayor alcance.
