OpenAI GPT-6 Astra Ultrafast enfrenta a las GPU de NVIDIA a la brecha de velocidad de inferencia

OpenAI GPT-6 Astra Ultrafast ya funciona con GPU NVIDIA Blackwell, con una generación de tokens que, según se afirma, es hasta ocho veces más rápida que Astra Standard. El nuevo servicio está disponible a través de la API de OpenAI y para usuarios elegibles de ChatGPT Work y Codex. Su llegada convierte la velocidad de inferencia de un detalle de referencia en una decisión de producto.

El lanzamiento también plantea una prueba importante para NVIDIA. Los sistemas de inferencia especializados han desafiado a las GPU convencionales al prometer menor latencia mediante hardware diseñado en torno al servicio de modelos. Astra Ultrafast sostiene que las GPU programables pueden responder a ese desafío mediante una optimización coordinada de hardware y software.

Ese argumento sigue incompleto. NVIDIA y OpenAI han divulgado una afirmación de velocidad relativa, pero no una comparación pública detallada entre prompts, cargas de trabajo, niveles de concurrencia o tiempos completos de las tareas. Los desarrolladores deben determinar si una salida más rápida reduce de forma significativa sus flujos de trabajo una vez que se incluyen el razonamiento, las redes, las herramientas y la validación.

OpenAI GPT-6 Astra Ultrafast cambia dónde esperan los desarrolladores

El lanzamiento reduce una fuente visible de demora, pero su valor real depende de todo el ciclo del agente.

Según el relato del lanzamiento de NVIDIA, Astra Ultrafast funciona con GPU Blackwell y ofrece una generación de tokens hasta ocho veces más rápida que el modo Standard. OpenAI lo presenta como un nivel de servicio, no como un modelo independiente. Los desarrolladores seleccionan GPT-6 Astra y solicitan Ultrafast al crear una respuesta.

Esta distinción importa. OpenAI no presenta Ultrafast como un modelo más pequeño que intercambia capacidad por velocidad. Lo presenta como una forma más rápida de servir Astra, su modelo para programación, investigación, análisis y trabajo de varios pasos exigentes.

La generación de tokens mide la rapidez con la que un modelo produce salida una vez que comienza la generación. No representa cada parte de la espera del usuario. Una solicitud también puede incluir tránsito de red, espera en cola, procesamiento del prompt, razonamiento interno, ejecución de herramientas y validación del lado de la aplicación.

La mejora más inmediata debería aparecer durante respuestas largas y visibles. Un agente de programación que produce un parche, un plan de migración o una revisión detallada puede dedicar un tiempo considerable a emitir tokens. Una generación más rápida comprime esa parte de la tarea.

La documentación de Ultrafast de OpenAI recomienda WebSockets para aplicaciones agénticas que realizan llamadas repetidas a herramientas. Un WebSocket mantiene una conexión persistente entre la aplicación y el servicio. Esto reduce la sobrecarga de conexiones repetidas durante una sesión de varios pasos.

La recomendación revela la carga de trabajo prevista. Ultrafast no busca únicamente hacer que un chatbot escriba más rápido. Se dirige a sistemas que generan una acción, llaman a una herramienta, inspeccionan el resultado y continúan durante varios ciclos.

Pensemos en un agente que modifica un repositorio. Podría inspeccionar archivos, proponer una edición, aplicar el cambio, ejecutar pruebas, leer los fallos y revisar el parche. La generación de salida aparece repetidamente entre operaciones externas.

Ahorrar varios segundos durante cada turno del modelo puede acumularse a lo largo de esa secuencia. El desarrollador también recibe comentarios antes, lo que permite intervenir con mayor rapidez cuando el agente elige la dirección equivocada.

La misma lógica se aplica a la investigación interactiva. Un agente puede buscar, abrir documentos, comparar evidencias y redactar una respuesta mediante varias llamadas al modelo. Una menor latencia de generación puede hacer que el flujo de trabajo se sienta menos como un trabajo en cola y más como una colaboración activa.

Aun así, una generación de tokens ocho veces más rápida no significa que cada tarea termine ocho veces antes. Una suite de pruebas lenta seguirá siendo lenta. Una API congestionada seguirá limitada por la capacidad. Una fase de razonamiento prolongada puede dominar incluso cuando la salida visible llega rápidamente.

Por tanto, la pregunta útil es más acotada. Los desarrolladores deben medir qué parte de cada flujo de trabajo corresponde actualmente a la generación de salida. Ultrafast cambia esa porción, mientras que el resto del sistema establece la ganancia práctica máxima.

La ventaja de Blackwell proviene de la inferencia programable

NVIDIA y OpenAI tratan la optimización de inferencia como un proceso continuo de software, no como una propiedad fija del hardware desplegado.

La inferencia es el proceso que convierte un modelo entrenado y una solicitud de usuario en una respuesta. Depende de mucho más que de la capacidad de cómputo anunciada de un chip. El movimiento de memoria, los formatos numéricos, el procesamiento por lotes, la planificación y los kernels especializados afectan al rendimiento.

Un kernel es un pequeño programa que realiza una operación específica en un acelerador. El servicio de modelos utiliza muchos kernels para operaciones como la multiplicación de matrices, la atención y el movimiento de datos. Su diseño influye en la eficacia con la que la aplicación utiliza el hardware subyacente.

OpenAI afirma que sus modelos internos ayudaron a optimizar el software de inferencia que funciona en las GPU de NVIDIA. El relato de NVIDIA describe esto como un trabajo continuo que prueba e implementa mejoras después del despliegue. Por tanto, las empresas utilizan modelos de IA para mejorar los sistemas que sirven esos modelos.

Philippe Tillet, responsable de inferencia de OpenAI, afirmó que Astra puede aprovechar el conocimiento de las herramientas de NVIDIA para generar kernels de alto rendimiento para las GPU Blackwell y Rubin. El punto importante no es el lenguaje promocional en torno a esos chips. Es el ciclo de optimización propuesto.

OpenAI puede identificar un cuello de botella de rendimiento, utilizar modelos para desarrollar o refinar un kernel, probar ese cambio e implementar las mejoras exitosas. Una plataforma programable permite que la pila de servicio evolucione sin reemplazar la flota de aceleradores instalada.

Este enfoque ofrece a NVIDIA una defensa práctica frente al hardware de inferencia especializado. Los sistemas diseñados para un fin concreto pueden ganar velocidad al limitar su arquitectura al servicio de modelos. Las GPU responden con una pila de software más amplia y la capacidad de adaptarse a cargas de trabajo cambiantes.

Esa flexibilidad también importa porque los modelos de frontera no permanecen estables. Nuevas arquitecturas, longitudes de contexto, métodos de razonamiento y formatos numéricos pueden cambiar sus exigencias computacionales. Una infraestructura optimizada para un patrón fijo puede perder su ventaja cuando esos patrones cambian.

Por tanto, el papel de Blackwell es más amplio que el rendimiento bruto de tokens. OpenAI puede utilizar la misma plataforma general para entrenamiento, inferencia y aprendizaje por refuerzo. La capacidad puede desplazarse entre cargas de trabajo a medida que cambia la demanda, aunque la flexibilidad real depende de cada despliegue.

Esto no vuelve irrelevante al hardware especializado. Enmarca la competencia en torno a dos rutas distintas hacia una baja latencia. Una ruta construye sistemas dedicados que eliminan los cuellos de botella habituales de inferencia. La otra combina aceleradores ampliamente programables con una optimización agresiva de software.

La anterior alianza con Cerebras de OpenAI mostró su disposición a adoptar la primera ruta. Ese acuerdo introdujo capacidad de latencia ultrabaja basada en procesadores a escala de oblea, que mantienen juntos recursos sustanciales de cómputo y memoria.

Astra Ultrafast muestra que OpenAI persigue simultáneamente la segunda ruta. Las GPU de NVIDIA siguen siendo centrales para servir un modelo insignia, mientras las mejoras de software buscan reducir la ventaja de latencia asociada a los sistemas especializados.

La señal estratégica es clara. OpenAI no quiere que sus experiencias más rápidas queden vinculadas a una sola arquitectura de hardware. Está construyendo una cartera en la que distintos aceleradores pueden respaldar diferentes modelos, necesidades de capacidad y objetivos de latencia.

La verdadera competencia es entre programabilidad e inferencia especializada

Astra Ultrafast presiona a los proveedores de inferencia especializada al sostener que las GPU pueden volverse drásticamente más rápidas sin renunciar a su utilidad más amplia.

Los especialistas en inferencia han basado su propuesta en una generación de tokens predecible y de baja latencia. Sus sistemas suelen reducir el movimiento de memoria y la comunicación distribuida que pueden ralentizar los modelos grandes en clústeres convencionales. La velocidad se convierte en una característica arquitectónica, no en un proyecto de optimización.

Cerebras pasó a formar parte de la estrategia de OpenAI mediante un gran acuerdo de despliegue anunciado en enero de 2026. OpenAI afirmó que esa alianza añadiría una capacidad sustancial de latencia ultrabaja durante varios años. Más tarde utilizó hardware de Cerebras para una vista previa Ultrafast de GPT-5.6 Sol.

Ese historial crea la tensión central en torno a Astra. OpenAI asoció anteriormente el rendimiento Ultrafast con infraestructura de inferencia especializada. Ahora aplica el mismo concepto de servicio a su modelo insignia en GPU NVIDIA Blackwell.

Los dos despliegues no son directamente comparables a partir de las cifras divulgadas. OpenAI describió distintos modelos, múltiplos de velocidad y condiciones de disponibilidad. El tamaño y la arquitectura del modelo, el comportamiento de razonamiento, la longitud de salida y la configuración de servicio pueden afectar al rendimiento.

Aun así, el cambio amplía la posición competitiva de NVIDIA. Blackwell no se presenta únicamente como la plataforma que entrena modelos avanzados. También se presenta como una plataforma para inferencia de producción altamente receptiva.

Esto importa porque la inferencia representa una proporción mayor de la demanda de cómputo a medida que más personas utilizan modelos desplegados. El entrenamiento crea un modelo durante un período acotado. La inferencia consume recursos cada vez que ese modelo responde a una solicitud o realiza una acción.

Las aplicaciones agénticas pueden amplificar esa demanda. Una respuesta de chat convencional puede requerir un turno de modelo. Un agente podría necesitar decenas de turnos mientras navega por archivos, herramientas, navegadores y sistemas externos.

Cada turno crea otra decisión de latencia y capacidad. Los proveedores deben equilibrar tiempo de respuesta, rendimiento, fiabilidad y consumo de recursos. El hardware que atiende rápidamente a un usuario puede no ofrecer la misma experiencia bajo una fuerte demanda concurrente.

La ventaja de NVIDIA es su base instalada y su entorno de desarrollo maduro. Los equipos ya utilizan su software y hardware durante el desarrollo y el despliegue de modelos. Las nuevas mejoras de inferencia pueden llegar mediante cambios de software dentro de ese entorno establecido.

Los proveedores especializados tienen una ventaja diferente. Sus arquitecturas pueden dirigirse a cuellos de botella particulares sin conservar todas las funciones de propósito general. Ese enfoque puede producir resultados de rendimiento llamativos para los modelos compatibles.

OpenAI se beneficia de mantener activas ambas opciones. La competencia entre proveedores de aceleradores puede mejorar la capacidad, la resiliencia y el poder de negociación. También permite a OpenAI adaptar el hardware a un modelo en lugar de comprometer cada carga de trabajo con un solo sistema.

Los desarrolladores no deberían interpretar Astra Ultrafast como una prueba de que el debate sobre el hardware está resuelto. Muestra que las GPU optimizadas siguen siendo creíbles en la competencia por la baja latencia. No establece una superioridad universal entre modelos o condiciones de despliegue.

La comparación también va más allá del máximo de tokens por segundo. A las empresas les importan la disponibilidad, el procesamiento regional, los límites de tasa, los controles de datos, la fiabilidad operativa y un rendimiento predecible. Una referencia más rápida importa menos cuando la capacidad necesaria no está disponible.

La guía de GPT-6 de OpenAI posiciona a Astra como la opción de mayor capacidad para el trabajo exigente. La cuestión de infraestructura es si los proveedores pueden hacer que esa capacidad responda lo bastante rápido para un uso frecuente e interactivo.

Astra Ultrafast es hasta ahora la respuesta más contundente de NVIDIA. Ahora, esa respuesta necesita evidencia independiente de cargas de trabajo.

Los tokens más rápidos no garantizan un trabajo terminado más rápido

La afirmación de ocho veces debe ser un punto de partida para las pruebas, no un sustituto de las mediciones de extremo a extremo.

La expresión “hasta” identifica la mejor mejora observada, no un resultado universal. OpenAI y NVIDIA no han publicado una distribución que muestre cómo cambia la aceleración según los tipos de solicitudes. Tampoco han divulgado los prompts de referencia detrás de la cifra principal.

Esa omisión no invalida la afirmación. Limita lo que los desarrolladores pueden deducir de ella. Un máximo relativo no puede predecir la mejora para una aplicación de producción concreta.

El tiempo hasta el primer token es una medida ausente. Registra cuánto espera un usuario antes de que comience la salida. Un modelo puede generar rápidamente los tokens posteriores y aun así tardar bastante en procesar un prompt o completar su razonamiento interno.

La duración total de la tarea es otra medida ausente. Para un agente, el éxito significa completar correctamente la operación solicitada. Eso incluye llamadas a herramientas, reintentos, pruebas, aprobaciones y validación final.

El rendimiento bajo concurrencia también importa. Un servicio puede ofrecer una velocidad excepcional para una solicitud, pero ralentizarse a medida que aumenta la demanda simultánea. Los equipos de producción deberían probar tráfico representativo en lugar de depender de una demostración aislada.

La calidad necesita una verificación independiente. Dado que Ultrafast se describe como un nivel de servicio para Astra, la capacidad esperada debería seguir vinculada al mismo modelo. Los desarrolladores deberían comparar igualmente los resultados para sus propias tareas y configuraciones.

Los ajustes de razonamiento pueden complicar esa comparación. Un mayor razonamiento puede aumentar el tiempo antes de que aparezca una salida visible y cambiar el uso de recursos. Una generación más rápida no puede eliminar la latencia propia de un proceso de razonamiento más largo.

El diseño de red introduce otro límite. La recomendación de OpenAI sobre WebSocket implica que la sobrecarga de conexión puede consumir parte de la ganancia. Las aplicaciones que usan solicitudes convencionales repetidas pueden experimentar una mejora menor durante sesiones de agentes con múltiples turnos.

Las herramientas externas pueden dominar la línea temporal. Las consultas a bases de datos, los servicios web, las acciones del navegador, las compilaciones y las suites de pruebas operan fuera del flujo de tokens del modelo. Sus demoras no cambian a menos que se optimice la aplicación en sentido amplio.

Los desarrolladores deberían comenzar con una traza del flujo de trabajo actual. Cada traza debería separar el procesamiento del prompt, la demora hasta el primer token, la generación de salida, la ejecución de herramientas y la validación de la aplicación. Ese desglose revela si Ultrafast aborda el cuello de botella real.

Un benchmark de programación debería incluir trabajo representativo de un repositorio, en lugar de generación de texto sintético. El agente debería inspeccionar una base de código, realizar un cambio, ejecutar pruebas y responder a los fallos. Así, los equipos pueden medir tanto el tiempo de finalización como la salida aceptada.

Las aplicaciones interactivas necesitan una prueba distinta. Deberían medir el inicio de la respuesta, la consistencia del streaming, el manejo de interrupciones y la demora entre los resultados de las herramientas y la siguiente acción del modelo. La latencia de cola importa porque las respuestas ocasionalmente lentas pueden perjudicar la experiencia.

Los equipos también deberían vigilar el consumo. Una interacción más rápida puede fomentar sesiones más largas y más turnos de agente. Una menor demora por respuesta no produce automáticamente un menor uso de recursos por tarea completada.

Las condiciones de acceso merecen atención. OpenAI afirma que los usuarios de API pueden acceder a Astra Ultrafast con límites de tasa iniciales, mientras que los límites superiores dependen de los acuerdos de cuenta. El acceso a Work y Codex también depende de la elegibilidad y de los controles del espacio de trabajo.

La compatibilidad regional introduce otra restricción. La documentación de la API indica que Ultrafast admite residencia de datos en Estados Unidos y procesamiento global. No admite todas las configuraciones regionales de procesamiento en el lanzamiento.

Estas limitaciones hacen que el primer despliegue sea selectivo. OpenAI está exponiendo la tecnología de forma lo bastante amplia para realizar pruebas, pero el uso a escala de producción aún depende de la capacidad, la gobernanza y el ajuste con la carga de trabajo.

La conclusión más segura es específica. NVIDIA Blackwell puede servir Astra con una generación de tokens sustancialmente más rápida bajo las condiciones medidas por OpenAI. La evidencia pública aún no cuantifica la mejora para cada flujo de trabajo completo de desarrollo.

Los flujos de trabajo con agentes tienen más que ganar que el chat convencional

Ultrafast importa más cuando un flujo de trabajo devuelve repetidamente el control al modelo y cada pausa interrumpe el progreso útil.

El chat de formato largo se beneficia de un streaming más rápido, pero una sola respuesta contiene solo un ciclo de generación. Los sistemas de agentes multiplican ese ciclo. Llaman al modelo cada vez que deben interpretar un resultado, elegir una acción o revisar un plan.

La programación ofrece el ejemplo más claro. Un agente puede leer un repositorio, formular un plan, modificar varios archivos, ejecutar comandos e interpretar la salida de las pruebas. Cada transición del resultado de una herramienta a una decisión del modelo añade demora.

Cuando la generación se vuelve más rápida, el agente puede iniciar antes la siguiente acción externa. Esto puede reducir el tiempo inactivo entre pruebas y ediciones. También permite al desarrollador inspeccionar antes el progreso parcial.

El beneficio no es solo comodidad. Ciclos de retroalimentación más cortos pueden cambiar la forma en que las personas usan un agente. Un desarrollador puede mantenerse involucrado en una tarea que responde rápido, mientras que enviaría un trabajo más lento para su finalización asíncrona.

Esa diferencia da forma al diseño del producto. Los agentes receptivos pueden mostrar decisiones intermedias e invitar a correcciones rápidas. Los sistemas más lentos suelen ocultar más trabajo detrás de una única operación prolongada.

Los agentes de investigación tienen ciclos similares. Buscan evidencia, inspeccionan fuentes, comparan afirmaciones y elaboran una respuesta. Una generación más rápida puede reducir las pausas entre esos pasos, especialmente cuando el sistema usa conexiones persistentes.

Los flujos de trabajo empresariales también pueden beneficiarse. Un agente que revisa documentos puede extraer hechos, consultar un sistema conectado y generar un informe revisado. La ganancia se vuelve significativa cuando la secuencia contiene muchas decisiones del modelo.

Sin embargo, la velocidad eleva las expectativas. Los usuarios toleran menos pausas cuando un producto anuncia respuestas casi inmediatas. Cualquier demora restante procedente de herramientas, permisos o diseño de la aplicación se vuelve más perceptible.

Los turnos de modelo más rápidos pueden exponer una orquestación deficiente. Un agente puede generar acciones rápidamente y aun así repetir pasos innecesarios. También puede producir una salida intermedia extensa que consume capacidad sin mejorar el resultado.

Los desarrolladores deberían optimizar el flujo de trabajo junto con el nivel del modelo. Los prompts deberían solicitar decisiones concisas sobre herramientas cuando corresponda. Las aplicaciones deberían evitar enviar contexto innecesario en cada turno y almacenar en caché de forma segura la información estable.

El sistema también debería admitir interrupciones. Cuando los tokens llegan rápido, los usuarios necesitan una forma práctica de detener una ruta incorrecta antes de que el agente active acciones adicionales. Una menor latencia debería mejorar el control, no limitarse a aumentar la actividad.

La verificación sigue siendo esencial. Un agente de programación que llega antes a una respuesta errónea no ha aumentado la productividad. Las pruebas, las puertas de revisión y los permisos acotados siguen determinando si el trabajo resultante es fiable.

Aquí es donde el acceso al conocimiento también afecta al rendimiento. Los agentes pierden tiempo cuando deben redescubrir decisiones de arquitectura, procedimientos operativos o restricciones del proyecto. Una base de conocimiento de ingeniería con capacidad de búsqueda puede reducir ese trabajo de descubrimiento repetido.

Por tanto, una evaluación útil debería medir resultados aceptados. Los equipos pueden seguir el tiempo hasta que esté listo un parche revisado, un informe de investigación validado o un documento aprobado. La velocidad de los tokens debe formar parte de esa medición, no situarse por encima de ella.

Astra Ultrafast refuerza el argumento a favor de los agentes interactivos, pero también hace más difícil ignorar un diseño deficiente del flujo de trabajo. Cuando la salida del modelo deja de ser la demora principal, las herramientas y la orquestación se convierten en la siguiente frontera del rendimiento.

Tres señales mostrarán si la afirmación de velocidad de NVIDIA se sostiene

La siguiente fase debería juzgarse mediante datos independientes de latencia, disponibilidad en producción y la respuesta de proveedores especializados de aceleradores.

La primera señal es el benchmarking a nivel de carga de trabajo. Los desarrolladores necesitan mediciones que separen el tiempo hasta el primer token, la velocidad de generación, la duración total de la tarea y la finalización exitosa. Los resultados deberían incluir agentes de programación, investigación intensiva en herramientas y aplicaciones interactivas.

Estas pruebas deberían comparar Astra Standard y Ultrafast con los mismos prompts y ajustes de razonamiento. También deberían informar la longitud de salida, la concurrencia, los errores y los reintentos. Sin esos controles, una sola cifra de velocidad puede inducir a error.

Si las pruebas independientes muestran grandes reducciones en el tiempo de tareas completadas, el argumento de NVIDIA se vuelve más sólido. Eso demostraría que la optimización de Blackwell afecta al flujo de trabajo, no solo al flujo visible de tokens.

Si las ganancias se reducen después de incluir las herramientas y el razonamiento, Ultrafast seguirá siendo útil, pero más limitado. Funcionaría principalmente como una opción prémium de capacidad de respuesta para tareas con alta generación.

La segunda señal es el acceso sostenido. Los límites de tasa iniciales y la expansión basada en cuentas pueden restringir la adopción en producción. OpenAI debe demostrar que puede ofrecer el nivel más rápido de forma consistente a medida que más desarrolladores lo prueben.

La disponibilidad debería evaluarse durante la demanda máxima, no solo en pruebas controladas. La latencia de cola, el comportamiento de los límites de tasa y la fiabilidad del servicio determinarán si los equipos pueden crear experiencias fiables en torno a este nivel.

La expansión regional proporcionará otro indicador. Una compatibilidad de procesamiento más amplia haría que Ultrafast fuera relevante para organizaciones con requisitos más estrictos sobre la ubicación de los datos. Una presencia regional limitada restringirá algunos despliegues empresariales.

La tercera señal es la respuesta competitiva. Cerebras y otros especialistas en inferencia han construido su identidad en torno a una velocidad de servicio excepcional. El despliegue de Astra por parte de NVIDIA cuestiona directamente la idea de que las plataformas convencionales de GPU deban seguir siendo más lentas.

Una respuesta podría adoptar la forma de un modelo de frontera compatible más rápido, mayor capacidad o benchmarks de extremo a extremo más sólidos. También podría enfatizar la eficiencia y el rendimiento predecible en lugar de la generación máxima de tokens.

Las decisiones de asignación de OpenAI serán especialmente reveladoras. La empresa ahora mantiene relaciones que abarcan GPUs de NVIDIA y sistemas especializados de inferencia. Las futuras ubicaciones de modelos mostrarán qué cargas de trabajo favorecen cada arquitectura.

El historial de lanzamientos de la empresa también merece atención. Los cambios en elegibilidad, integración de productos y compatibilidad de modelos pueden indicar si Ultrafast se está convirtiendo en un modo operativo estándar o si sigue siendo selectivo.

Para los desarrolladores, la acción inmediata es sencilla. Prueben Astra Ultrafast en un flujo de trabajo completo y repetible, con trazas de producción existentes. Midan los resultados aceptados, no solo la velocidad de escritura.

Para los compradores empresariales, la decisión exige una visión más amplia. Pregunten si el nivel más rápido cumple los requisitos de residencia, gobernanza, capacidad y fiabilidad. Una demostración convincente no puede sustituir esas comprobaciones operativas.

Para NVIDIA, la afirmación más amplia aún se está poniendo a prueba. La programabilidad de Blackwell permite a OpenAI seguir optimizando la inferencia después del despliegue, lo que puede ampliar el rendimiento útil de la infraestructura instalada.

Para las empresas de aceleradores especializados, la presión es igual de directa. Deben demostrar ventajas que sigan siendo visibles después de que el software de GPU se ponga al día y de que las tareas completas reemplacen al rendimiento de tokens como referencia.

OpenAI GPT-6 Astra Ultrafast hace más fácil ver la competencia en inferencia. El ganador no se determinará por un único multiplicador máximo. Se determinará por qué plataforma hace que los agentes capaces terminen trabajo real de forma consistentemente más rápida.