Monolith 1.0: el fals gegant d’IA que va inflar un model de 7B

Monolith 1.0 es va presentar com un model xinès obert d’1,57 bilions de paràmetres capaç de superar GPT‑5.6 Sol, Claude Mythos i altres sistemes de frontera. El vídeo de Codedigipt, publicat mentre l’anunci encara circulava, prova el xat i considera plausibles els resultats extraordinaris.

Pocs dies després, la mateixa pàgina de Hugging Face va revelar que era un experiment: els pesos publicats eren una versió inflada d’un model derivat de Qwen 2.5 7B Instruct i es van retirar. Per tant, aquest cas ja no és una notícia sobre un model revolucionari, sinó un exemple de com una web, un informe i una taula de benchmarks poden fabricar credibilitat.

1. Les promeses que van captar l’atenció

A 00:04, el creador obre la pàgina de Monolith 1.0 i repassa afirmacions espectaculars: més rendiment que GPT‑5.6 Sol i Claude Mythos, puntuacions properes al sostre en proves de raonament i pesos disponibles públicament.

La fitxa atribuïa al model:

• 1,57 bilions de paràmetres totals;
• uns 49.500 milions de paràmetres actius per token;
• 128 experts en una arquitectura mixture of experts;
• un context d’un milió de tokens;
• coneixement fins al desembre de 2025;
• especialització en matemàtiques, ciència i anàlisi llarga.

Les xifres semblaven tècnicament detallades i anaven acompanyades d’un web corporatiu, un suposat informe i un repositori. Precisament aquesta combinació feia que l’anunci semblés més sòlid que una simple publicació a les xarxes.

2. La prova del vídeo era massa petita

El xat gratuït limitava les consultes i tallava les respostes. A 00:57, Codedigipt hi introdueix un problema de probabilitat que ja coneix amb resposta “no” i probabilitat d’un terç. Monolith arriba a la mateixa conclusió després de diverses continuacions.

El creador interpreta els passos visibles com una mostra de gran raonament i atribueix els talls a la interfície. En una segona qüestió, el sistema consumeix el límit abans de donar una resposta definitiva, però el vídeo torna a valorar positivament el procés.

Això no permet verificar el model. Una única pregunta amb resposta coneguda no mesura robustesa, i un text que sembla una cadena de pensament no demostra quins càlculs interns ha fet el sistema. Tampoc s’inspecciona l’API, el maquinari, el model que serveix el web ni una execució local dels suposats pesos.

3. Uns benchmarks que exigien molt més escepticisme

A 03:40, el vídeo considera que les victòries sobre els models comercials “poden ser certes” perquè Monolith estaria especialitzat en raonament, mentre els rivals tindrien altres prioritats.

La magnitud dels resultats, però, era un senyal d’alerta. La promoció atribuïa a Monolith un 99,4% a Humanity’s Last Exam i un 100% a AIME 2025, amb diferències enormes respecte de laboratoris que disposen d’infraestructura, equips i pressupostos molt superiors. Un salt així requeria:

• un mètode d’avaluació reproduïble;
• prompts, configuració i nombre d’intents;
• comprovació de contaminació de les preguntes;
• pesos descarregables i executables;
• resultats independents;
• identitat i trajectòria verificables del laboratori.

La taula de l’empresa no podia validar-se a si mateixa. Com més extraordinari és un resultat, més important és que un tercer el pugui reproduir.

4. Què diu ara el repositori

La pàgina actual de basaltlabsai/monolith-1.0 a Hugging Face ja no sosté la història original. Afirma que “l’experiment ha conclòs” i explica que el model destinat al públic era una versió artificialment inflada d’un derivat de Qwen 2.5 7B Instruct. També diu que els aproximadament 3 TB de pesos es van retirar perquè superaven els límits gratuïts de Hugging Face i no aportaven valor.

Aquesta admissió invalida les dades centrals que repeteix el vídeo. Un fitxer enorme pot estar ple de tensors duplicats o material inútil; la mida no certifica una arquitectura d’1,57 bilions de paràmetres ni l’entrenament que s’anuncia.

El repositori enllaça ara a un vídeo d’explicació del mateix responsable. Encara que els autors ho defineixin com un experiment, la presentació inicial va imitar els senyals d’un llançament real i va aconseguir que creadors i agregadors difonguessin afirmacions no verificades.

5. “Obert” no significa automàticament auditable

A 02:24, Codedigipt llegeix les especificacions de la fitxa com si fossin propietats comprovades. El cas mostra per què un enllaç a Hugging Face no és suficient.

Per auditar de debò uns pesos cal comprovar-ne l’estructura, el tokenizer, la configuració, la llicència, els hashes i si un motor conegut els pot carregar. També cal verificar que el servei de xat utilitza exactament aquell artefacte. Una demostració allotjada pot executar qualsevol altre model al servidor.

Abans de publicar una comparació, és útil buscar activitat anterior del laboratori, autors identificables, un informe coherent i referències independents. Si no existeixen, el titular correcte és “afirma superar”, mai “supera”.

Conclusions

El vídeo documenta bé com Monolith 1.0 es veia durant les primeres hores: una marca aparentment professional, especificacions detallades, accés gratuït i respostes que semblaven convincents. El seu error és convertir aquests indicis en confiança sense una verificació mínima.

Avui sabem, per l’admissió del mateix repositori, que no era el model d’1,57 bilions de paràmetres anunciat. Els pesos eren una inflació d’un model molt més petit i els benchmarks no acreditaven una nova frontera de la IA. La lliçó duradora és clara: una taula espectacular i una demo funcional no substitueixen la reproducció independent.