LG K-EXAONE 2.5: API gratuita, afirmación del 70 por ciento

LG no lanzó un modelo el 9 de noviembre. Abrió una puerta. K-EXAONE 2.5, la versión más nueva del modelo fundacional propio de LG AI Research, es ahora alcanzable por cualquiera que pida una clave API y LG no cobra nada por él. El argumento se sienta en una cifra: LG dice que el modelo mejoró más del 70 por ciento en unas ocho semanas.

Esa cifra merece respeto y sospecha en partes iguales. El modelo que describe es grande, las puntuaciones de agente que LG publicó están genuinamente cerca de dos rivales chinos fuertes y el precio ahora mismo es cero. Las puntuaciones también son todas de LG. Esta reseña separa lo documentado de lo afirmado, para que puedas decidir si gastar una tarde probándolo o esperar prueba externa.

Qué es

K-EXAONE 2.5 es un modelo de validación de tecnología, en la propia redacción de LG. Esa frase importa. LG tomó K-EXAONE 2.0, el modelo que lanzó en agosto, y le aplicó más entrenamiento. El laboratorio dice que el punto era probar un método nuevo de entrenamiento y demostrar que el modelo existente todavía tenía grandes ganancias dentro. Los resultados, buenos o malos, alimentan ahora el tercer modelo, que LG pretende terminar a lo que llama nivel de frontera hacia enero de 2027.

Un modelo fundacional es el sistema base sobre el que otros productos construyen. K-EXAONE es la entrada de IA soberana de Corea en esa carrera, desarrollado bajo el programa nacional de modelos fundacionales, y cubrimos el impulso coreano más amplio en nuestro informe sobre Nvidia, Rebellions y SK Telecom construyendo IA soberana coreana. La versión 2.5 no es una base nueva. Es un informe de progreso al que puedes llamar mediante una API.

El anuncio aterrizó en el NVIDIA AI Day Seoul 2026, celebrado en COEX en Seúl el 9 de noviembre. LG también dijo que está revisando NVIDIA Dynamo, un sistema de servicio para la inferencia de modelos, para mejorar la velocidad y la escala. Revisando es la palabra operativa. LG no ha dicho que Dynamo corra esta API hoy.

Funciones y especificaciones

La forma del modelo cambió menos que sus puntuaciones. El tamaño total se queda en 750 mil millones de parámetros, la misma cifra principal que el modelo de agosto. Los parámetros activos, la porción del modelo que trabaja en cada token, se listan en 31 mil millones en la documentación del modelo de la plataforma, por debajo de los 37 mil millones listados para la versión 2.0. El contexto, la cantidad de texto que el modelo puede mantener en mente a la vez, se duplicó: 512K tokens frente a 262,144 tokens en la versión 2.0. Un token es una pieza pequeña de texto, aproximadamente una palabra corta o parte de una.

Dos detalles de especificación son fáciles de perder y merecen una pausa. Primero, la lista de idiomas se encogió. La versión 2.0 soporta diez idiomas y se envía como pesos abiertos bajo Apache 2.0 en Hugging Face. La documentación de la API de la versión 2.5 lista solo coreano e inglés. Eso puede reflejar el alcance de la validación y no un límite del modelo, pero la documentación es en lo que un desarrollador puede confiar y nombra dos idiomas.

Segundo, el control de razonamiento está expuesto y no oculto. El ajuste reasoning_effort dice al modelo cuánto tiempo pensar antes de responder y un ajuste separado puede trasladar el razonamiento anterior a turnos posteriores de una conversación. Las herramientas de agente viven o mueren por detalles como ese, porque un ciclo de agente envía muchos turnos de ida y vuelta mientras las herramientas corren entre ellos. La guía de agentes de LG, según la cobertura publicada de la documentación, incluye configuraciones para el agente Hermes y el agente de código OpenCode. Los lectores que corren esas herramientas pueden querer nuestra guía de configuración de Hermes y nuestro vistazo a ejecutar OpenCode con otros agentes de código antes de cambiar un modelo.

Experiencia en el mundo real

Esta es una reseña de investigación. Dirty Static no tuvo una clave API ni ejecutó este modelo antes de la publicación y nada de lo siguiente finge lo contrario. Lo que sigue se basa en el anuncio de LG, la documentación de la plataforma según lo reportado el día del lanzamiento y la tabla de benchmarks que la propia LG publicó.

La prueba que un desarrollador ordinario ejecutará es simple. El endpoint habla el formato de chat completions de OpenAI, así que el código existente que llama a ese formato puede apuntar a la plataforma EXAONE, cambiar el nombre de modelo k-exaone_v2.5 y enviar las mismas instrucciones que envía a otros lugares. Esa decisión de diseño es la señal práctica más fuerte de este lanzamiento. LG no construyó un jardín cerrado. Construyó una ranura de reemplazo directo y fijó el precio en cero.

La carga de trabajo a la que LG apunta es el trabajo de agentes: software que planifica pasos, llama herramientas, lee resultados y sigue adelante. LG nombró generación de código, depuración, refactorización y creación de pruebas en su anuncio y los cuatro benchmarks que eligió miden todos ese tipo de trabajo y no la calidad del chat. Ese enfoque es honesto sobre dónde el laboratorio cree que este modelo gana su lugar.

Lo que ninguna fuente puede decirte todavía es cómo se siente el modelo en una sesión larga: con qué frecuencia las llamadas a herramientas llegan mal formadas, cómo el ajuste de razonamiento máximo intercambia velocidad por calidad o cómo el servicio se sostiene bajo la carga de una multitud de cuentas gratuitas nuevas. Esas respuestas vienen del uso, no de una tabla de lanzamiento, y son exactamente lo que LG dice que quiere que el periodo gratuito produzca.

Lo que funciona

El salto desde la versión 2.0 es grande en cada medida que LG publicó. En AutomationBench el modelo de agosto puntuó 16.9 y la versión 2.5 puntúa 74.6. En BrowseComp la puntuación subió de 50.87 a 78.0. En SWE-Bench Pro subió de 47.1 a 59.2 y en Claw-Eval de 62.11 a 77.3. Ganancias de ese tamaño por más entrenamiento sobre la misma base son lo bastante raras para que el método de entrenamiento, sean cuales sean sus detalles, sea la verdadera historia de este lanzamiento.

La posición frente a los rivales también es real, con una advertencia guardada para la siguiente sección. La versión 2.5 supera a DeepSeek V4.1 Flash en tres de las cuatro medidas de la tabla de LG, por márgenes pequeños: 59.21 frente a 58.41 en SWE-Bench Pro, 78.0 frente a 75.8 en BrowseComp y 77.29 frente a 75.78 en Claw-Eval. Queda detrás de DeepSeek por un pelo en AutomationBench, 74.6 frente a 74.9. Frente a GLM 5.3 gana solo AutomationBench y pierde SWE-Bench Pro por una brecha más amplia, 59.21 frente a 64.03. Al nivel del campo es un resumen justo. Por delante del campo no lo es.

La oferta misma es limpia. Una plataforma, una clave API, ningún paso de pago y un segundo modelo en la misma plataforma, EXAONE Tabular, para predicciones sobre datos estructurados. Para un equipo en Corea, o un equipo en cualquier lugar que quiera un modelo fuerte en coreano sin enrutar datos a un proveedor de Estados Unidos o China, una prueba gratuita de un modelo de 750 mil millones de parámetros con un contexto de medio millón de tokens es un sí fácil.

Lo que no funciona

Empieza con la afirmación del 70 por ciento, porque es el titular y la evidencia más débil del lanzamiento. LG dice que un análisis interno que combina 24 métricas de evaluación mejoró más del 70 por ciento frente al modelo de agosto. LG no ha publicado la lista completa de 24 métricas junto a esa afirmación en el material de lanzamiento, ni cómo se ponderó la cifra combinada. Las cuatro puntuaciones de agente que sí publicó apoyan una ganancia grande. No verifican por sí solas una sola cifra combinada y ningún laboratorio externo ha reproducido nada de ello todavía. Trata el 70 por ciento como una afirmación sobre la propia tarjeta de puntuación de LG hasta que alguien más ejecute las pruebas.

La historia de la apertura también se movió hacia atrás. La versión 2.0 dio al mundo sus pesos bajo Apache 2.0, lo que significa que cualquier equipo podía ejecutarlo en su propio hardware y conservarlo para siempre. La versión 2.5 da al mundo una llave a los servidores de LG. Si el periodo gratuito termina mal o el servicio cambia, los usuarios de la API no tienen nada a lo que volver excepto el modelo más viejo. Para un ejercicio de validación ese intercambio es comprensible. Sigue siendo un intercambio y los equipos con reglas estrictas de datos notarán que las instrucciones ahora viajan a LG en lugar de quedarse en casa.

Por último, los interrogantes prácticos son los que deciden la adopción real: velocidad de respuesta en cada ajuste de razonamiento, comportamiento en ejecuciones largas de agente y tiempo activo una vez que las cuentas gratuitas se acumulan. LG está revisando NVIDIA Dynamo para ayudar con el servicio, lo que te dice que el propio laboratorio ve la escala como una pregunta abierta. Nada de esto es una razón para mantenerse lejos. Todo ello es una razón para probar con cargas de trabajo que puedes permitirte repetir en otro lugar.

Competencia

Los rivales en la propia tabla de LG son modelos de pesos abiertos de China y esa comparación corta en ambos sentidos. Cuestan dinero mediante una API y nada que descargar, mientras K-EXAONE 2.5 no cuesta nada mediante una API y no puede descargarse en absoluto.

La lectura honesta es que K-EXAONE 2.5 compite en precio hoy y en promesa mañana. Mientras la API es gratis, es la forma más barata de probar puntuaciones de agente de clase frontera. En el momento en que LG nombre un precio, la comparación pasa a tratar de confianza, velocidad y profundidad en coreano frente a rivales cuyos pesos ya puedes tener.

Veredicto final

Pruébalo. Ese veredicto es fácil mientras el costo es una clave API y una tarde. Apunta un flujo de agente o de código existente al endpoint, ejecuta tus propias tareas en coreano e inglés y compara la salida con el modelo que usas ahora. LG construyó la rampa de entrada para exactamente ese experimento y sus puntuaciones publicadas, medidas por sí misma o no, son lo bastante fuertes para justificar ejecutarlo.

Construye sobre él con cuidado. No pongas un servicio de producción, una promesa a un cliente ni una carga de trabajo delicada en datos sobre una API gratuita de validación sin fecha de fin declarada, sin cuota publicada y sin pesos a los que retirarte. El tercer modelo, debido hacia enero de 2027 en el plan de LG, es el lanzamiento para el que este ensaya. La versión 2.5 es tu oportunidad de aprender, a costa de LG, si ese lanzamiento merece un lugar en tu pila cuando aterrice.

Fuentes

• LG AI Research: K-EXAONE 2.5 API Available for Free
• Digital Today: LG AI Research opens K-EXAONE 2.5 API free, says performance up 70 percent
• Money Today: LG AI Research Institute opens free access to K-Exaone 2.5
• Unite.AI: LG AI Research Opens Free API Access to Its K-EXAONE 2.5 Model
• Spectrum Web Co: LG opens K-EXAONE 2.5 API free for developers
• Hugging Face: K-EXAONE 2.0 model card
• Imágenes: las ilustraciones principal y de agentes son arte generado de estilo propio de Dirty Static. La imagen del gráfico de benchmarks es de LG AI Research, acreditada en la imagen.