Fortytwo lanza Engine API e informa de un 24,7% menos de tokens en tareas de programación

Fortytwo ha lanzado Fortytwo Engine, una API de inferencia que utiliza modelos de IA que colaboran entre sí para mejorar el razonamiento y reducir la cantidad de texto generado necesaria para completar una tarea. La empresa informa de que su primer modelo compatible, Qwen 3.8 27B, utilizó un 24,7 % menos de tokens en 450 ejecuciones de tareas de ingeniería de software de DeepSWE que el mismo modelo ejecutado por sí solo, y también resolvió una proporción mayor de las tareas.

El anuncio apunta a un problema de costes cada vez mayor para los agentes de IA: un precio bajo por token no necesariamente se traduce en un precio bajo por tarea completada. Las ejecuciones prolongadas de programación e investigación pueden acumular contexto repetido, llamadas innecesarias a herramientas e intentos repetidos. El enfoque de Fortytwo intenta reducir ese trabajo desperdiciado dentro del proceso de inferencia y, según la empresa, mantener el precio por token al nivel del modelo base.

Dirigir el razonamiento antes de que se acumulen los errores

Fortytwo llama Swarm Decoder a la tecnología que impulsa el nuevo Engine. Varios modelos participantes dan forma a una trayectoria de razonamiento compartida mientras esta se genera y evalúan qué dirección es más sólida antes de que la respuesta esté completa. El objetivo es detectar pronto las suposiciones débiles y evitar la generación adicional y el trabajo de recuperación que se producen tras tomar un rumbo equivocado.

Esto supone un cambio respecto de la arquitectura anterior de Fortytwo. En su investigación de 2025 sobre inferencia en enjambre, nodos independientes generaban respuestas por separado, las comparaban directamente y combinaban las aportaciones más sólidas. La empresa describe un mecanismo de clasificación estadística que da más peso a los nodos con resultados probados, mientras que la evaluación entre pares ayuda a establecer su reputación. El enfoque anterior evaluaba respuestas ya completadas; el nuevo Engine integra la clasificación entre pares en el propio proceso de razonamiento.

La diferencia es importante para los agentes que realizan tareas de muchos pasos. Seleccionar la respuesta final más sólida puede mejorar el resultado, pero no permite recuperar los tokens ya utilizados para generar alternativas más débiles. La dirección continua busca impedir que una trayectoria improductiva avance desde el principio. Fortytwo afirma que su recuento de tokens incluye todos los modelos participantes, en lugar de contabilizar únicamente la respuesta final.

El director ejecutivo y cofundador Ivan Nikitin describió el beneficio como doble: «El razonamiento colectivo ofrece dos ventajas: las respuestas son mejores y las tareas requieren menos tokens».

Qué muestran las pruebas de Fortytwo

En la evaluación de DeepSWE de la empresa, Engine obtuvo una puntuación de 47,8, frente a 42,2 del modelo base, una mejora de 5,6 puntos porcentuales. El uso medio de tokens bajó de 16,3 millones a 12,3 millones por ejecución. En las 450 ejecuciones, Fortytwo informa de un total de 7,4 mil millones de tokens para el modelo base y de 5,6 mil millones para Engine.

Los materiales de lanzamiento también informan de puntuaciones más altas en otras cinco pruebas de referencia, que abarcan ciencia, programación y razonamiento general:

Fuente: anuncio de lanzamiento de Fortytwo. Las puntuaciones comparan Qwen 3.8 27B con y sin Engine, según el protocolo de evaluación de la empresa.

Estos resultados son los que comunica la empresa. La reducción del 24,7 % en el uso de tokens corresponde específicamente a las ejecuciones de DeepSWE; no debe interpretarse como un ahorro medido en todas las pruebas de referencia ni en todas las cargas de trabajo de producción. Para los desarrolladores, la prueba práctica consiste en comprobar si un modelo completa sus propias tareas con precisión utilizando menos tokens en total, menos intentos y menos llamadas a herramientas.

Una API familiar, con límites de compatibilidad definidos

El servicio está disponible a través de la plataforma para desarrolladores de Fortytwo. La documentación de la API describe la compatibilidad con la API Chat Completions de OpenAI, que permite utilizar un SDK o cliente existente con una clave de API y una URL base de Fortytwo, junto con un ID de modelo compatible.

Entre las funciones documentadas figuran la transmisión en tiempo real, las herramientas de función, las llamadas paralelas a herramientas y la salida estructurada. Los desarrolladores también pueden elegir un nivel de esfuerzo de razonamiento. Estas funciones hacen que el servicio sea pertinente para los agentes que necesitan llamar a herramientas de software y devolver resultados legibles por máquinas, en lugar de limitarse a generar texto conversacional.

La compatibilidad tiene límites. La documentación indica que los endpoints Chat Completions y de listado de modelos son compatibles, mientras que otras API, como Responses, Embeddings, Audio, Files y Assistants, no lo son. Algunos campos de las solicitudes solo son parcialmente compatibles o dependen del modelo seleccionado, y los campos no compatibles generan un error en lugar de ignorarse sin aviso. Por ello, los equipos que migren una aplicación existente deberían comprobar sus solicitudes reales con la guía de compatibilidad.

Una apuesta más amplia por la IA colectiva

Engine se suma a Fortytwo Harbor, la oferta de la empresa para organizaciones que quieren implementar inferencia en enjambre en su propia infraestructura. Fortytwo presenta Harbor como una solución que mantiene los datos dentro del perímetro de la organización y utiliza un costo fijo de hardware, en lugar de la facturación de API por token.

El programa de investigación más amplio de la empresa también incluye generar datos de entrenamiento a través de su red de modelos. Su sitio web destaca Strand-Rust-Coder-14B, un modelo abierto entrenado con un conjunto de datos generado por Fortytwo. Ese trabajo aborda el entrenamiento de modelos, mientras que el nuevo Engine se centra en mejorar el razonamiento de los modelos existentes de pesos abiertos durante la inferencia.

Fundada en 2024, Fortytwo afirma tener un equipo de 15 ingenieros, con miembros en Mountain View y Abu Dabi; haber recaudado 2,3 millones de dólares en financiación presemilla en 2025; y haberse integrado en el ecosistema Hub71 de Abu Dabi en 2026. Después de Qwen 3.8 27B, está previsto incorporar más modelos abiertos a Engine.

El lanzamiento pone el énfasis en el costo por tarea completada con éxito. Si la evaluación continua entre pares puede evitar de forma fiable suficiente razonamiento desperdiciado como para compensar sus propios costos adicionales, los desarrolladores podrían contar con otra manera de mejorar la rentabilidad de los agentes, junto con mejores modelos y hardware más rápido.