Trinity Large Thinking, el modelo de Arcee AI en cifras

Presentación

Arcee AI publicó Trinity Large Thinking el 1 de abril de 2026. Dispone de un modo de razonamiento: puede «pensar» antes de responder, lo que ayuda en problemas de varios pasos pero consume más tokens y, por tanto, más dinero. Es un modelo de pesos abiertos: puede alojarlo usted mismo en una infraestructura que controla, y además lo ofrecen 6 proveedores de API recogidos en models.dev. Tiene, por tanto, 6 meses a 22 de octubre de 2026.

Lo clasificamos entre los modelos de pesos abiertos (68 modelos de esta categoría en el sitio).

Rendimiento medido

A 22 de octubre de 2026, Epoch AI no publica ninguna puntuación de Trinity Large Thinking en las pruebas de nuestra cesta. Para situarlo, hay que fijarse en sus características y su precio, y probarlo con sus propios casos.

Precio y presupuesto

Trinity Large Thinking cuesta 0,25 US$ por millón de tokens de entrada y 0,80 US$ por millón de tokens de salida (mediana de 6 proveedores, consulta del 22 de octubre de 2026).

En la práctica, una tarea de agente que lee 20 000 tokens y escribe 2000 cuesta unos 0,007 US$, es decir, 6,6 US$ por 1000 tareas de este tipo.

Es 1,3 veces más barato que el precio de salida mediano de los modelos de pesos abiertos (1 US$).

Para estimar su propio presupuesto, use la calculadora de coste de un agente.

Contexto y capacidades

Su ventana de contexto alcanza 262.144 tokens, unas 393 páginas de texto a 500 palabras por página: suficiente para un informe largo o varios contratos a la vez. Una respuesta puede llegar a 80.000 tokens.

Acepta como entrada: texto.

Sabe llamar a herramientas (funciones, API), lo que lo convierte en una posible base para un agente de IA.

Los pesos están publicados en Hugging Face (arcee-ai/Trinity-Large-Thinking). Vea también nuestra selección de modelos open source.

¿Para qué usos?

Por su categoría, Trinity Large Thinking está pensado sobre todo para los proyectos en los que quiere controlar sus datos o el alojamiento, o adaptar el modelo a su sector.

Antes de adoptarlo, pruébelo con sus propios ejemplos: los benchmarks miden tareas estándar, no su oficio.

¿Con qué sustituirlo?

En la misma categoría, los modelos más cercanos a Trinity Large Thinking son:

• Llama-3.3-70B-Instruct (Meta, 0,76 US$ por millón de tokens de salida)
• MiMo-V2.6-Pro (Xiaomi (MiMo), 0,87 US$ por millón de tokens de salida)
• MiMo-V2.5-Pro (Xiaomi (MiMo), 0,87 US$ por millón de tokens de salida)
• DeepSeek V4 Flash Vision Exp (DeepSeek, 0,65 US$ por millón de tokens de salida)