Modelos base
Los encoders de los que parte tu modelo, todos hechos por nuestro lab, y los datos con que se entrenaron.
Tu modelo no se entrena desde cero: parte de un modelo base, un encoder que ya lee lenguaje y toma decisiones tipadas,
y aprende tu decisión sobre él. Todo modelo base es nuestro, con el nombre TS-{base}-{tamaño}, abierto y aprobado
para uso comercial (Apache-2.0). GET /v1/encoders los lista, con lo que se puede elegir ahora.
| Modelo base | encoder | Tamaño | Idiomas | Contexto | Decision Index 0.3 | Entrenamiento |
|---|---|---|---|---|---|---|
| TS-moBERTo-150M (recomendado) | ts-moberto-150m | 150M | EN, PT | 8,192 tokens | 31.20 / 33.89 | Disponible |
| TS-Ettin-150M | ts-ettin-150m | 150M | EN | 8,192 tokens | 31.96 / 34.78 | Disponible |
| TS-Ettin-68M | ts-ettin-68m | 68M | EN | 8,192 tokens | 27.61 / 30.46 | Disponible |
| TS-Ettin-32M | ts-ettin-32m | 32M | EN | 8,192 tokens | 19.70 / 22.45 | Disponible |
| TS-Ettin-17M | ts-ettin-17m | 17M | EN | 8,192 tokens | 15.76 / 18.52 | Disponible |
El índice público del Decision Index 0.3, en la corrida de nuestro lab: el encoder solo, luego con los especialistas de código y de cálculo que vienen con los modelos publicados. Medido en benchmarks públicos, no en tu tarea: tu modelo se mide con tus ejemplos, contra Jev (el cálculo de reembolso). El contexto es cuánto texto cabe en un ejemplo; los ejemplos más largos se rechazan, nunca se cortan.
TS-moBERTo-150M
Nuestra base por defecto, en inglés y portugués, hecha para decisiones tipadas (choice, noul, score, con
probabilidades y una confianza) en CPU. Parte de moBERTo
(Apache-2.0) y se publicó antes como Dinah-1, cuya corrida oficial del
Decision Index marcó 34.32, con los resultados en bruto publicados para auditoría. En decisiones tipadas reservadas
para prueba (1,000 ítems cada una): 0.790 de exactitud en inglés y 0.780 en portugués.
TS-Ettin
La misma receta sobre los rerankers Ettin (Apache-2.0), en cuatro tamaños, solo en inglés. El de 150M es la base más fuerte en el índice; los menores cambian puntos por velocidad y memoria, para teléfonos, navegadores y volúmenes altos. Su confianza todavía no está calibrada; tu modelo entrenado se sigue midiendo igual.
Con qué se entrenaron
Los cinco siguen la misma receta, con los mismos datos, en dos etapas (2,048 tokens, luego 8,192) y el promedio de ambas. Cada fuente con la licencia que declara su propia ficha. Las fuentes bajo CC BY-SA y CDLA-Sharing se usan solo para entrenar y no se redistribuyen.
| Área | Fuentes |
|---|---|
| Decisiones tipadas | ZefanCai/Open-Jev (CC0-1.0), LocalLLaMA/typed-decisions (Apache-2.0), typed-decisions-pt traducido con Qwen3-4B (Apache-2.0), tasksource/procedural-typed-decisions (Apache-2.0) |
| Intenciones y atención al cliente | AmazonScience/massive (CC BY 4.0), Bitext customer support (CDLA-Sharing-1.0), BANKING77 (CC BY 4.0), CLINC150 (CC BY 3.0), FAQ_BACEN (Apache-2.0) |
| Inferencia y verificación de hechos | WANLI (CC BY 4.0), SNLI (CC BY-SA 4.0), HoVer (CC BY-SA 4.0), FEVER-NLI (MIT; FEVER y Wikipedia CC BY-SA 3.0), ContractNLI (CC BY 4.0), bAbI-NLI (BSD), FaQuAD-NLI (CC BY 4.0), ExtraGLUE RTE y COPA en portugués (MIT) |
| Razonamiento y conocimiento | CommonsenseQA (MIT), Cosmos QA (CC BY 4.0), BoolQ (CC BY-SA 3.0), HellaSwag (MIT), WinoGrande (Apache-2.0), split de entrenamiento de ARC (CC BY-SA 4.0), QASC (CC BY 4.0), StrategyQA (MIT), tareas de BIG-bench sin BBH (Apache-2.0), MMLU auxiliary train, partes ARC y OpenBookQA (MIT), GSM8K (MIT), CLadder (MIT) |
| Salud, finanzas y derecho | PubMedQA (MIT), MedMCQA (Apache-2.0), twitter-financial-news-sentiment (MIT), financial-tweets-sentiment (MIT), NOSIBLE financial-sentiment (ODC-By), FinQA hallucination detection (MIT), pyRis/SEntFiN (MIT), CUAD (CC BY 4.0), jurisprudencias_br (CC BY 4.0), IBM Claim Stance (CC BY 3.0) |
| Sentimiento, emoción y moderación | GoEmotions (Apache-2.0), Civil Comments (CC0-1.0), iSarcasmEval (MIT), B2W-Reviews01 (CC BY 4.0), multilingual-sentiments en portugués (Apache-2.0) |
| Recuperación y alucinación | ESCI (Apache-2.0), HaluEval (Apache-2.0), RAGTruth (MIT), CNN/DailyMail (Apache-2.0), SQuAD 2.0 (CC BY-SA 4.0) |
| Herramientas | glaive-function-calling-v2 (Apache-2.0), ToolACE (Apache-2.0), hermes-function-calling-v1 (Apache-2.0), nvidia/When2Call (CC BY 4.0) |
| Phishing | LLMGen-Phishing-Email-Dataset (Apache-2.0), aura-phishing-email-corpus, parte SpamAssassin (CC BY 4.0) |
| Ajedrez | Lichess puzzles (CC0-1.0), google-deepmind/searchless_chess (Apache-2.0) |
| Humor | newyorker_caption_contest, tarea matching (CC BY 4.0) |
| Hecho por nosotros | Traducciones de inglés a portugués con opus-mt-tc-big-en-pt (CC BY 4.0); correos de phishing sintéticos escritos con gpt-oss-120b, con etiquetas definidas por código (Apache-2.0); hogares sintéticos de electrodomésticos, ejemplos de alucinación en RAG y habilidades programáticas (aritmética, fechas, unidades, ordenamiento, grafos, salida de código), generados por nuestros scripts (MIT y Apache-2.0) |
Los bloques de entrenamiento se cotejaron con las filas de prueba públicas del Decision Index (eliminación de duplicados exactos y casi duplicados, y solapamiento de 8-gramas en los bloques más recientes).
Cuál elegir
- Si dudas, o en portugués: TS-moBERTo-150M, el predeterminado. Es el más fuerte en nuestras decisiones tipadas reservadas para prueba (0.790 en inglés, 0.780 en portugués, contra 0.709 en inglés de TS-Ettin-150M).
- En inglés, y quieres comparar: TS-Ettin-150M, el más alto en el Decision Index. Entrena los dos con los mismos datos y quédate con la versión que gane en tus ejemplos reservados.
- Cuando cada milisegundo o megabyte cuenta: TS-Ettin-68M, 32M o 17M.
Todo modelo base entrena igual y se mide con la misma regla, así que probar otro es una nueva versión del mismo entrenamiento.