Tether amplía los datos de entrenamiento de Open AI con el lanzamiento del conjunto de datos QVAC Genesis II

¡Descubre las principales noticias y eventos de fintech!

Suscríbete al boletín de FinTech Weekly

Leído por ejecutivos en JP Morgan, Coinbase, Blackrock, Klarna y más

Una gran expansión en los datos de entrenamiento de Open AI

Tether Data ha publicado una nueva versión de su conjunto de datos educativo sintético para inteligencia artificial, aumentando significativamente el volumen y el alcance del material de entrenamiento abierto disponible para investigadores en todo el mundo. La división de investigación de IA de la empresa, QVAC, anunció que el nuevo lanzamiento, llamado QVAC Genesis II, agrega 107 mil millones de tokens a su conjunto de datos anterior, llevando el tamaño total a 148 mil millones de tokens.

El conjunto de datos ampliado es ahora el recurso educativo sintético público más grande diseñado específicamente para el preentrenamiento de IA. Abarca 19 dominios académicos y está destinado a mejorar la forma en que los modelos aprenden razonamiento, explicación y toma de decisiones, en lugar de reconocer patrones a nivel superficial.

El anuncio posiciona el lanzamiento como un paso hacia un desarrollo de IA más transparente y accesible, en un momento en que muchos conjuntos de datos avanzados de entrenamiento siguen bloqueados dentro de sistemas propietarios.

Basándose en el primer lanzamiento de Genesis

QVAC Genesis II se construye sobre trabajos introducidos primero con Genesis I, que se centraron en crear un conjunto de datos sintético validado y centrado en la educación, que cubre materias fundamentales de ciencias, tecnología, ingeniería y matemáticas. Ese lanzamiento anterior estableció un marco para generar preguntas de entrenamiento estructuradas destinadas a mejorar la precisión del razonamiento.

El nuevo lanzamiento amplía la cobertura en diez campos adicionales, incluyendo química, ciencias de la computación, estadística, aprendizaje automático, astronomía, geografía, econometría e ingeniería eléctrica. También revisita contenido de física a nivel universitario, regenerándolo mediante una metodología actualizada diseñada para mejorar la claridad conceptual.

En conjunto, los dos lanzamientos conforman lo que QVAC describe como el conjunto de datos educativo sintético más extenso puesto a disposición del público hasta ahora. El conjunto de datos está destinado a usarse en el preentrenamiento de grandes modelos de lenguaje y otros sistemas de IA que requieren material académico estructurado.

Un cambio en cómo se generan los datos de entrenamiento

En el núcleo de Genesis II hay un nuevo método de generación de datos al que se hace referencia como Razonamiento a Nivel de Opción. Este enfoque difiere de muchas técnicas existentes de datos sintéticos al enfocarse no solo en respuestas incorrectas, sino también en las correctas.

En lugar de tratar una respuesta correcta como el final del proceso, el método analiza cada opción de respuesta en una pregunta de opción múltiple. Las opciones correctas se desglosan para reforzar por qué son correctas, mientras que las opciones incorrectas se examinan para abordar conceptos erróneos comunes. Esta estructura permite que los modelos aprendan razonamiento causal y lógica de decisión en lugar de simplemente asociar preguntas con resultados.

El enfoque complementa el método de Análisis de Fallos introducido en Genesis I, que se centró en extraer valor de los errores del modelo. Juntos, ambos métodos forman una cadena en la que cada pregunta generada está diseñada para aportar valor instructivo.

Evaluaciones independientes citadas por QVAC indican que los modelos entrenados con datos de Genesis II muestran mayor precisión en razonamiento y producen respuestas más claras que los entrenados en conjuntos de datos sintéticos anteriores.

Énfasis en comprender antes que en fluidez

Gran parte del ecosistema actual de entrenamiento de IA depende de ensamblar volúmenes muy grandes de texto, a menudo extraído de fuentes públicas, para mejorar la fluidez del lenguaje. El objetivo declarado de QVAC difiere en el énfasis. Los conjuntos de datos Genesis están estructurados para enseñar a los modelos cómo razonar a través de problemas y explicar conclusiones de manera clara.

La dirección de la empresa ha indicado que la intención es ir más allá de los sistemas de entrenamiento que predicen secuencias de texto probables, hacia modelos que demuestran comprensión de los conceptos subyacentes. El diseño del conjunto de datos prioriza claridad, causalidad y lógica, con el objetivo de reducir la ambigüedad en las salidas del modelo.

Este enfoque se alinea con discusiones más amplias en investigación de IA sobre confiabilidad y explicabilidad, especialmente cuando los sistemas de IA se utilizan en contextos de educación, ciencia y apoyo a la toma de decisiones.

Acceso abierto para investigadores y desarrolladores

Al igual que con el conjunto de datos Genesis original, QVAC Genesis II se está lanzando de forma abierta. El conjunto de datos está disponible bajo una licencia Creative Commons Attribution–NonCommercial 4.0, lo que permite que investigadores, instituciones académicas y desarrolladores independientes usen y estudien los datos fuera de entornos comerciales.

El conjunto de datos y los modelos asociados se alojan en Hugging Face, junto con un detallado documento técnico que describe la metodología de generación y los resultados de evaluación. Esta distribución abierta pretende reducir barreras para investigadores que no tienen acceso a grandes conjuntos de datos propietarios.

Al mantener licenciamiento no comercial, QVAC busca apoyar investigación académica y de base comunitaria, limitando al mismo tiempo la explotación comercial directa.

Apoyando el desarrollo descentralizado de IA

El lanzamiento también encaja en una estrategia más amplia impulsada por Tether Data para fomentar el desarrollo descentralizado de IA. La empresa ha afirmado que los datos de entrenamiento de alta calidad no deberían restringirse a organizaciones que tengan acceso a infraestructura cloud centralizada.

Al poner a disposición conjuntos de datos estructurados a gran escala de forma pública, QVAC busca habilitar el entrenamiento local, la experimentación y la implementación de modelos de IA. Este enfoque está destinado a respaldar entornos de investigación donde los recursos de cómputo puedan ser limitados, pero las contribuciones intelectuales sigan siendo significativas.

El énfasis en la descentralización refleja un interés creciente en reducir la dependencia de un pequeño número de plataformas de IA dominantes y fomentar un ecosistema de investigación más distribuido.

El papel de Tether en la investigación de IA

QVAC opera como la división de investigación de IA de Tether Data. Aunque Tether es ampliamente conocido por su papel en activos digitales y stablecoins, la empresa ha ampliado sus actividades hacia la investigación de datos e IA en los últimos años.

A través de QVAC, Tether Data se ha centrado en construir infraestructura y recursos que apoyen la investigación abierta. Los conjuntos de datos Genesis representan uno de los resultados más visibles de ese esfuerzo, posicionando a la empresa dentro de conversaciones sobre desarrollo de Open AI y datos de entrenamiento centrados en educación.

Este trabajo también refleja la creciente superposición entre empresas de fintech e investigación avanzada de IA, ya que las firmas de tecnología financiera invierten cada vez más en capacidades de ciencia de datos y aprendizaje automático.

Perspectiva de la dirección sobre el lanzamiento

La dirección de la empresa ha enmarcado el lanzamiento de Genesis II como un paso para alejarse de enfoques de entrenamiento que priorizan solo el volumen. El foco, según declaraciones del equipo ejecutivo de Tether, está en enseñar a los sistemas de IA a razonar y explicar en lugar de simplemente generar respuestas fluidas.

Paolo Ardoino, director ejecutivo de Tether, ha enfatizado que la IA confiable debe basarse en comprender por qué las respuestas son correctas. Ha indicado que poner el conjunto de datos a disposición de forma abierta refleja la creencia de que una IA más sólida y más explicable beneficia a la sociedad en su conjunto.

Estas opiniones hacen eco de las preocupaciones planteadas por investigadores sobre las limitaciones de modelos entrenados principalmente con texto no estructurado.

Alcance educativo y cobertura de dominios

Los conjuntos de datos combinados Genesis I y II cubren 19 dominios, con contenido diseñado para niveles de educación secundaria y terciaria. Las materias van desde matemáticas y física fundamentales hasta campos aplicados como econometría y aprendizaje automático.

Cada dominio incluye preguntas estructuradas, explicaciones y rutas de razonamiento destinadas a imitar cómo se enseñan y evalúan los conceptos en contextos de educación formal. Este diseño pretende respaldar tareas de preentrenamiento que requieren consistencia lógica y profundidad conceptual.

Al regenerar y expandir el contenido usando métodos mejorados, QVAC busca refinar la forma en que el material educativo se representa en conjuntos de datos sintéticos.

Evaluación y desempeño de los modelos

Según evaluaciones internas e independientes citadas por QVAC, los modelos entrenados con datos de Genesis II muestran un desempeño mejorado en tareas con mucho peso en el razonamiento. Estas incluyen responder preguntas estructuradas, explicar conclusiones y evitar respuestas ambiguas o contradictorias.

Los resultados de la evaluación sugieren que la combinación de Análisis de Fallos y Razonamiento a Nivel de Opción conduce a salidas más consistentes. Aunque la empresa no ha presentado el conjunto de datos como una solución independiente, lo ha presentado como una base sólida para entrenamientos adicionales y ajustes finos.

Se espera que los investigadores realicen evaluaciones adicionales a medida que el conjunto de datos se use más ampliamente en la comunidad.

Implicaciones para la investigación de Open AI

El lanzamiento de un conjunto de datos tan grande y abierto podría influir en cómo los investigadores académicos e independientes abordan el entrenamiento de modelos. El acceso a datos educativos estructurados a esta escala tradicionalmente se ha limitado a organizaciones bien financiadas.

Al proporcionar una alternativa, QVAC Genesis II podría respaldar la experimentación con modelos más pequeños, esfuerzos de entrenamiento localizados e investigación en métodos de IA explicable.

El conjunto de datos también puede servir como un punto de referencia para futuros proyectos de datos sintéticos que prioricen la calidad del razonamiento por encima de la mera magnitud.

Posición dentro del ecosistema más amplio de IA

QVAC Genesis II entra en un ecosistema de IA marcado por un desarrollo rápido y una concentración creciente de recursos. Muchos de los modelos más capaces se entrenan con conjuntos de datos propietarios que no están disponibles para su escrutinio o replicación.

Los conjuntos de datos abiertos como Genesis II ofrecen un contrapunto, habilitando transparencia y progreso compartido. También plantean preguntas sobre cómo pueden coexistir los recursos abiertos con el desarrollo comercial de IA.

La participación de una empresa arraigada en fintech y activos digitales resalta cómo la investigación de IA está captando interés de una amplia gama de industrias más allá de las firmas tecnológicas tradicionales.

Disponibilidad y próximos pasos

La documentación técnica completa del conjunto de datos, titulada “QVAC Genesis II: Expanding the Largest and Highest-Quality Multi-domain Educational Synthetic Dataset for Pre-training,” ha sido publicada en el blog de investigación de QVAC. El acceso al conjunto de datos y a los modelos relacionados está disponible a través de Hugging Face.

QVAC ha indicado que planea continuar refinando sus métodos y ampliando la cobertura educativa en futuros lanzamientos. Se espera que los comentarios de la comunidad de investigación desempeñen un papel en la configuración de iteraciones posteriores.

Un impulso continuo por bases abiertas

Con Genesis II, QVAC refuerza su postura de que los datos de entrenamiento abiertos y estructurados son esenciales para construir sistemas de IA confiables. El lanzamiento refleja la visión de que la inteligencia debe basarse en el razonamiento y la explicación, no solo en la asociación estadística.

A medida que los sistemas de IA se integran más en la educación, la ciencia y los servicios financieros, incluidas las aplicaciones fintech, la calidad de sus datos de entrenamiento seguirá siendo una preocupación central.

Por ahora, el conjunto de datos Genesis ampliado se mantiene como una contribución destacada a la investigación de Open AI, ofreciendo escala, estructura y accesibilidad en un nivel que rara vez se ve fuera de entornos propietarios.