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

Leen ejecutivos de JP Morgan, Coinbase, Blackrock, Klarna y más

Una Expansión Importante en Datos de Entrenamiento de Open AI

Tether Data ha lanzado 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 ahora es el recurso educativo sintético público más grande disponible, diseñado específicamente para el pre-entrenamiento 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 del reconocimiento de 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 Genesis

QVAC Genesis II se construye sobre el trabajo presentado primero con Genesis I, que se centró en crear un conjunto de datos sintético validado, centrado en educación, que abarcara materias centrales 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.

Juntos, los dos lanzamientos forman 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 pre-entrenamiento de modelos de lenguaje grandes y otros sistemas de IA que requieren material académico estructurado.

Un Cambio en la Forma en que 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 Option-Level Reasoning. Este enfoque difiere de muchas técnicas existentes de datos sintéticos al centrarse 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 concepciones erróneas 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 Failure Analysis introducido en Genesis I, que se centró en extraer valor de los errores del modelo. Juntos, los dos métodos forman una canalización en la que cada pregunta generada está diseñada para aportar valor instructivo.

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

Énfasis en Entender por Encima de la 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 a razonar a través de los problemas y explicar conclusiones de manera clara.

El liderazgo 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 la claridad, la causalidad y la lógica, con el objetivo de reducir la ambigüedad en las salidas del modelo.

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

Acceso Abierto para Investigadores y Desarrolladores

Al igual que con el conjunto de datos original de Genesis, QVAC Genesis II se está publicando 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 respaldar la investigación académica y basada en la comunidad, limitando al mismo tiempo la explotación comercial directa.

Apoyando el Desarrollo Descentralizado de IA

El lanzamiento también encaja dentro de 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 de forma pública conjuntos de datos estructurados a gran escala, QVAC busca habilitar el entrenamiento local, la experimentación y el despliegue de modelos de IA. Este enfoque está destinado a respaldar entornos de investigación donde los recursos de cómputo pueden estar limitados, pero las contribuciones intelectuales siguen siendo significativas.

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

El Rol 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 y de IA en los últimos años.

A través de QVAC, Tether Data se ha enfocado en construir infraestructura y recursos que respaldan 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 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 del Liderazgo sobre el Lanzamiento

El liderazgo de la empresa ha enmarcado el lanzamiento de Genesis II como un movimiento para alejarse de enfoques de entrenamiento que priorizan solo el volumen. El enfoque, según declaraciones del equipo ejecutivo de Tether, consiste 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 estar fundamentada en comprender por qué las respuestas son correctas. Ha indicado que hacer el conjunto de datos disponible de forma abierta refleja una creencia de que una IA más sólida, explicable y beneficiosa para la sociedad en su conjunto.

Estas visiones hacen eco de las preocupaciones planteadas por investigadores sobre las limitaciones de los modelos entrenados principalmente en texto no estructurado.

Alcance Educativo y Cobertura de Dominio

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 entornos educativos formales. Este diseño pretende apoyar tareas de pre-entrenamiento que requieren consistencia lógica y profundidad conceptual.

Al regenerar y ampliar el contenido usando métodos mejorados, QVAC busca refinar cómo el material educativo se representa en conjuntos de datos sintéticos.

Evaluación y Rendimiento del Modelo

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

Los resultados de la evaluación sugieren que la combinación de Failure Analysis y Option-Level Reasoning conduce a salidas más consistentes. Aunque la empresa no ha posicionado el conjunto de datos como una solución independiente, lo ha presentado como una base sólida para un entrenamiento y ajuste fino posteriores.

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 ha estado 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 sobre 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 simple magnitud.

Posición Dentro del Ecosistema Más Amplio de IA

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

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

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

Disponibilidad y Próximos Pasos

La documentación técnica completa para el 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 lanzamientos futuros. 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 fundamentarse en el razonamiento y la explicación, no solo en la asociación estadística.

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

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