Por Canuto  

La división de investigación en inteligencia artificial de Tether publicó Genesis III, un conjunto de datos sintéticos de STEM con 191.430 millones de tokens. Un modelo de apenas 1.700 millones de parámetros entrenado con una parte del corpus alcanzó una tasa de 99,45% de respuestas válidas en pruebas MMLU STEM.
***

  • Genesis III reúne 191.430 millones de tokens y cerca de 159,6 millones de documentos en 19 áreas STEM.
  • Un modelo de 1.700 millones de parámetros logró 99,45% de respuestas válidas en las pruebas MMLU STEM.
  • Tether publicó los datos para investigación y educación no comercial, mientras que el modelo usa una licencia Apache 2.0.

La división de investigación en inteligencia artificial de Tether, conocida como QVAC, presentó Genesis III, un conjunto de datos sintéticos orientado a disciplinas de ciencia, tecnología, ingeniería y matemáticas. El corpus reúne 191.430 millones de tokens y sirvió para entrenar modelos de lenguaje pequeños que, según los resultados divulgados, alcanzaron un desempeño competitivo frente a conjuntos de referencia más conocidos.

El resultado más llamativo corresponde a un modelo con 1.700 millones de parámetros, entrenado únicamente con una parte del material de Genesis III. En las pruebas de referencia MMLU STEM, ese sistema registró una tasa de respuestas válidas de 99,45%, un desempeño asociado con la aceptación del trabajo de investigación en COLM 2026.

Un conjunto de datos diseñado para el razonamiento

Genesis III contiene aproximadamente 159,6 millones de documentos distribuidos en 19 dominios STEM y organizados en tres niveles de dificultad: secundaria, universidad y formación profesional. Esta clasificación busca que los modelos trabajen con problemas de complejidad progresiva, en lugar de recibir un corpus indiferenciado que mezcle preguntas introductorias con desafíos especializados.

QVAC dividió el material en dos metodologías de entrenamiento con objetivos distintos. La primera, denominada razonamiento Option-Level u OL, concentra 108.670 millones de tokens en las respuestas correctas y en la lógica utilizada para alcanzarlas, mientras que la segunda, llamada Failure Analysis o FA, aporta otros 82.760 millones de tokens centrados en los errores y en las razones por las que una respuesta resulta incorrecta.

La separación entre aciertos y fallos permite estudiar dos componentes esenciales del aprendizaje de un modelo: la capacidad de resolver un problema y la habilidad de reconocer por qué una alternativa no funciona. De acuerdo con los datos presentados, el modelo entrenado solo con la parte OL fue el que obtuvo la tasa de 99,45% de respuestas válidas en MMLU STEM, aunque el corpus completo también produjo mejoras importantes en las comparaciones.

La estrategia refleja una tendencia creciente en el desarrollo de inteligencia artificial: utilizar datos sintéticos cuidadosamente estructurados para ampliar la capacidad de modelos pequeños sin depender exclusivamente de enormes sistemas propietarios. En este caso, la propuesta de Tether pone el énfasis en el razonamiento académico y técnico, con una arquitectura de datos que intenta hacer explícitos tanto los caminos correctos como los errores frecuentes.

Genesis III frente a Cosmopedia-v2

Los modelos entrenados con Genesis III superaron a los que utilizaron Cosmopedia-v2, un conjunto de datos de referencia empleado para comparar el aprendizaje de modelos de lenguaje. La diferencia alcanzó 28,57 puntos en ARC-Easy, una prueba enfocada en preguntas de razonamiento científico de menor dificultad, lo que marca una ventaja considerable en tareas consideradas más accesibles.

En ARC-Challenge, que plantea preguntas científicas de mayor complejidad, la mejora fue de 21,35 puntos frente a Cosmopedia-v2. El resultado sugiere que la estructura por niveles y la inclusión de explicaciones sobre errores pueden aportar beneficios no solo en ejercicios básicos, sino también en problemas que exigen seleccionar respuestas entre alternativas plausibles.

La comparación también mostró una ventaja de 15,03 puntos en MMLU STEM. Como esta evaluación reúne conocimientos de distintas áreas científicas y técnicas, la cifra apunta a una mejora transversal, aunque los resultados deben interpretarse dentro de los conjuntos de entrenamiento y las condiciones específicas empleadas por el equipo de QVAC.

El desempeño no significa que un modelo pequeño haya desplazado a los sistemas de mayor escala en todas las tareas, ni que una puntuación de referencia garantice precisión universal. Sí indica, según los datos divulgados, que la selección, organización y finalidad de los datos pueden influir de forma significativa en el rendimiento de modelos con una cantidad relativamente reducida de parámetros.

La trilogía de datos y el giro estratégico de Tether

Genesis III completa una serie de conjuntos de datos que comenzó con Genesis I, publicado el 24 de octubre de 2025 con 40.910 millones de tokens. Genesis II llegó el 22 de diciembre de ese mismo año, amplió la cobertura a 19 dominios y añadió 107.460 millones de tokens antes de que la tercera entrega consolidara la escala total de la iniciativa.

La compañía publicó Genesis III bajo una licencia CC-BY-NC 4.0, que permite utilizar el conjunto de datos con fines de investigación y educación no comerciales. El modelo entrenado, en cambio, cuenta con una licencia Apache 2.0, una modalidad más permisiva que autoriza también el uso comercial, según la información divulgada por la investigación de QVAC.

La iniciativa forma parte de la diversificación de Tether más allá de su negocio principal de stablecoins. La empresa ha planteado como objetivo ampliar el acceso a herramientas educativas basadas en inteligencia artificial, con la posibilidad de ofrecer tutoría local y asistencia técnica sin depender necesariamente de servicios centralizados en la nube.

Ese enfoque conecta la investigación en modelos pequeños con una discusión más amplia sobre infraestructura, costos y autonomía tecnológica. Si sistemas de menor tamaño pueden ejecutarse localmente y mantener resultados competitivos en áreas especializadas, podrían facilitar aplicaciones educativas y técnicas en entornos donde la conectividad, el presupuesto o el acceso a grandes plataformas representen limitaciones.

La publicación de Genesis III también abre interrogantes sobre cómo se validan los datos sintéticos y cómo se trasladan los resultados de benchmarks a usos reales. Por ahora, la información disponible destaca el volumen del corpus, la metodología de razonamiento y las mejoras comparativas, mientras que la adopción práctica dependerá de evaluaciones adicionales y de la disponibilidad de implementaciones compatibles.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados