SIFT: un clasificador de documentos que se reentrena solo, sin intervención humana

Un grupo de investigadores ha presentado SIFT (Self-Improving, Frozen-gate Training), un servicio de clasificación de documentos que se perfecciona solo con tráfico real y se reentrena sin intervención humana. El preprint se publicó en arXiv en julio de 2026.

Cómo funciona el pipeline barato

SIFT resuelve la clasificación con un pipeline deliberadamente barato que corre en CPU: el codificador sparse SPLADE alimenta con sus características un modelo LightGBM, y solo la minoría de páginas con baja confianza se envía al LLM-juez, que es caro. La inmensa mayoría de los documentos se etiqueta sin recurrir al gran modelo de lenguaje, de ahí el bajo coste en inferencia.

• Arquitectura: SPLADE (sparse encoder) → cabeza LightGBM, íntegramente en CPU
• Solo la minoría de páginas con baja confianza se escala al LLM-juez
• La incorporación de un nuevo tipo de documento se hace mediante un bundle declarativo: espacio de etiquetas, frases ancla (anchor phrases) y glosario del juez
• Reentrenamiento: una vez al mes, automático, sin intervención humana
• El coste marginal del etiquetado tiende a cero

Por qué la precisión mejora con el tiempo

La precisión de SIFT se acumula porque los veredictos del LLM-juez se reescriben en el corpus etiquetado: el modelo caro enseña de forma continua al barato. A medida que el corpus crece, la proporción de escalados al LLM baja, y el propio corpus se nutre del tráfico de producción, no de un costoso proyecto de etiquetado al inicio. El bloqueo clásico de la clasificación empresarial, que obliga a que personas etiqueten primero miles de documentos, desaparece aquí: el corpus se construye solo y la precisión aumenta con el uso.

Cómo evitar la degradación silenciosa

El principal riesgo de un clasificador que se reentrena automáticamente es la degradación silenciosa: tras un reentrenamiento autónomo, el modelo puede empeorar sin que nadie lo note. SIFT lo previene con una compuerta de promoción (promote gate) en dos partes. La primera comprueba la regresión de F1 en las etiquetas críticas; la segunda es un conjunto de regresión «dorado» congelado (frozen golden regression set), con el que el modelo nunca se entrena. Cualquiera de las dos funciona como veto al despliegue de la nueva versión.

«Esto convierte el „reentrenamiento mensual sin humanos“ de una

temeridad en una rutina», se afirma en el preprint de SIFT en arXiv.

Qué significa

SIFT propone una receta empresarial en la que un LLM caro hace de profesor de un clasificador barato en CPU, y dos compuertas de seguridad permiten confiar el reentrenamiento a la automatización. Si el enfoque se reproduce, las empresas ya no necesitarán un proyecto de etiquetado a gran escala antes de poner en marcha un clasificador: los datos y la precisión se acumulan por sí solos durante la explotación.

Preguntas frecuentes

¿Qué es SIFT?

SIFT (Self-Improving, Frozen-gate Training) es un servicio de clasificación dinámica de documentos que se perfecciona solo con tráfico de producción: un pipeline barato basado en SPLADE + LightGBM etiqueta la mayor parte de las páginas, y un LLM-juez resuelve los casos dudosos y amplía el corpus de entrenamiento.

¿Hace falta etiquetar documentos a mano?

No. En lugar de un proyecto previo de etiquetado para cada nuevo tipo de documento, basta con un bundle declarativo: espacio de etiquetas, frases ancla y glosario para el LLM-juez. Después, el corpus crece solo a partir del tráfico real.

¿Cómo protege SIFT contra la degradación en el reentrenamiento automático?

Con dos compuertas: la comprobación de regresión de F1 en las etiquetas críticas y un conjunto «dorado» congelado con el que el modelo nunca se entrena. Si falla al menos una de las dos compuertas, la nueva versión no se despliega.