Cómo afinar un modelo de búsqueda: el método de NVIDIA en un día
NVIDIA ha publicado una guía práctica para ajustar un modelo de embeddings a un dominio concreto en solo un día y con una única GPU. El flujo de trabajo no requiere etiquetado manual de datos: un LLM genera las preguntas, después el sistema selecciona hard negatives y entrena el modelo con consultas multi-hop. En pruebas sobre la documentación de NVIDIA, la mejora de Recall@10 y NDCG@10 superó el 10 %, y todo el ciclo para un corpus pequeño cabe en unas pocas horas.
Procesado por IA desde Hugging Face Blog; editado por Hamidun News
NVIDIA ha publicado un método para ajustar en pocas horas un modelo de búsqueda a tus propios documentos, sin etiquetado manual de datos.
¿Cómo afinar un modelo de búsqueda sin etiquetar datos?
Hay que partir del modelo base Llama-Nemotron-Embed-1B-v2, generar pares sintéticos de pregunta y documento a partir de tus propios documentos (manuales, contratos, registros), ajustarlo con ejemplos negativos difíciles y comprobar que la búsqueda ha mejorado.
- 1 nov 2026La capa de seguridad MoneyGate frenó las 42 peticiones fraudulentas a IA locales
- 31 oct 2026KTMS 1.0, el gateway LLM open source, conecta GPU propias a la nube y resiste fallos de dependencias
- 31 oct 2026LTX-2.5, de 22.000 millones de parámetros, funciona en una RTX 3080 de 10 GB, pero tarda 5 minutos por plano
- 29 oct 2026T-Tech desarrolla LIMe, un método que entrena modelos de lenguaje con un 15% menos de cómputo
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.