🔠Modelos de texto

Modelos listos para usar (instruidos)

_{Descripción / Función}

LLM instruido (multilingüe)

_{Nombre modelo}

ALIA-40b-instruct-2601

_{Model card}

https://huggingface.co/BSC-LT/ALIA-40b-instruct-2601

_Comentarios

Última versión de la familia de modelos ALIA. Aunque el desarrollo sigue en curso y se prevén nuevas actualizaciones, esta versión ya integra varias mejoras significativas con respecto a lanzamientos anteriores, destacando un seguimiento de instrucciones más preciso, mayor robustez ante entradas ruidosas o ambiguas, una alineación de seguridad reforzada y capacidades ampliadas para el manejo de contextos largos.

_{Descripción / Función}

LLM instruido (multilingüe)

ALIA-40b-instruct-2601-GGUF

_{Model card}

https://huggingface.co/BSC-LT/ALIA-40b-instruct-2601-GGUF

Versión cuantizada GGUF del modelo ALIA-40b-instruct-2601

_{Descripción / Función}

LLM instruido (inglés, español, catalán)

_{Nombre modelo}

salamandra-7b-instruct

_{Model card}

https://huggingface.co/BSC-LT/salamandra-7b-instruct

_Comentarios

Modelo salamandra-7b entrenado con 276 mil instrucciones en inglés, español y catalán, recopiladas de diversos corpus abiertos.

_{Descripción / Función}

LLM instruido (inglés, español, catalán)

_{Nombre modelo}

salamandra-2b-instruct

_{Model card}

https://huggingface.co/BSC-LT/salamandra-2b-instruct

_Comentarios

Modelo salamandra-2b entrenado con 276 mil instrucciones en inglés, español y catalán, recopiladas de diversos corpus abiertos.

_{Descripción / Función}

LLM instruido (euskera)

_{Nombre modelo}

Latxa 3.1 Instruct 70B

_{Model card}

https://huggingface.co/HiTZ/Latxa-Llama-3.1-70B-Instruct

_Comentarios

Modelo instruido de 70 mil millones de parametros basado en Llama-3.1 (Instruct) y entrenado con un corpus en euskera de 4,3 millones de documentos y 4,2 mil millones de tokens, utilizando técnicas de adaptación lingüística.

_{Descripción / Función}

LLM instruido (euskera)

_{Nombre modelo}

Latxa 3.1 Instruct 8B

_{Model card}

https://huggingface.co/HiTZ/Latxa-Llama-3.1-8B-Instruct

_Comentarios

Modelo instruido de 8 mil millones de parametros basado en Llama-3.1 (Instruct) y entrenado con un corpus en euskera de 4,3 millones de documentos y 4,2 mil millones de tokens, utilizando técnicas de adaptación lingüística.

Descripción / Función

LLM instruido (gallego, portugués, español, catalán, inglés)

_{Nombre modelo}

Carballo-Llama-Instr3

_Comentarios

https://huggingface.co/proxectonos/Llama-3.1-Carballo-Instr3

_Comentarios

Modelo diseñado para procesar gallego, portugués, español, inglés y catalán. Es el resultado de un proceso de preentrenamiento continuo del modelo meta-llama/Llama-3.1-8B sobre un corpus multilingüe de 340 millones de tokens, con un énfasis particular en el gallego.

_{Descripción / Función}

LLM instruido (gallego, español - dominio legal)

_{Nombre modelo}

Carballo-Legal

_{Model card}

https://huggingface.co/proxectonos/Carballo-Legal

_Comentarios

Modelo de 7.000 millones de parámetros ajustado mediante aprendizaje por instrucciones para el procesamiento de textos jurídicos en gallego y español. Se ha desarrollado a partir de Salamandra-7B-Instruct y ha sido entrenado con corpus legales procedentes de instituciones públicas.

_{Descripción / Función}

LLM intruido (español - dominio legal y administrativo)

_{Nombre modelo}

ALIA Legal-Administrative 7B Instruct

_Comentarios

https://huggingface.co/SINAI/ALIA-legal-administrative-7B-Instruct

_Comentarios

Modelo de lenguaje especializado en el ámbito legal y administrativo del español. Se ha desarrollado a partir de SINAI/ALIA-legal-administrative-7B-Base y ha sido ajustado mediante instruction tuning utilizando el conjunto de datos ALIA-legal-administrative-synthetic-instructions.

Modelos para desarrolladores (fundacionales y para fine-tuning)

Descripción / Función

LLM (multilingüe)

Nombre modelo

salamandra-7b

Model card

https://huggingface.co/BSC-LT/salamandra-7b

Comentarios

Modelo generativo multilingüe, entrenado desde cero en 35 idiomas europeos, con 8 mil millones de parámetros y 12,875 billones de tokens.

Descripción / Función

LLM (multilingüe)

Nombre modelo

salamandra-2b

Model card

https://huggingface.co/BSC-LT/salamandra-2b

Comentarios

Modelo generativo multilingüe, entrenado desde cero en 35 idiomas europeos, con 2 mil millones de parámetros y 12,875 billones de tokens.

Descripción / Función

LLM (gallego, portugués, español, catalán, inglés)

Nombre modelo

Llama-3.1-Carballo

Model card

https://huggingface.co/proxectonos/Llama-3.1-Carballo

Comentarios

Modelo de 8 mil millones de parámetros, diseñado para gallego, portugués, español, catalán e inglés. Es el resultado de un preentrenamiento continuo del modelo meta-llama/Llama-3.1-8B con un corpus multilingüe de casi 20 mil millones de tokens, con especial énfasis en textos en gallego.

Descripción / Función

LLM (gallego, portugués, español, inglés)

Nombre modelo

Llama-Carvalho-PT-GL

Model card

https://huggingface.co/Nos-PT/Llama-Carvalho-PT-GL

Comentarios

Modelo de 8 mil millones de parámetros, diseñado para gallego, portugués, español e inglés. Es el resultado de un preentrenamiento continuo del modelo meta-llama/Llama-3.1-8B utilizando un corpus multilingüe compuesto por 540 millones de tokens de texto plano y 72 millones de tokens de instrucciones.

Descripción / Función

LLM (euskera)

Nombre modelo

Latxa 3.1 8B

Model card

https://huggingface.co/HiTZ/Latxa-Llama-3.1-8B

Comentarios

Modelo de 8 mil millones de parametros basado en Llama 3.1 y entrenado con un corpus en euskera de 4,3 millones de documentos y 4,2 mil millones de tokens, utilizando técnicas de adaptación lingüística.

Descripción / Función

LLM (valenciano, español, inglés)

Nombre modelo

Aitana-2B-S-base-1.0

Model card

https://huggingface.co/gplsi/Aitana-2B-S-base-1.0

Comentarios

Modelo de lenguaje generativo entrenado a partir de salamandra-2b, utilizando datos en valenciano, español e inglés.

Descripción / Función

LLM (valenciano)

Nombre modelo

Aitana-2B-S

Model card

https://huggingface.co/gplsi/Aitana-2B-S

Comentarios

Modelo de lenguaje generativo entrenado a partir de salamandra-2b, utilizando datos en valenciano.

Descripción / Función

LLM (valenciano, español, inglés - turismo)

Nombre modelo

Aitana-2B-S-tourism-base-1.0

Model card

https://huggingface.co/gplsi/Aitana-2B-S-tourism-base-1.0

Comentarios

Modelo de lenguaje generativo basado en Aitana-2B-S-base-1.0 y entrenado adicionalmente con datos del dominio turístico.

Descripción / Función

Modelo transformer (multilingüe)

Nombre modelo

MrBERT

Model card

https://huggingface.co/BSC-LT/MrBERT

Comentarios

Modelo multilingüe basado en ModernBERT, preentrenado con 6,1 billones de tokens en 35 lenguas europeas y código. Ofrece representaciones bidireccionales sólidas y es adecuado para tareas como recuperación, clasificación y búsqueda semántica multilingüe.

Descripción / Función

Modelo transformer (español–inglés)

Nombre modelo

MrBERT-es

Model card

https://huggingface.co/BSC-LT/MrBERT-es

Comentarios

Modelo bilingüe español–inglés basado en ModernBERT y derivado de MrBERT mediante una adaptación de vocabulario y ajuste embeddings. Posteriormente, se continúa su preentrenamiento con 615.000 millones de tokens equilibrados entre ambos idiomas.

Descripción / Función

Modelo transformer (catalán–inglés)

Nombre modelo

MrBERT-ca

Model card

https://huggingface.co/BSC-LT/MrBERT-ca

Comentarios

Modelo bilingüe catalán–inglés basado en ModernBERT y derivado de MrBERT-es mediante una adaptación de vocabulario y ajuste de embeddings. Posteriormente, se continúa su preentrenamiento con 47.400 millones de tokens equilibrados entre ambos idiomas.

Descripción / Función

Modelo transformer (multilingüe - biomédico)

Nombre modelo

MrBERT-biomed

Model card

https://huggingface.co/BSC-LT/MrBERT-biomed

Comentarios

Modelo biomédico multilingüe basado en ModernBERT, adaptado desde MrBERT y entrenado con 24,13 mil millones de tokens biomédicos, principalmente en inglés y español.

Descripción / Función

Modelo transformer (bilingüe - científico)

Nombre modelo

MrBERT-science

Model card

https://huggingface.co/BSC-LT/MrBERT-science

Comentarios

Modelo científico multilingüe basado en ModernBERT, adaptado desde MrBERT y entrenado adicionalmente con 3.600 millones de tokens científicos en inglés y español.

Descripción / Función

Modelo transformer (multilingüe - jurídico)

Nombre modelo

MrBERT-legal

Model card

https://huggingface.co/BSC-LT/MrBERT-legal

Comentarios

Modelo jurídico multilingüe basado en ModernBERT, adaptado desde MrBERT y entrenado durante 10 épocas con 8.000 millones de tokens legales en inglés y español.

Descripción / Función

Modelo transformer (multilingüe)

Nombre modelo

mRoBERTa

Model card

https://huggingface.co/BSC-LT/mRoBERTa

Comentarios

Modelo RoBERTa multilingüe, entrenado en 35 idiomas y 92 lenguajes de programación, con un volumen total de 12,8 TB de datos.

Descripción / Función

Modelo transformer (catalán)

Nombre modelo

RoBERTa-ca

Model card

https://huggingface.co/BSC-LT/RoBERTa-ca

Comentarios

Modelo para catalán basado en RoBERTa, con pesos inicializados desde mRoBERTa y ajustes en embeddings para diferencias de tokenización. Preentrenado de forma continua con 95 GB de datos en catalán de alta calidad.

Descripción / Función

Modelo transformer (euskera)

Nombre modelo

BERnaT-base

Model card

https://huggingface.co/HiTZ/BERnaT-base

Comentarios

Modelo discriminativo BERnaT de 100M de parámetros, basado en la arquitecutra RoBERTa, entrenado from scratch con un corpus en euskera que combina texto estándar y no estándar (redes sociales e histórico).

Descripción / Función

Modelo transformer (euskera)

Nombre modelo

BERnaT-large

Model card

https://huggingface.co/HiTZ/BERnaT-large

Comentarios

Modelo discriminativo BERnaT de 400M de parámetros, basado en la arquitecutra RoBERTa, entrenado desde cero con un corpus en euskera que combina texto estándar y no estándar (redes sociales e histórico).

Descripción / Función

Modelo transformer (euskera)

Nombre modelo

BERnaT-medium

Model card

https://huggingface.co/HiTZ/BERnaT-medium

Comentarios

Modelo discriminativo BERnaT de 51,4M de parámetros, basado en la arquitecutra RoBERTa, entrenado desde cero con corpus en euskera que combina texto estándar y no estándar (redes sociales e histórico).

Adaptación de modelos para tareas específicas

_{Descripción / Función}

Moderación de contenido

_{Nombre modelo}

Salamandra-7b-instruct-guard

_{Model card}

https://huggingface.co/BSC-LT/salamandra-7b-instruct-guard

_Comentarios

Modelo de clasificación de seguridad diseñado para la moderación de contenido en catalán, español e inglés. Está construido sobre Salamandra-7b-Instruct.

_{Descripción / Función}

Detección de fraude

_{Nombre modelo}

Aitana Enc Fraud Detection

_{Model card}

https://huggingface.co/gplsi/Aitana-FraudDetection-R-1.0

_Comentarios

Modelo ajustado a partir de mRoBERTa para la clasificación binaria de la detección de phishing en textos en inglés.

_{Descripción / Función}

Lenguaje claro

_{Nombre modelo}

Aitana-ClearLangDetection-R-1.0

_{Model card}

https://huggingface.co/gplsi/Aitana-ClearLangDetection-R-1.0

_Comentarios

Modelo ajustado a partir de mRoBERTa para la tarea de clasificación de lenguaje claro en textos en español.

_{Descripción / Función}

Modelo adaptado al dominio

_{Nombre modelo}

Aitana-tourism-mb-encoder-1.0

_{Model card}

https://huggingface.co/gplsi/Aitana-tourism-mb-encoder-1.0

_Comentarios

Modelo ModernBERT-base preentrenado de forma continua con datos del dominio del turismo en español y valenciano.

_{Descripción / Función}

Normalización (euskera)

_{Nombre modelo}

marianmt-cap-punct-eu

_{Model card}

https://huggingface.co/HiTZ/cap-punct-eu

_Comentarios

Modelo de traducción automática que sirve para capitalizar y puntuar texto normalizado en euskera. El modelo ha sido entrenado desde cero utilizando Marian NMT y un dataset de 9.784.905 frases en euskera

_{Descripción / Función}

Normalización (euskera)

_{Nombre modelo}

marianmt-cap-punct-es

_{Model card}

https://huggingface.co/HiTZ/cap-punct-es

_Comentarios

Modelo de traducción automática que sirve para capitalizar y puntuar texto normalizado en español. El modelo ha sido entrenado desde cero utilizando Marian NMT y un dataset de 9.784.905 frases en castellano.