# 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	_{Model card}	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	_{Model card}	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.
_{Descripción / Función}	LLM intruido (español - dominio legal y administrativo)	_{Nombre modelo}	ALIA-es-legal-7B-Base	_{Model card}	https://huggingface.co/SINAI/ALIA-es-legal-7B-Base	_Comentarios	Versión adaptada al dominio del modelo Salamandra 7B, optimizada para el ámbito jurídico y administrativo español.

### Modelos para desarrolladores (fundacionales y para fine-tuning)

Descripción / Función	Nombre modelo	Model card	Comentarios
LLM (multilingüe)	salamandra-7b	https://huggingface.co/BSC-LT/salamandra-7b	Modelo generativo multilingüe, entrenado desde cero en 35 idiomas europeos, con 8 mil millones de parámetros y 12,875 billones de tokens.
LLM (multilingüe)	salamandra-2b	https://huggingface.co/BSC-LT/salamandra-2b	Modelo generativo multilingüe, entrenado desde cero en 35 idiomas europeos, con 2 mil millones de parámetros y 12,875 billones de tokens.
LLM (gallego, portugués, español, catalán, inglés)	Llama-3.1-Carballo	https://huggingface.co/proxectonos/Llama-3.1-Carballo	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.
LLM (gallego, portugués, español, inglés)	Llama-Carvalho-PT-GL	https://huggingface.co/Nos-PT/Llama-Carvalho-PT-GL	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.
LLM (euskera)	Latxa 3.1 8B	https://huggingface.co/HiTZ/Latxa-Llama-3.1-8B	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.
LLM (valenciano, español, inglés)	Aitana-2B-S-base-1.0	https://huggingface.co/gplsi/Aitana-2B-S-base-1.0	Modelo de lenguaje generativo entrenado a partir de salamandra-2b, utilizando datos en valenciano, español e inglés.
LLM (valenciano)	Aitana-2B-S	https://huggingface.co/gplsi/Aitana-2B-S	Modelo de lenguaje generativo entrenado a partir de salamandra-2b, utilizando datos en valenciano.
LLM (valenciano, español, inglés - turismo)	Aitana-2B-S-tourism-base-1.0	https://huggingface.co/gplsi/Aitana-2B-S-tourism-base-1.0	Modelo de lenguaje generativo basado en Aitana-2B-S-base-1.0 y entrenado adicionalmente con datos del dominio turístico.
Modelo transformer (multilingüe)	MrBERT	https://huggingface.co/BSC-LT/MrBERT	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.
Modelo transformer (español–inglés)	MrBERT-es	https://huggingface.co/BSC-LT/MrBERT-es	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.
Modelo transformer (catalán–inglés)	MrBERT-ca	https://huggingface.co/BSC-LT/MrBERT-ca	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.
Modelo transformer (multilingüe - biomédico)	MrBERT-biomed	https://huggingface.co/BSC-LT/MrBERT-biomed	Modelo biomédico multilingüe basado en ModernBERT, adaptado desde MrBERT y entrenado con 24,13 mil millones de tokens biomédicos, principalmente en inglés y español.
Modelo transformer (bilingüe - científico)	MrBERT-science	https://huggingface.co/BSC-LT/MrBERT-science	Modelo científico multilingüe basado en ModernBERT, adaptado desde MrBERT y entrenado adicionalmente con 3.600 millones de tokens científicos en inglés y español.
Modelo transformer (multilingüe - jurídico)	MrBERT-legal	https://huggingface.co/BSC-LT/MrBERT-legal	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.
Modelo transformer (multilingüe)	mRoBERTa	https://huggingface.co/BSC-LT/mRoBERTa	Modelo RoBERTa multilingüe, entrenado en 35 idiomas y 92 lenguajes de programación, con un volumen total de 12,8 TB de datos.
Modelo transformer (catalán)	RoBERTa-ca	https://huggingface.co/BSC-LT/RoBERTa-ca	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.
Modelo transformer (euskera)	BERnaT-base	https://huggingface.co/HiTZ/BERnaT-base	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).
Modelo transformer (euskera)	BERnaT-large	https://huggingface.co/HiTZ/BERnaT-large	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).
Modelo transformer (euskera)	BERnaT-medium	https://huggingface.co/HiTZ/BERnaT-medium	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).
Modelo transformer (español - jurídico)	ALIA-MrBERT-es-legal-embeddings	https://huggingface.co/SINAI/ALIA-MrBERT-es-legal-embeddings	Modelo bi-encoder especializado en el dominio jurídico español, diseñado para tareas de similitud semántica y recuperación de información. El modelo se basa en MrBERT-es y ha sido ajustado con datos específicos del ámbito jurídico y administrativo mediante una estrategia de aprendizaje curricular.
Modelo transformer (español - patrimonio cultural)	ALIA-MrBERT-es-cultural-embeddings	https://huggingface.co/SINAI/ALIA-MrBERT-es-cultural-embeddings	Modelo bi-encoder especializado en el dominio del patrimonio cultural español, diseñado para tareas de similitud semántica y recuperación de información. El modelo se basa en MrBERT-es y ha sido ajustado con datos específicos del ámbito del patrimonio cultural mediante una estrategia de aprendizaje curricular.
Modelo transformer (español - jurídico)	ALIA-MrBERT-es-legal-reranker	https://huggingface.co/SINAI/ALIA-MrBERT-es-legal-reranker	Modelo cross-encoder especializado en el dominio jurídico español, diseñado como reranker para tareas de recuperación de información y ordenación de documentos. El modelo se basa en MrBERT-es y ha sido ajustado con datos específicos del ámbito jurídico y administrativo mediante una estrategia de aprendizaje curricular.
Modelo transformer (español - patrimonio cultural)	ALIA-MrBERT-es-cultural-reranker	https://huggingface.co/SINAI/ALIA-MrBERT-es-cultural-reranker	Modelo cross-encoder especializado en el dominio del patrimonio cultural español, diseñado como reranker para tareas de recuperación de información y ordenación de documentos. El modelo se basa en MrBERT-es y ha sido ajustado con datos específicos del ámbito del patrimonio cultural mediante una estrategia de aprendizaje curricular.

### 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.

--- # Agent Instructions: Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter: ``` GET https://langtech-bsc.gitbook.io/alia-kit/modelos/modelos-de-texto.md?ask= ``` The question should be specific, self-contained, and written in natural language. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.