| Contenidos de Wikipedia en español bajo licencia CC BY-SA 4.0 ⇔ Mapas de OpenStreetMap bajo licencia ODbL |
MarIA (modelo de lenguaje)
MarIA es una familia de modelos de lenguaje en español presentada en julio de 2021 por el Barcelona Supercomputing Center (BSC) dentro del Plan de Impulso de las Tecnologías del Lenguaje. Fue el primer modelo masivo de la lengua española entrenado íntegramente con fuentes primarias españolas: el corpus procede del archivo de la web española que la Biblioteca Nacional de España recopila como parte del depósito legal electrónico.[1][2]
Desarrollo
El corpus de entrenamiento se construyó a partir de decenas de terabytes del archivo web de la BNE, depurados hasta obtener varios cientos de gigabytes de texto limpio en español. Sobre él se entrenaron en el superordenador MareNostrum modelos basados en la arquitectura RoBERTa (variantes base y large), a los que siguieron modelos generativos de tipo GPT-2 en español.
El proyecto fue financiado por la Secretaría de Estado de Digitalización e Inteligencia Artificial a través del Plan de Impulso de las Tecnologías del Lenguaje, y los modelos se publicaron en abierto para su reutilización por investigadores y empresas.
Significado para el patrimonio documental
MarIA es un ejemplo temprano de modelo de inteligencia artificial construido sobre fondos documentales custodiados por una institución de memoria española, en lugar de sobre agregados web genéricos: la trazabilidad de su corpus hasta el depósito de la BNE facilita la verificabilidad de sus fuentes.
Referencias
- ↑ «MarIA, el primer sistema masivo de inteligencia artificial de la lengua española». Barcelona Supercomputing Center. 2021. Consultado el 6 de julio de 2026.
- ↑ «El archivo de la web española, campo de entrenamiento lingüístico para sistemas de inteligencia artificial». Biblioteca Nacional de España. julio de 2021. Consultado el 7 de julio de 2026.
