La inteligencia artificial ética de Pleias estrena modelos de razonamiento con referencias integradas.

La startup francesa de inteligencia artificial, Pleias, ha lanzado recientemente dos modelos de razonamiento a pequeña escala diseñados específicamente para la generación de respuestas aumentadas con recuperación (RAG) y la síntesis de citas. Estos modelos, llamados Pleias-RAG-350M y Pleias-RAG-1B, están disponibles en formato GGUF optimizado para CPU, lo que permite un total de cuatro variantes listas para su implementación.

Estos modelos se basan en la familia de modelos de lenguaje pequeño Pleias1.0 y pueden ser utilizados de forma independiente o en conjunto con otros modelos de lenguaje grande (LLM) que una organización ya esté utilizando o planee desplegar. Todos ellos están disponibles bajo una licencia abierta de Apache2.0, lo que significa que las organizaciones pueden adoptarlos, modificarlos y desplegarlos para casos de uso comerciales.

La técnica de RAG es ampliamente utilizada por empresas y organizaciones para conectar un modelo de lenguaje grande con bases de conocimiento externas, como documentos empresariales y almacenamiento en la nube. Esto es especialmente útil para construir chatbots y aplicaciones de inteligencia artificial que hacen referencia a políticas internas o catálogos de productos.

Los modelos Pleias-RAG están diseñados para ofrecer una alternativa rentable a los modelos de lenguaje a gran escala sin comprometer la trazabilidad, las capacidades multilingües o los flujos de trabajo de razonamiento estructurado. Estos modelos son especialmente adecuados para empresas, desarrolladores e investigadores que buscan soluciones eficaces y rentables.

Una de las características clave de los modelos Pleias-RAG es su soporte nativo para la cita de fuentes con citas literales, totalmente integradas en el proceso de inferencia del modelo. Esto permite una trazabilidad y verificabilidad más sencillas, lo cual es especialmente importante en sectores regulados como la salud, el derecho y las finanzas.

Además, los modelos Pleias-RAG se describen como «proto-agentes», ya que pueden evaluar autónomamente si una consulta es comprensible, determinar si es trivial o compleja, y decidir si responden, reformulan o se niegan en función de la adecuación de la fuente. Sus resultados estructurados incluyen detección de lenguaje, informes de análisis de consultas y fuentes, y respuestas razonadas.

En evaluaciones de referencia, los modelos Pleias-RAG-350M y Pleias-RAG-1B superan a la mayoría de los modelos de peso abierto por debajo de 4 mil millones de parámetros en tareas como HotPotQA, 2WikiMultiHopQA y MuSiQue. Estos modelos muestran un rendimiento competitivo en varios idiomas, con un deterioro mínimo en francés, alemán, español e italiano.

La empresa matriz de los modelos, Pleias, enfatiza la importancia de la apertura y el acceso. Los modelos se entrenaron con el «Common Corpus» y se utilizaron para generar trazas de razonamiento sintéticas. La liberación bajo la licencia Apache2.0 permite la reutilización comercial y la integración en sistemas más grandes.

Mirando hacia el futuro, Pleias planea expandir las capacidades de los modelos a través del manejo de contextos más largos, una integración de búsqueda más estrecha y un ajuste de personalidad para una presentación de identidad más consistente. La compañía también está explorando el aprendizaje de refuerzo, particularmente en áreas como la precisión de las citas, donde la verificación de citas se puede medir algorítmicamente.

En última instancia, Pleias busca reposicionar a los modelos de lenguaje pequeño como herramientas de razonamiento estructurado en lugar de como chatbots conversacionales de propósito general. Al aprovechar una arquitectura de memoria externa y métodos de citación sistemática, la serie Pleias-RAG ofrece una alternativa transparente y auditabile a modelos de frontera más opacos.