Saltar a contenido

Datos de entrenamiento

Los datos se generaron a partir del corpus con un modelo maestro abierto (Qwen 3.5 27B), siempre con el documento a la vista.

Tipo Qué enseña
Fragmentos con su ficha el texto de cada norma, con número, fecha y órgano emisor al comienzo
Versiones reescritas el mismo contenido con otra redacción, para fijar el conocimiento y no la forma
Preguntas y respuestas consultas sobre cada documento, por tema y por identificador del acto
Abstención reconocer cuándo la pregunta no tiene respuesta en lo que el modelo sabe
Identidad qué es Liminar y quién lo desarrolla
Respuestas del propio modelo base consignas generales respondidas por el modelo antes del ajuste, para que no pierda capacidades generales
Tarea RAG consultas con fragmentos recuperados y respuestas que citan los actos del contexto

Tandas de versiones

Las versiones se generan por tandas. A partir de la segunda, el maestro ve lo que escribió antes y se le pide otra redacción y otras preguntas; las casi copias de la tanda anterior (ROUGE-L de 0,7 o más, el umbral de novedad de Self-Instruct, Wang et al., 2023) no entran al entrenamiento.

Tarea RAG

Los ejemplos RAG usan la consulta con los fragmentos que devuelve un sistema de recuperación real y una respuesta que cita solo actos presentes en el contexto. Se agregan porque ajustar solo con preguntas sin documentos puede empeorar el uso de lo recuperado (RAFT, Zhang et al., 2024). Los documentos de la evaluación no aparecen en estos ejemplos.

Partición

Las 300 preguntas del benchmark de normativa quedan afuera del entrenamiento y forman la validación; también se saca cualquier conversación de entrenamiento que repita exactamente una de esas preguntas. Los documentos de los que salen sí entran al entrenamiento: el benchmark mide si el modelo responde, sin documentos a la vista, sobre lo que aprendió del corpus.