CecilIA

Modelo de lenguaje cubano

CecilIA

Una familia de modelos de lenguaje entrenados sobre texto escrito cubano, para que una máquina entienda y escriba en nuestro español: el que dice guagua, el que sabe quién fue Martí, el que reconoce un asere.

Retrato de CecilIA

Nuevo · CecilIA voces

Preste su voz a CecilIA

Estamos grabando el primer corpus abierto del español hablado en Cuba, para que las máquinas lo entiendan y lo hablen como lo hablamos. Hacen falta voces de todas las provincias y de todas las edades.

Desde el teléfono, lea unas frases en voz alta o escuche las grabaciones de otros y diga si coinciden. Cada frase toma unos segundos y no guardamos su nombre.

Qué es CecilIA

Los modelos de lenguaje generales funcionan bien en inglés y razonablemente en español, pero fallan en las variantes regionales: no conocen el léxico, ni las referencias históricas, ni la manera de decir las cosas de una comunidad concreta. En el caso cubano esa carencia es total.

CecilIA 2B es un modelo de 2 mil millones de parámetros, construido sobre Salamandra 2B y entrenado durante dos épocas completas sobre cerca de mil millones de palabras de texto cubano. Es el primer modelo de base de gran escala, disponible públicamente, hecho para el español de Cuba.

CecilIA 2B Instruct es la versión que sigue instrucciones y responde preguntas. Está también en formato GGUF, para usarla con llama.cpp o LM Studio.

Lo desarrolla el Grupo de Inteligencia Artificial de la Universidad de La Habana, junto al grupo GPLSI de la Universidad de Alicante, con el apoyo de Syalia SRL y Epistemial.

Con qué se entrenó

Prensa

Diez años de los principales periódicos del país.

Enciclopedia

La Enciclopedia Cubana completa (EcuRed).

Leyes

La colección completa de la legislación cubana.

Literatura

Más de 400 obras de la literatura nacional.

Cubanismos

Diccionarios locales de modismos y elementos culturales.

Canciones

Cientos de letras de cantantes populares cubanos.

Ayude a mejorar CecilIA

CecilIA ya sigue instrucciones. Para que lo haga mejor, y con nuestra manera de decir las cosas, hacen falta más ejemplos escritos por hablantes nativos, y esos ejemplos no los puede generar una máquina.

Escribir un ejemplo toma dos minutos: usted hace una pregunta y escribe la respuesta que CecilIA debería dar.

CecilIA de cuerpo entero, con guayabera

Documentos

Cómo usarlo

Los modelos se cargan con la biblioteca transformers de HuggingFace y son compatibles con vLLM. La versión GGUF corre en local con llama.cpp o LM Studio.

CecilIA 2B v0.1, el modelo base, se distribuye bajo licencia CC BY-SA 4.0 y modela lenguaje: no sigue órdenes. Para conversar con CecilIA, use la versión Instruct. Como todo modelo de lenguaje, puede equivocarse o inventar datos, y no sustituye el criterio de un profesional.