Traducción automática
La traducción automática es software que traduce texto, voz o texto dentro de imágenes de un idioma a otro. Los modelos abiertos de hoy suelen partir de un modelo general y entrenarse después solo para traducir.
Los sistemas de traducción antiguos se construían para ese trabajo desde el principio. Los modelos de traducción abiertos de este catálogo parten de un modelo de lenguaje general y añaden entrenamiento de traducción. TranslateGemma parte de Gemma 3, Index-Translate de Qwen3.5 y PLaMo 3 Translate de PLaMo 3 NICT. TranslateGemma se ajustó con traducciones humanas y traducciones escritas por Gemini, y después se entrenó con aprendizaje por refuerzo frente a modelos de recompensa que puntúan la calidad de la traducción. PLaMo 3 Translate usó traducciones sintetizadas con Gemma 4, seguidas de dos rondas de optimización de preferencias.
En cada model card aparecen algunos términos. El idioma de origen y el de destino forman el par que se traduce, y un modelo suele ser mejor en algunos pares que en otros. TranslateGemma se evaluó en 55 idiomas, Hy-MT2 lista 33, PLaMo 3 Translate 53 e Index-Translate 150. Los idiomas de bajos recursos tienen poco texto de entrenamiento y son los más difíciles. La salida fuera de destino significa que el modelo respondió en un idioma distinto al solicitado. La mayoría de estos modelos solo traducen, así que usa un modelo general para cualquier otra cosa. Los textos más largos que la entrada del modelo hay que dividirlos, como con los 2K tokens de TranslateGemma o los 32.768 tokens de PLaMo para entrada y salida juntas. Un modelo también puede añadir u omitir contenido, así que revisa con una persona cualquier cosa importante.
Términos relacionados
- Métricas de traducción Las métricas de traducción son las puntuaciones que las fichas de modelo usan para valorar una traducción. Algunas cuentan el solapamiento con una referencia humana, otras usan un modelo entrenado o revisores humanos, y sus escalas no se pueden comparar.
- Ajuste fino (fine-tuning) El ajuste fino continúa el entrenamiento de un modelo preentrenado con tus propios ejemplos para que se comporte mejor en una tarea, un estilo o un dominio concretos.
- Aprendizaje por refuerzo (RL) El aprendizaje por refuerzo entrena a un modelo premiando los buenos resultados, como una respuesta correcta o superar pruebas, en lugar de copiar texto de ejemplo.
- Ventana de contexto La ventana de contexto es la cantidad máxima de texto, medida en tokens, que un modelo puede tener en cuenta a la vez, incluidos tu prompt y su propia respuesta.