Los nombres de los modelos de IA son complicados: ¡aquí te mostramos cómo simplificarlos!

Estamos presenciando una explosión de modelos de IA. Pero está surgiendo un problema: los nombres de estos modelos se están volviendo cada vez más complejos, un laberinto de siglas y términos técnicos que confunden incluso a los usuarios entusiastas de IA.

• El modelo de IA de DeepMind puede aprender a crear vídeos con solo ver clips de YouTube

Necesitamos nombres más simples para los modelos de IA

Si bien cada nuevo modelo de IA puede ser innovador, sus nombres complejos son una barrera importante para los usuarios que intentan comprender y diferenciar los modelos. Esta complejidad no sólo dificulta la accesibilidad para el usuario promedio, sino que también crea barreras importantes para comprender y utilizar todo el potencial de estas poderosas herramientas.

Por ejemplo, cuando el gigante tecnológico chino Alibaba lanzó el modelo Qwen2.5-Coder-32B, ¿quién entendió realmente lo que podía hacer? Hay que profundizar en la terminología para descubrirlo.

Si bien las empresas de IA a menudo deciden nombres de productos creativos, como Gemini, Mistral o Llama, el nombre final de un modelo incorpora ciertos atributos técnicos, como la versión o número de compilación, la arquitectura o tipo, la cantidad de parámetros y otras características específicas. Por ejemplo, el nombre Llama 2 70B-chat nos dice que este modelo de Meta (Llama) es un modelo de lenguaje grande con 70 mil millones de parámetros (70B) y está diseñado específicamente para propósitos conversacionales (-chat).

En esencia, el nombre de un modelo de IA sirve como una abreviatura de sus propiedades clave, lo que permite a los investigadores y usuarios técnicos comprender rápidamente su naturaleza y propósito, pero en su mayoría suena como jerga para los no especialistas.

Consideremos una situación en la que un usuario desea elegir entre los últimos modelos para una tarea particular. Se enfrentaron a opciones como "Gemini 2.0 Flash Thinking Experimental", "DeepSeek R1 Distill Qwen 14B", "Phi-3 Medium 14B" y "GPT-4o". Sin profundizar en las especificaciones técnicas, diferenciar entre estos modelos se convierte en una tarea difícil.

Una serie de nombres de modelos, cada uno más confuso que el anterior, subraya la necesidad de cambios fundamentales en cómo etiquetamos y representamos los modelos de IA. El nombre del modelo de IA ideal debe ser una representación simple, clara y memorable de su propósito y capacidades.

Imagínese si los automóviles recibieran nombres según las especificaciones del motor y el tipo de suspensión en lugar de nombres simples y evocadores como "Mustang" o "Civic". Las convenciones de nomenclatura actuales para los modelos de IA a menudo priorizan las especificaciones técnicas por sobre la facilidad de uso. Y aunque parte de la terminología es esencial para los investigadores, en gran medida carece de sentido para el usuario promedio.

La industria necesita adoptar un enfoque terminológico más centrado en el usuario. Los nombres simples, intuitivos y descriptivos pueden mejorar significativamente la experiencia del usuario.

Una forma más sencilla de explorar las posibilidades

Además de los nombres confusos, descubrir qué puede hacer realmente un modelo de IA en particular es otro gran obstáculo. Normalmente, las capacidades están enterradas en lo profundo de la documentación técnica. Se combina con la gran diversidad y funciones especializadas de los modelos de IA. Es posible que un nombre simple no transmita todo el espectro de capacidades de un modelo de IA.

Afortunadamente, las herramientas de IA que aprovechan estos modelos agregan una pequeña descripción para especificar su caso de uso o capacidades; por ejemplo, Google especifica que el modelo Gemini 2.0 Flash Thinking utiliza razonamiento avanzado, mientras que 2.0 Pro es mejor para tareas complejas. Esto no es lo ideal, pero hay alguna ayuda.

En lugar de confiar en términos técnicos, los nombres de los modelos deberían reflejar su función o capacidad principal. Si se necesitan abreviaturas, deben elegirse con cuidado para garantizar que sean fáciles de recordar y de pronunciar. Además, se deben utilizar números de versión claros y concisos para indicar actualizaciones y mejoras.

Además, los modelos de IA se pueden clasificar por nombres que transmiten su función principal o característica única, como “Bot conversacional”, “Resumidor de texto” o “Reconocedor de imágenes”. Tal claridad desmitificaría la tecnología de IA. Este enfoque agiliza el proceso de descubrimiento, permitiéndole identificar rápidamente los modelos y herramientas de IA más adecuados para sus tareas sin tener que revisar un laberinto de nombres y descripciones confusos.

Sin embargo, la mayoría de los modelos de lenguaje son multifacéticos y pueden realizar más de una tarea. Por lo tanto, este enfoque puede no ser ideal para modelos de lenguaje avanzados y de gran tamaño.

El estado actual de la denominación de modelos de IA puede resultar confuso. Pasar a una nomenclatura más simple y a métodos de descubrimiento mejorados podría mejorar significativamente la experiencia del usuario y hacer que la tecnología de vanguardia sea más accesible para todos. Hasta entonces, manténgase informado, aproveche los recursos de la comunidad y experimente con diferentes modelos que puedan ayudar a los usuarios a navegar por el complejo mundo de la IA.