Huella digital en los textos generados con Claude

 

El pasado día 10 de agosto, Anthropic anunció que sus modelos de lenguaje Claude incorporarán “una marca de agua”, una huella digital invisible en los textos que genere, de modo que se pueda saber si un texto determinado es original humano o creado por un LLM.

Esta decisión se ha tomado para cumplir con la Directiva europea EU AI Act’s Article 50 (2) sobre Code of Practice on Transparency in AI-Generated Content, que obliga a que exista una manera de determinar si un escrito es original o no. 

El comunicado de Anthropic dice que:

1. Los textos generados con modelos de Claude lanzados "en la UE en o tras el día 2 de agosto" ya incorporarán la huella. 

2. Los modelos lanzados anteriormente al 2 de agosto por ahora seguirán sin llevar la nueva marca de agua, pero Anthropic está trabajando en hacer que también la incorporen a la mayor brevedad posible.  Como el último modelo en circulación, el Claude Opus  5, se lanzó a finales de julio del 2026, por el momento se supone que no ninguno aún incluye dicha huella digital. Si los ingenieros de Anthropic ya trabajan para modificarlos, la incorporación de la marca de agua textual ocurrirá entre ahora y el 2 de diciembre. 

Anthropic afirma que en el futuro pondrá a disposición del público una aplicación para detectar esa marca digital en los textos, pero el algoritmo concreto no parece que vaya a hacerse público.

El acta de la Unión europea tiene buenas intenciones en el fondo (evitar que los estudiantes se limiten a copiar trabajos generados por una IA, sin estudiar; detectar bulos informativos - que pueden ser deliberados o fruto de las típicas “alucinaciones” de la IA- ; asegurar la calidad y verificabilidad de los artículos científicos; impedir manipulaciones legales, etc.) pero su vaguedad y su intento de cubrirlo todo sin matices, puede crean más problemas que soluciones, como veremos.

Hay que indicar que, aunque el revuelo mediático sucede con el anuncio de Claude, otros modelos ya usan sistemas de este tipo aunque con poca fiabilidad. Es el caso, por ejemplo, de Google que utiliza la técnica SynthID desde hace ya algún tiempo. OpenAI ya ha anunciado que también piensa cumplir con el requisito de la UE.

El único fabricante que por el momento no implementará este tipo de controles es Grok, no se sabe si por convencimiento técnico/comercial o simplemente porque va más tarde que los demás en el desarrollo de código. Si fuera por la primera razón, habrá que ver si puede mantener la apuesta ya que la UE exige que la salida generada por un LLM pueda ser detectada por herramientas de verificación.

De los contendientes chinos (como DeepSeek) nada se sabe aunque cabe presuponer que implementarán algo similar, no para complacer  a la UE sino para satisfacer las propias normas chinas. Otro asunto es si lo comunicarán.

Esta marca de agua, según los creadores, no desaparece al copiar y pegar el texto, incluso al modificarlo, lo cual trae  consigo dudas técnicas sobre cómo se logra esto de un modo fiable (sin falsos positivos) y, segundo, introduce graves serias consideraciones morales y legales.

La noticia ha causado una tormenta de opiniones, casi todas negativas, y una constelación de hipótesis sobre cómo será esta marca de agua desde un punto de vista técnico.

Las marcas de agua. Esteganografía. Criptografía.

Ocultar información para que sólo pueda ser vista o leída por un destinatario preciso es un asunto que ha ocupado al hombre desde hace miles de años. Los antiguos ejércitos romano, chino o persa usaban ya sistemas de este tipo. En todas las guerras y en todas las relaciones políticas y empresariales se concede especial importancia a los métodos de ocultación de la información y ello ha dado lugar a numerosas novelas y películas, como “Enigma” (The Imitation Game) de Morten Tyldum, estrenada en el año 2014.

La criptografía se utiliza para cifrar información de manera que sea ininteligible para una persona que no conozca la clave o el algoritmo de cifrado, a pesar de que sea evidente que hay un mensaje escondido en lo que se ve. 

Por su parte, la esteganografía oculta la información de modo que no sea advertido el hecho mismo de su existencia y envío. De esta última forma, un probable intruso ni siquiera sabrá que se está transmitiendo información sensible. Un método habitual es esconder un mensaje de texto dentro de una fotografía, por ejemplo asignando un color determinado (que tiene una valor HEX que corresponde a una letra concreta) cada cierto número de píxeles. Como el mensaje puede tener, digamos 1000 caracteres, pero una gran foto tiene diez millones de píxeles, el ojo de una persona no experimentada no se da cuenta de que hay un 0,01% de puntos con tonalidades distintas a las que debieran ser.

Por supuesto, la criptografía y la esteganografía pueden complementarse y es habitual que el mensaje a esteganografiar sea previamente cifrado, de tal modo que a un eventual intruso no solo le costará advertir la presencia de la mensajería oculta, sino que, si la llegara a descubrir, la encontraría cifrada.

Ocultar datos en un fichero, una imagen o un vídeo es algo usual. Desde siempre, conocemos los textos fotocopiados en donde aparece una marca de agua por detrás del texto para mostrar su origen y propiedad. Estas marcas, si son evidentes, pueden considerarse una esteganografía básica, que no esconde que hay un mensaje, sólo impide que se copie sin más. Más difícil de detectar, pero igualmente sencillo, son las trazas de puntos de impresión que se usan para saber qué impresora imprimió un documento.

Hacer algo similar en un fichero digital es más complicado porque si se tratara de una marca como la de las fotocopias, sería relativamente fácil de eliminar. Con todo, sigue siendo una técnica usada. Por ejemplo, esos catálogos de muestras de fotos que se presentan con unas huellas, textos o logotipos sobreimpresos para poder ver qué fotografía es y poder comprarla on-line. Al hacerlo, se recibe la imagen sin esa marca digital.

Técnicas más sofisticadas son, por ejemplo:

- La inclusión en los datos del archivo (que, al cabo, son ceros y unos), de ciertos códigos que no se visualizan.

- En textos, introducir caracteres de ancho nulo o caracteres en blanco que no se ven sobre el fondo de la pantalla o caracteres de otros idiomas, mal acentuados a propósito en ciertas posiciones, etc, etc,

- En imágenes y vídeos pueden añadirse metadatos a los ficheros. Estos metadatos no se visualizan y, por tanto, son invisibles en la foto o en el vídeo pero pueden leerse con un editor hexadecimal o con aplicaciones para ello. Son bien conocidos, por ejemplo, los datos de un fichero JPG, un video MP4 o un audio MP3 que incorporan el autor, la fecha, la resolución, y muchos datos más.

En el campo de la IA, que es el que nos ocupa, son bien conocidas las marcas que Gemini incorpora en sus imágenes. Menos conocido pero igualmente utilizado es el sistema esteganográfico SynthID, que es una firma invisible en píxeles o frecuencias de audio que resiste modificaciones como recortes o compresión. Es decir, como en el ejemplo citado anteriormente, se modifican ciertas posiciones de la imagen o frecuencias del audio para que pasen desapercibidas pero que pueden ser leídas por un algoritmo. Google lo utiliza en Gemini y permite analizar archivos de imagen, vídeo o audio directamente desde la aplicación para verificar si fueron generados por los sistemas de Google. El mismo sistema es utilizado por OpenAI en ChatGPT. Hay que decir que no es muy fiable porque una modificación de la imagen con una aplicación de diseño gráfico suele distorsionar la firma digital. Por otro lado, SynthID no funciona especialmente bien con texto, menos aun para generar código de programación. Pero, a pesar de ello, ya hace dos años, Google DeepMind anunció que extendía su tecnología SynthID a modelos de texto. Aparentemente, desde entonces, el texto generado por los modelos Gemini llevan incorporada esta marca de agua, que es una distribución estadística de las palabras escogidas, no un carácter invisible. SynthID es, ahora, open source.

Entonces, ¿cómo hacerlo en un texto? Existen ya detectores de plagio de IA externos (como Winston AI o Pangram) que pueden identificar textos redactados por Gemini analizando patrones de lenguaje ya que los humanos tienden a escribir de manera menos concisa, más creativa, quizá con faltas ortográficas, con patrones diferentes  que pueden ser detectados pero son poco fiables y la existencia de falsos positivos o falsos negativos es muy alta.

¿Cómo lo va a hacer Anthropic en Claude?

De momento, son todo especulaciones porque la empresa no ha desvelado el algoritmo concreto, menos aún las claves que utilizará. Algo lógico, porque una vez que se desvele el cómo lo hacen, será cosa de días el que se programe en código libre una aplicación que elimine esa marca de agua. Incluso, podemos pensar que la poca información que se conoce y que se explica más adelante puede ser falsa, puede ser una filtración falsa para encaminar a los programadores de contramedidas en dirección opuesta al método usado en realidad. 

Según afirma la empresa, la marca sobrevive al copiar y pegar porque estará en la elección de las palabras que usa y no es una frase en particular. 

Es decir, que nadie piense que se van a introducir caracteres ocultos, o erratas deliberadas, o ciertas expresiones prefijadas, o códigos que no se ven a simple vista, metadatos, etc. 

No. El sistema parece mucho más sutil que eso y se basa, como veremos, en alterar artificialmente la distribución aleatoria normal de unas cuantas palabras en unas cuantas posiciones prefijadas por un algoritmo. Aunque se corte y pegue ese texto, aunque se reescriba parte, si el analizador ve que aún y todo quedan todavía un, digamos, 80% de alteraciones en sus posiciones programadas, cabrá deducir que el texto ha pasado por la IA o ha sido generado por ella ya que es poco probable que un humano haya acertado a rellenar ese 80% de lugares con las palabras o caracteres calculados. 

Como se ha citado anteriormente, Anthropic lanzará en el futuro herramientas para ayudar a detectar esas marcas y también actualizará los modelos ya existentes para que también puedan incluir estas marcas. La UE exige  en su directiva la posibilidad de verificación independiente, por lo que, de alguna manera, los desabolladores de LLMs deben dar a conocer el sistema pero podría que sólo tuviesen acceso a los detalles  organismos oficiales o académicos. Anthropic ha anunciado que creará una API, pero posiblmente el acceso también estará limitado y/o el coste quizá sea elevado.  

Las dudas éticas y legales

Antes de entrar en los detalles técnicos (siempre, presuntamente), el anuncio de Anthropic ha desatado un debate profundo sobre sus implicaciones legales y éticas.

1.- Aunque no se esté en contra de manera visceral respecto a detectar textos generados por la IA, la primera cuestión que aparece es “¿qué es un texto generado por IA?”.

Uno puede estar de acuerdo en que pulsar un botón, obtener un texto de 200 páginas y subirlo a Amazon como novela propia es un engaño, aunque esto es discutible. Nadie piensa que es un engaño dar al botón de arranque de una máquina que fabrica llaves y luego vender esas llaves. Nadie piensa que la máquina pueda reclamar la autoría de las llaves o que el fabricante de la máquina pueda reclamar la propiedad del producto realizado. 

Pero es que, en la mayoría de los casos, Claude – como los demás LLM- es utilizado como herramienta. Es decir, el autor humano podrá escribir él mismo un texto y pedirle, por ejemplo, al LLM que lo verifique en ortografía, en sintaxis, que pula el estilo, que proponga alternativas a una trama, que añada un detalle en dos páginas, o cien mil cosas que se le ocurren al ser humano al usar una herramienta, cualquier herramienta. ¿Por qué, entonces, debería Claude o cualquier otro modelo adjudicarse la autoría de un texto si sólo ha editado algunas palabras o frases; algunas páginas, servido como inspiración, o corregido errores ortográficos? ¿Es Word el autor de un texto cuando lo utilizamos para escribir o usamos su corrector? ¿Es Adobe el propietario de un texto escrito por nosotros y convertido a PDF? ¿Adobe marca las imágenes que mejoramos o editamos con Photoshop? ¿Es el constructor el propietario de una casa que nos ha vendido? Pagamos por la herramienta o el trabajo del proveedor. El resultado de su utilización es nuestro.

El uso de los LLM como herramienta no puede considerarse nunca un plagio, una copia, un engaño, porque ese es su uso real y lógico. 

Sin embargo, ni Claude ahora, ni Google con  SynthID hablan de nada de esto, como casi no lo explica ni matiza la directiva de la UE. Esto implica que las tecnológicas van a incluir una marca de agua que significa “hecho por IA” cuando en realidad no han hecho mas que tareas propias de la herramienta. Un escritor introduce una novela propia de 500 páginas para corregir errores, y queda marcada como hecha por el modelo de lenguaje. Suavizamos una sombra de una fotografía tomada por nosotros, y el sistema la cataloga como hecha por IA. O que pidamos combinar dos imágenes de dos abuelos nuestros e, igualmente, el resultado quede marcada como creado por IA. 

Esta forma de introducir la huella digital es poco ética. 

Y, sin embargo, parece que es lo que va a hacerse. Da la impresión de que SynthID y la técnica de Claude van a marcar que es IA tanto si el texto se ha  generado desde cero como si solo se han revidado tres puntos y aparte. Ningún gris. Puede ser claramente, abusivo.

Curiosamente, en un mensaje en la red X, un ingeniero de Anthropic aceptaba, con buen criterio, estas limitaciones. ¿Por qué entonces, si está claro que no puede afirmarse que el texto sea una generación de un LLM, se marca como tal?

Limitations

Machine-readable marks provide important signals about content, but it’s worth understanding their limitations across all content types.

• A detected mark provides a signal that content was processed by Claude, but is not fully conclusive.

Detecting a Claude mark tells you that the content may have been processed by Claude. It does not, on its own, confirm the full provenance of the content. For example: 

o Claude may not be the original author. People often use Claude to proofread, translate, summarize, or convert files. The output can carry a Claude mark even if the underlying ideas, text, or data originated from another source; 

o The content may have changed after Claude processed it. Marked content may be modified, excerpted, or combined with other material after Claude processed it. 

• Lack of a detected mark doesn’t mean the content wasn’t AI-generated or processed. Content generated by Claude may not carry a detectable mark if, for example: 

o It was generated by a model released before marking was supported; 

o The text has been heavily edited, paraphrased, translated, or mixed into other writing; 

o The passage is very short, leaving too little text for a reliable signal; 

o A file’s metadata was stripped through format conversion, re-saving, screenshots, or other means; 

o It was produced through a platform, feature, or file type where a particular marking type wasn’t supported. 

Así, la propia Anthropic reconoce que el sistema no distingue si lo escribió entero o si apenas corrigió tres tildes de un borrador humano. Ese matiz importa, porque del otro lado del detector va a estar un profesor o un jefe decidiendo qué tan tuyo es lo que entregaste.

Por el lado de la directiva, la única frase existente en la directiva apunta en esa dirección pero es tan genérica que es imposible de aplicar:

'Esta obligación no se aplicará en la medida en que los sistemas de IA realicen una función de asistencia para la edición estándar o no alteren sustancialmente los datos de entrada facilitados por el implementador ni la semántica de dichos datos, o cuando estén autorizados por la ley para detectar, …’ 

¿Cómo se detecta que es una edición estándar? ¿Pedir sugerencias a una IA – una función obvia- es alterar los datos?

2.- Ni que decir tiene que, de este modo, y transcurrido cierto tiempo, todo lo escrito en el mundo estará macado como generado por IA, convirtiendo la ley en inoperante y ridícula. Como todo tendrá marca de agua, será como que nada tiene marca de agua. Será como decir ahora que un texto ha sido creado con Word. Claro, obvio. No implica ni significa nada.

Tampoco parece que la UE está por la labor de mejorar y matizar ampliamente la ley, de modo que va a ser, con toda probabilidad papel mojado, y da la impresión de que los movimientos de los fabricantes son puros gestos de marketing y burocracia para ser homologados.

3.- Es bien sabido que los modelos son permanentemente entrenados, alimentándolos con ingentes cantidades de textos. Y que estos textos han podido ser creados, modificados o revisados por otros LLMs. Entonces, acabaremos entrenado un modelo con textos de otro ya marcados como realizados con IA, apilando marcas de agua una sobre otra. Podremos encontrarnos con un texto propio, ideado y escrito por nosotros, que pasado para revisión por Claude, ChatGPT y Gemini se clasifique como un texto creado por Claude, Gemini y ChatGPT. Resulta ridículo.

Si introducimos las veinte primeras páginas de El Quijote en Claude y le pedimos que cambie la ortografía para hacerla más contemporánea (Quijote por Quixote; dijo por dixo, etc), me devolverá el Quijote con la marca de agua de que está hecho por IA. ¡Increíble!

4.- Si esa marca de agua implica que la empresa que creó el LLM tiene el copyright del trabajo realizado, la situación legal es preocupante. No parece razonable que el fabricante de una aplicación tenga el copyright de mi creatividad sólo porque haya usado esa aplicación que, además, he incluso pagado eventualmente. Y difícilmente sostenible en un tribunal ya que “la prueba” de la generación IA es una distribución estadística de palabras. De acuerdo, puede ser difícil que un humano atine con dicha distribución, pero no es imposible, como no es imposible que nos salgan tres caras seguidas al lanzar una moneda al aire o que nos toque la lotería.

En mi opinión, el problema fundamental es que los fabricantes de LLMs pueden reclamar un marcaje de autoría cuando sólo han tocado el texto o sólo han sido usados como herramienta.

5.- Otro asunto de gran calado ético es el siguiente: el entrenamiento de todos los modelos ha sido realizado utilizando vastas cantidades de información generada por humanos durante siglos sin haber pedido permiso (la polémica al respecto ha estado continuamente en los medios de comunicación). Entonces, la situación es que unas empresas que han creado un producto con documentos que sí pertenecían a humanos, sin pedir permiso ni pagar derechos, usan ahora esa información para modificar más información humana y, encima, se apropian de los derechos. Es un evidente abuso.

6.- En países fuera de la UE, y particularmente en los EEUU, se está criticando el porqué debe aplicarse esta huella digital a todos los usuarios del mundo y no sólo a los europeos. Dudo mucho, por otro lado, que puedan hacerlo en China u otros países.

Hay muchos usuarios americanos que piden que Claude, o Gemini u Open AI no permitan funcionar sus sistemas en Europa y punto. Y a ver que harían entonces los europeos que van totalmente atrasado en el campo de la IA.

Asimismo, se argumenta que si el mensaje de marketing principal de la IA es que aumenta la productividad, ¿por qué se penaliza el que se escriba más rápido, el que se use la herramienta para acelerar la tarea de la escritura? Si la IA se usa mal, si el humano no pone de su parte, el resultado será malo, será poco creativo, anodino, banal. Ese es el filtro, el resultado. No el uso de las herramientas. 

7.- Existe asimismo el temor de que la marca de agua (que, como hemos ya apuntado, se basa en introducir palabras de manera forzada) disminuya la calidad del texto generado. Las empresas dicen que no, pero deben probarlo. Especialmente, en tareas de ciencia o de traducción esperamos que se usen las palabras correctas, las mejores. No que se diga, por ejemplo, “la viga rompió por un excesivo giro” en vez de “la viga rompió por una excesiva torsión” que es el término más técnico.        

    

La técnica probable para implementar estas huellas digitales.

Ya desde hace varios años, investigadores independientes han analizado el cómo podría crearse esta huella digital en textos. Por ejemplo, el artículo técnico publicado el año 2024 por investigadores de la Universidad de Maryland, titulado A Watermark for Large Language Models estudiaba el problema y proponía una solución basada en listas de palabras seleccionadas que parecía cumplir con los requisitos sin alterar la calidad del texto. Igualmente, puede citarse el paper del año 2023 titulado Robust Multi-bit Natural Language Watermarking through Invariant Features (por investigadores de la Universidad de Seúl). Muy probablemente, Anthropic se habrá inspirado en trabajos como estos.

 Como hemos dicho, la marca de agua sobre un texto no es un carácter especial, invisible, Unicode, etc. o grupo de caracteres que se adhieren al texto sin que sean vistos y que desaparecen al pegarlo como texto plano.

La marca de agua sobre texto es el resultado de aplicar un patrón estadístico a la generación de tokens, que sólo el proveedor del modelo conoce o, al menos, mantiene secreta la clave que genera el patrón.

En el funcionamiento normal del LLM, paso a paso, se va calculando cuál es la siguiente palabra más probable en función de lo ya escrito y del contexto, De todas las palabras posibles para ese contexto ya escrito, se elige la más probable según los datos del entrenamiento. 

Por ejemplo, si tenemos ya escrito 'La transición hacia ciudades más peatonalizadas y arboladas representa uno de los desafíos más...' Opción A: 'urgentes' (60% de probabilidad) Opción B: 'prioritarios' (30% de probabilidad) Opción C: 'críticos' (10% de probabilidad). En la realidad, habrá muchas más opciones, incluso cientos. 

En esta simplificación, normalmente, el LLM elegiría “urgentes” a menudo, algunas veces “prioritarios” y pocas veces “críticos”.

Pero, ahora, para introducir la huella digital invisible, para definir esa nueva palabra (ese nuevo token), el contexto ya escrito se combina con una contraseña secreta que sólo conoce el fabricante. Esto origina una semilla pseudoaleatoria, que se usa para dividir el vocabulario total posible en dos grupos de tokens, en dos grupos de palabras: el grupo verde (del que queremos que nuestro modelo elija) y el grupo rojo. Las palabras del grupo verde son entonces artificialmente mejoradas en su probabilidad de aparición. 

Por ejemplo, continuando con el ejemplo, si el contexto de lo escrito hasta el momento es “La transición hacia ciudades más peatonalizadas y arboladas representa uno de los desafíos más...”, al combinarlo con la contraseña, podría hacerse que la probabilidad de que sea elegida “críticos” suba un poco respecto a las otras.

Pero si el contexto de lo escrito hubiese sido “La transición hacia ciudades más humanas y arboladas representa uno de los desafíos más...”, quizá la contraseña haga que sea “prioritarios” la más probable.

En nuestro ejemplo, tras la aplicación de la contraseña al contexto que teníamos, podríamos cambiar artificialmente las probabilidades a Opción A: 'urgentes' (50% de probabilidad) Opción B: 'prioritarios' (25% de probabilidad) Opción C: 'críticos' (25% de probabilidad). La palabra “críticos” aparecerá, ahora, más veces de lo que realmente le correspondería y, además, lo haría en lugares determinados por la contraseña.

Así, si una vez cada X elecciones el LLM omite deliberadamente escoger la mejor opción para escoger otra, crea un patrón. Un patrón que un humano no detecta porque es mínimo pero que matemáticamente es calculable. Y si se copia y pega, lo probable es que se arrastre ese patrón con la copia.

Para hacer que sea más difícil detectar estas palabras del grupo verde que van a ser “ayudadas” a aparecer más veces, la actualización de ambos grupos se hace en función de cada contexto diferente. De este modo, las palabras “verdes” están cambiando continuamente de acuerdo a un patrón determinado por la contraseña. Si no se hiciera esto, podríamos ver en el resultado que algunas pocas palabras se repiten en demasía siempre, deduciendo cuál era el grupo verde fijo. Para evitar esta deducción, el grupo verde (y, por tanto, el rojo) va cambiando continuamente. Sólo conociendo la contraseña podríamos reconstruir la evolución de ese grupo de palabras seleccionadas en cada momento.

El sistema sabe en todo momento que en ciertas posiciones ha “ayudado” a ciertas palabras a aparecer más frecuentemente.

Luego, basta revisar esas posiciones con la contraseña que sólo el desarrollador conoce. Muy probablemente, no aparecerán todas las “ayudadas” pero sí muchas. Si, por ejemplo, aparecen un 80% de las palabras “verdes” privilegiadas en cada posición prevista, hay muchas posibilidades de que ese texto haya sido escrito por la IA y no por un humano. Una coincidencia suelta puede ser casualidad, pero miles seguidas dejan un patrón que solo el detector sabe leer.

Pero son posibilidades. El humano podría haber acertado por casualidad, como si le tocase la Lotto y ganará 100 millones de euros. Improbable, pero no imposible. 

En el método, antes citado, SynthID-Text (llamado KGW por las siglas de sus autores), no se divide el vocabulario en  un grupo verde y rojo para cada diferente contexto, sino que se aplica un método llamado “de torneo medieval”. Se toman múltiples tokens elegidos normalmente por el modelo como aptos para ese contexto y se emparejan dos a dos. Con una clave secreta se decide cuál de los dos tokens gana el duelo, repitiendo el proceso muchas veces hasta elegir uno. La marca de agua es la correlación estadística que se va acumulando en el texto entre los tokens elegidos y sus puntuaciones en los torneos. 

Hay que señalar que, en cualquier caso, la longitud del texto resulta muy significativa. En textos muy cortos, es difícil cambiar palabras suficientes sin que se note. Si el texto generado es muy largo, habrña  mayores posibilidades de incorporar la marca de agua de manera efectiva. 

También importa la creatividad del texto. Un documento técnico, uno legal o un código de programación dan pocas opciones a cambiar el texto y, por tanto, dificultan la introducción de la marca de agua. Particularmente, en el código, no se puede cambiar nada porque no funcionaría el programa. Se supone, entonces, que se usarán los comentarios o los nombres de variables que aceptan flexibilidad. Igualmente, modificar palabras en un texto legal puede ser muy problemático porque los matices importan y el sistema debería centrarse en aplicar la marca de agua en parágrafos de relleno o que no impliquen obligaciones legales o variar conectores lingüísticos inocuos como alguna preposición, conjunción o artículo.

Por el contrario, un texto de ficción, un relato, un poema, permiten más flexibilidad lingüística y, por tanto, la inclusión de la huella digital que pase desapercibida.

Los cálculos probabilísticos del patrón que forma la huella digital se realizan con trozo del texto, no con todo él. De este modo, si se corta y pega, es más que posible que el trozo pegado siga manteniendo el patrón dentro de él y por ello la marca de agua textual siga existiendo. 

Hecha la ley, hecha la trampa

Si Anthropic da a conocer públicamente los detalles del algoritmo y, sobre todo, la clave, entonces bastarán pocos días para tener aplicaciones que eliminen la huella digital. Y, en cierta medida, como ya se ha comentado, la UE lo requiere para que terceros puedan verificar independientemente el resultado.

Si no lo hace, ya hay ideas variadas (aún no probadas porque no hay modelos de Claude con la marca de agua implementada) para eliminar o modificar significativamente el patrón.

1.- una idea es pasar el texto por varios LLMs secuencialmente, especialmente por alguno que no contemple huellas digitales, como Grok o sistemas de código abierto. En este caso, la reescritura que cada modelo hará puede acabar por desfigurar el patrón lo suficiente como para que ya no sea posible. Probablemente, se precisarían, varios pasos porque, como se citó, el copiar y pegar pedazos no funcionará. Además, puede ocurrir que anulemos un patrón para cargar el del nuevo LLM usado.

2.- Traducir, por ejemplo, del español al francés, y vuelta al español.

3.- Modificar manualmente varios párrafos de manera bastante agresiva (es decir, cambiar bastante más que dos sinónimos o tres adjetivos).  Pero cambiar un texto significativamente sin alterar el estilo o el mensaje, no es sencillo. Y, además, merecería la pena, en tal caso, escribirlo desde cero. 

4.- Normalizar el texto, cambiando los espacios y símbolos de puntuación, uniendo párrafos o cambiándolos de lugar si es posible sin afectar al contenido.

5.- Ya hay anuncios en las redes sociales de aplicaciones que borran la marca de agua textual pero no pueden probarse de manera efectiva hasta que haya un modelo Claude con la huella ya implementada.

6.- En el caso de generación de código, reescribir los comentarios, remplazar nombres de variables o refactorizar el propio código.

7.- Para imágenes, usar aplicaciones que borran los metadatos, cambiar resolución, copiar pantalla…     

 

En los meses venideros:

Una vez que haya un modelo Claude implementado, miles de usuarios comenzarán a hacer pruebas y se sabrá más.

También, en Biblumliteraria, analizaremos el asunto.

ÚLTIMA HORA

Ayer mismo, Anthropic publicó un documento explicando que su sistema es una variante de SynthID, tranquilizando a los usuarios, asegurando que no consumirá tokens (importante para los suscriptores de pago) y señalando que, como ya hemos indicado más arriba, la marca de agua digital sólo puede afirmar que hay posibilidades, indicios, de que el texto haya sido escrito por Claude, pero no asegurarlo.

Puede leerse en este enlace.

 

Computación iónica neurofórmica

 

El vertiginoso avance de la inteligencia artificial, el lenguaje generativo y la computación convencional se está topando con un muro insalvable relacionado con el consumo energético y las limitaciones físicas de los semiconductores tradicionales. Mientras que los centros de datos modernos requieren megavatios de potencia para entrenar algoritmos, el cerebro humano realiza tareas cognitivas sumamente complejas consumiendo apenas unos veinte vatios. El secreto de esta eficiencia radica en que la biología no depende de electrones moviéndose por cables rígidos de silicio, sino de iones y moléculas interactuando en soluciones acuosas a través de canales microscópicos. En este contexto, el artículo científico Knowledge gaps for neuromorphic ionic computing, publicado en la revista Science, de Narayana Aluru al frente de un equipo investigador, se posiciona como un estudio para entender la próxima frontera tecnológica: el desarrollo de ordenadores fluido-iónicos que imitan la arquitectura y el funcionamiento líquido de nuestras neuronas.

El artículo explora las lagunas existentes en nuestro conocimiento actual para poder desarrollar eficazmente este tipo de dispositivos. El argumento central de los autores es que la comunidad científica no puede pretender construir ordenadores iónicos utilizando la misma mentalidad con la que se diseñan los chips de silicio. Para avanzar, es imperativo desarrollar nuevas teorías físicas, materiales avanzados y metodologías de fabricación que abracen la complejidad intrínseca de los entornos húmedos. Uno de los primeros desafíos que desglosa el texto es la física del nanoconfinamiento. A escalas moleculares, el agua y los iones no se comportan de forma convencional; las redes de enlaces de hidrógeno y la fricción entre los iones y las superficies de los nanocanales alteran las leyes hidrodinámicas clásicas, lo que hace que los modelos matemáticos actuales resulten insuficientes para predecir el transporte de carga.

Otro concepto que se extrae de la literatura sobre este tema es el de la computación multicolor. A diferencia de la electrónica binaria tradicional, basada estrictamente en la presencia o ausencia de electrones, los sistemas biológicos utilizan múltiples tipos de iones en paralelo, como el sodio, el potasio o el calcio. Cada una de estas especies químicas posee una masa, una carga y una firma de hidratación únicas, lo que permitiría procesar la información de una manera extraordinariamente rica y multidimensional. Sin embargo, el artículo señala que la tecnología actual carece de la selectividad y la sensibilidad necesarias para discernir y separar estos flujos iónicos cruzados en dispositivos miniaturizados. A esto se suma el reto de la estabilidad de los materiales y la escalabilidad, ya que replicar las funciones de memoria de una sinapsis es viable en un solo prototipo, pero interconectar miles de estos componentes húmedos en estructuras tridimensionales mediante autoensamblaje molecular sigue siendo un territorio inexplorado.

Si aspiramos a que las máquinas piensen con la eficiencia y plasticidad del cerebro humano, la ciencia debe primero aprender a dominar y programar los mismos elementos líquidos y fluidos con los que la propia naturaleza nos diseñó.

Irene

 

A pesar del secreto que todos deseaban saber pero que nadie conocía, era de esos hombres que parecen fabricados con la misma tela que los días nublados. Resultaba inverosímil pensar que aquel ser de mirada mansa, vestido siempre con un traje color ceniza, zapatos sin lustrar, y una manera de caminar como quien pide disculpas al aire por ocupar espacio, pudiera ocultar enigma alguno. 

Trabajaba en un despacho de seguros, en un cubículo con una orquídea de plástico que, ciertamente, estaba hábilmente simulada. Era un tipo al que todos presuponían como un solterón aburrido, lleno de manías, que pasaba su vida durmiendo, trabajando y comiendo, por este orden. Algunos afirmaban haberlo visto una vez, hace ya mucho, en un concierto sinfónico. Quizá fuera cierto, pero no había pruebas ya que nadie era capaz de recordar, cuándo o dónde, menos aún el programa que se interpretó.

A pesar de todo, sus compañeros estaban convencidos de que tenía una segunda vida, una enigmática segunda vida, que no era la mosquita muerta que parecía. Y así lo pensaban porque cuando le proponían, de tanto en cuando, más por pena que por ganas, asistir a una despedida o a una merienda organizada en el departamento, o regalaban entradas para ir en grupo a la cancha de basket, o un vecino le pedía que asistiera a la Junta vecinal, siempre declinaba la invitación amablemente, bajaba la vista, sonreía apenas, y decía, con una firmeza que sorprendía en un hombre tan hecho de niebla:

—No puedo. He quedado con Irene.

Lo decía a las cinco de la tarde de un martes cualquiera, y lo decía también un sábado de julio, y lo dijo en Nochebuena, cuando su hermana lo llamó para que fuera a cenar con ellos. Irene, Irene, siempre Irene. La gente, con el tiempo, dejó de preguntar quién era esa siempre presente mujer. Algunos imaginaban una amante secreta, escondida en un piso con visillos azulados. Otros, más crueles, sospechaban que Irene no existía, que era apenas una cortina de humo que el hombre tendía entre él y el mundo, una forma elegante de decir que no quería a nadie cerca. Otros, quizá honestamente preocupados, afirmaban que podía tratarse de una demencia senil prematura.

− Estos son los peores. Parecen unos benditos de Dios y cuando menos te lo esperas te meten mano en el ascensor −había afirmado Estela, la de Compras, mujer que no destacaba por su don de gentes.

Pero Irene existía. Y esta es la parte que nadie supo, porque nadie tuvo jamás la curiosidad —o el valor— de seguirlo.

Todas las tardes, a las cinco y cuarto, el hombre entraba en un café recoleto de la calle Bustamante, un lugar con manteles tú y yo, lámparas colgantes, y un ventilador que giraba como si se pensara cada vuelta. Se sentaba siempre en la misma mesa, la del rincón, al lado de la pared con un cartel descolorido de Nina Simone. 

Unos minutos después llegaba Irene.

Tenía el pelo canoso, a media melena, las manos moteadas por el tiempo y un jersey pasado de moda pero elegante. Pedía siempre un chocolate con una porción de pastel de limón,  y abría el libro que llevaba en la mano, pues al parecer era una lectora empedernida, mientras esperaba a que le trajeran la merienda. Un día vino con una amiga que no paraba de decirle ‘Irene, hazme caso’, ‘Irene, llámame’. 

Ella se sentaba en la mesa junto al ventanal, aunque en ocasiones, por estar lleno el local, se había colocado justo en la mesa contigua a la de él. 

Tras verla leer y terminar el chocolate, pagaba y se marchaba a casa, con la secreta ilusión de encontrarla al día siguiente, a la misma hora.

El eclipse

 

Después de comer, el abuelo miró el reloj y dijo que había llegado la hora.

—¿Ya? —preguntó el niño.

—Ya.

—Pero dijiste que era a las ocho y media, y son las cuatro.

—Tenemos que ir hasta la ermita para que podamos verlo bien sin que nos tapen los árboles. El camino es malo e iremos despacio, Además, tenemos que preparar la merienda y las bebidas.

El abuelo tenía sesenta y ocho años recién cumplidos y, con los achaques que inevitablemente atrae la jubilación, conservaba su buen humor y su eterna curiosidad científica. No recordaba ya desde cuándo le había gustado la astronomía pero, desde luego, fue antes de 1969, cuando Armstrong pisó la Luna. Para entonces, la semilla ya estaba crecida y vigorosa. Quizá se interesó en mirar las estrellas cuando apenas tenía seis o siete años, en aquellas pocas noches en las que iba con su padres a pasar noche en el campo con una precaria tienda de campaña, pero más bien siempre había pensado que el asombro al mirar una noche estrellada era algo innato. Por si no lo fuese, se había preocupado por inculcar esa misma emoción y unos mínimos conocimientos a sus nietos. 

Ayer mismo, por ejemplo, habían estado jugando a simular los eclipses. Él, con una linterna en su mano, ejercía de sol. Su nieto mayor, de seis años, hacía la función de la Tierra y su nieta de cuatro años daba vueltas pasando entre ambos y ocultando la luz que emitía el farol. Entonces, gritaba ¡se tapó. Hay eclipse! Luego, habían repetido varias veces el juego, alternando los roles, hasta que ambos chiquillos habían comprendido la mecánica de la danza celeste, con una precisión que para sí quisieran los astrónomos del MIT. Por la noche, ese momento tan dulce en el que se acuestan los pequeños, habían leído “El Templo del Sol”, de Tintín, especialmente la parte en que ocurre el eclipse sobre el palacio del inca. Pronto quedaron dormidos, quizá soñando con Zorrino, Raspar Capac, Huascar o el siempre irascible, pero enternecedor, Haddock

Preparó los bocadillos y los metió en la mochila junto a tres botellas de agua. Comprobó que estaban las gafas de cartón con su película de aluminio, que llevaba la cámara de fotos Nikon ya antigua y del todo insuficiente para fotografiar el evento, así como un mapa por si el navegador del coche no tenía la lejana ermita en su base de datos.  Dio una gafa a cada niño, repartiéndolas con solemnidad, como si fueran medallas olímpicas, una para cada nieto, una para él, y una de repuesto.

—¿Y esto? —preguntó la niña, cogiendo en su mano una brújula grandota que había comprado en un chino.

—Eso es para saber dónde la luna tapará al Sol.

—Mira, tiene una punta roja.

El abuelo sonrió y con algo de misterio y de teatro les explicó qué era el norte, qué era el sur y cómo el eclipse se produciría por el oeste.

—¿Qué es el oeste? — preguntó el niño.

—Tú mira hacia donde marca la aguja roja. Por ahí vas al polo norte, donde viven los osos blancos. En el culete, vas hacia el polo sur., donde habitan los pingüinos. Y por la izquierda, donde tenéis estas manos — se las movió— está el oeste. Hacia ahí vamos a mirar.

Los niños rieron.

Habían elegido un lugar a una decena de kilómetros del pueblo, una pequeña loma con una ermita aún en uso, desde la que se veía el horizonte sin casas delante. Se lo había recomendado el dueño del restaurante, que conocía bien la zona. El camino hasta allá era tan malo que no esperaba que hubiese mucha gente. Quizá una veintena de vecinos pero, desde luego, ningún turista. No había riesgo de atascos como con insistencia avisaban en la radio.

Entre una cosa y otra, sentar a los críos en las sillas del coche, revisar todo y buscar la dirección en el GPS salieron pasadas las cinco y media. El calor todavía hacía temblar el aire sobre la carretera. El abuelo condujo despacio, algo inusual en él, con una mano en el volante y la otra señalando las encinas y los sauces por la ventanilla.

Si había albergado esperanzas de que el camino no fuese una pista de ganado, estas se esfumaron al poco de comenzar el trayecto. Era una senda más para tractores que para coches. Dudó en algunos momentos si la suspensión de su utilitario iba a aguantar aquel pedregal. El polvo creaba nubes espesas como en esas películas del oeste donde la caravana se ve desde lejos por la polvareda que levanta mientras avanza hacia Colorado.

—Mirad ese campo. Dentro de un rato parecerá de noche.

—¿De noche de verdad?

—Casi.

—¿Y saldrán las estrellas?

—Algunas.

—¿Todas?

—No. Sólo unas pocas. 

Al llegar, los niños agradecieron salir de sus sillas y echaron a correr por la campa. El abuelo extendió una manta en el suelo y se instalaron mirando hacia el oeste. No lo hizo él sino que a propósito, pidió a los chavales que buscaran con la brújula dónde estaba el oeste, como habían aprendido.

La ermita estaba cerrada. A la derecha, una cancilla impedía el paso a un camino que iba hacia el norte. Unos manzanos daban fruto a unos metros de la torrecilla de la iglesia.

El Sol todavía estaba alto, cegador, y parecía completamente normal. Demasiado normal para todo lo que estaban esperando. Algunas nubes blancas y estiradas, que a aquella hora y fruto del calor del día llegaban desde el océano, amenazaban con estropear la tarde, pero respiró aliviado cuando comprobó que el viento las empujaba lentamente hacia el norte, lejos de la trayectoria de la estrella.

Pasó el tiempo con una lentitud extraña. De vez en cuando, su nieto le tomaba la mano y miraba el reloj, calculando cuánto faltaba. Ensayaron varias veces cómo ponerse y cuándo quitarse las gafas, asegurándose de no mirar al sol sin ellas.

Pasó el tiempo.

Al principio no ocurrió nada que los niños pudieran apreciar. El Sol seguía brillando como de costumbre, con ese amarillo platanero y aún brillante a pesar de la hora. Los pájaros seguían cantando. En la distancia, una mujer paseaba a su perro. Unas pocas familias fueron llegando y ocupando posiciones aquí y allá.

Entonces, la niña miró con sus gafas.

—Abuelo.

—¿Qué?

—Le falta un trocito.

Él se puso las suyas. Sí, allí estaba el primer mordisco de la luna al disco de luz. Una pequeña macha oscura en el borde del Sol. La luna llegaba sin ruido ni bataholas. 

—Ha empezado —dijo el abuelo.

Los tres niños se acercaron a él. Se pusieron las gafas, aplaudieron, esperaron con impaciencia.

Durante los minutos siguientes, que se hicieron eternos, el eclipse fue creciendo poco a poco. Un mordisco. Otro. Una sombra cada vez mayor. Los niños discutían sobre quién había mirado más tiempo y se avisaban uno a otro cada vez que descubrían algo. Narraban lo que sentían en voz alta con cada cambio de luz, como si fueran los únicos testigos del acontecimiento.

—¡Ahora parece una luna con cuernos!

—¡No, parece una galleta!

—¡Una galleta mordida!

El abuelo los escuchaba mientras ajustaba la cámara. Sabía que el resultado sería decepcionante sin disponer de un telescopio, pero aún así se afanó en la tarea.  Las nubes se habían ya movido lo suficiente para asegurar que no ocultarían el evento.

Cuando el Sol quedó reducido a un fino arco dorado, el mundo empezó a cambiar. La temperatura descendió. El viento se quedó quieto. La luz perdió su color. Los árboles proyectaron sombras extrañas y afiladas. En algún lugar cercano, los pájaros empezaron a callarse.  

—Abuelo…

El hombre bajó la vista.

—¿Qué, cariño?

—¿Está pasando de verdad?

Sonrió y colocó sus manos sobre los hombros de los chiquillos.

—Sí.

El niño no respondió. Miraba el cielo con la boca entreabierta. La niña, con sus manitas finas, aún apretaba las gafas contra sus ojos. El abuelo les dijo que ya podían quitárselas. Los chicos, a medida que la tarde se iba oscureciendo antes de tiempo se acercaban a él sin darse cuenta, buscando el hombro, la mano, algo firme a lo que agarrarse mientras el mundo hacía algo que no debía.

Y entonces llegó la oscuridad.

No fue como apagar una lámpara. No fue instantáneo. El día retrocedió rápida pero perceptiblemente, como si alguien estuviese moviendo un telón gigantesco sobre el mundo.

La niña gritó. No de miedo, sino de asombro, cautivada por aquel cielo mágico.

—¡Mira!

El Sol había desaparecido. En su lugar había un aro de puntitos rojos que titilaban inquietos sobre el disco negro que cubría el centro. Rodeando esas luminarias, una luz blanca y delicada, que él sabía que era la corona. Intentó explicar los detalles a los chicos con palabras sencillas, pero deseaba disfrutar él mismo de aquella maravilla. No era tiempo de hablar ni de tomar fotografías. Era tiempo de mirar al oculto sol y a sus nietos.

Los tres niños debieron pensar lo mismo, con ese instinto innato que comparten todos los seres humanos, y se quedaron completamente quietos, mirando al horizonte. Ni una broma. Ni una pregunta. Estaban admirados, asombrados.

Había pensado en hacer fotografías, en recordar los datos, en fijarse en la corona, en buscar Venus o alguna estrella. Pero no hizo nada de eso.

Miró a sus nietos.

El chico tenía los ojos muy abiertos. La niña, con la boca entreabierta, se había agarrado de la mano de su hermano. El abuelo sintió entonces una satisfacción que pocas veces en su vida había experimentado. Los miró a los dos, iluminados por esa tenue luz que llegaba desde ningún sitio, y se emocionó al ver su asombro puro, sin filtro. Los niños no estaban viendo un fenómeno astronómico. Estaban viendo magia, y la diferencia entre esas dos cosas era, quizá, la distancia exacta entre los seis años y los setenta.

El eclipse duró apenas un par de minutos. A todos les parecieron sólo segundos.

Cuando el primer hilo de luz apareció de nuevo, el abuelo mandó ponerse las gafas y los niños volvieron a hablar a la vez.

—¡Ha vuelto! ¡La luna ya ha pasado!

—¡Mira, mira!

—¡Otra vez hay Sol!

El día regresó de sopetón apenas la luna descubrió una fina línea brillante. Y con él volvieron los colores. El cielo recuperó su azul. Los árboles volvieron a su verde. Regresaron el viento y los pájaros, las conversaciones de las personas, el ruido lejano de la carretera.

A lo lejos, el Sol, ya bajo, empezaba a acercarse al horizonte y se volvía rojizo mientras la luna lo abandonaba más y más. La luz del atardecer había teñido de naranja los campos y las caras de los niños.

El abuelo recogió la cámara. No había hecho ni una sola fotografía durante la totalidad.

—Abuelo —dijo la niña—. ¿No has sacado fotos?

El hombre miró la pantalla apagada de la cámara y sonrió.

—No.

—¿Por qué?

Se quedó pensando.

—Porque estaba mirando otra cosa.

Lo miraron.

—¿El qué?

—A vosotros.

Los niños protestaron, se rieron y dijeron que eso era una tontería. El eclipse les había resultado fascinante. 

El abuelo lo recordaría siempre, pero no sólo por el cielo. Lo recordaría por dos pares de ojos abiertos como platos, por la mano de la chiquilla buscando la de su hermano, por la boca abierta de su nieto, por el asombro que les embargaba.  

Pensó que resulta extraordinario mirar el cielo con alguien que lo ve por primera vez.    

 

Libro Electrónico Boox Go Gen II Lumi

 

El Libro Electrónico Boox Go Gen II Lumi es un lector electrónico de pantalla eInk monocroma de 10,3 pulgadas y resolución de 300 ppp. Utiliza Android 15 como sistema operativo, lo que permite instalar aplicaciones de terceros desde Google Play, incluyendo distintas plataformas de lectura y productividad.

Es compatible con una amplia variedad de formatos de documentos, cómics, imágenes y audio, entre ellos PDF, EPUB, MOBI, CBR, CBZ, DOCX y MP3. La versión Lumi incorpora retroiluminación ajustable en tonos cálidos y fríos.

El dispositivo cuenta con 4 GB de RAM, procesador Snapdragon 750G y 64 GB de almacenamiento interno no ampliable. Su rendimiento general es suficiente para las tareas habituales de lectura y uso de aplicaciones. Puede aparecer algo de ghosting al cambiar de página, aunque este efecto puede reducirse mediante ajustes de refresco.

En cuanto al diseño, tiene un grosor de 4,8 mm y un peso de 364 gramos. Incluye conectividad Wi-Fi, Bluetooth 5.1, puerto USB-C, certificación IPX8 de resistencia al agua, altavoces, micrófonos y compatibilidad con USB OTG. 

El lápiz incluido permite escribir, tomar notas y realizar anotaciones en documentos. Ofrece sensibilidad a la presión, aunque presenta una ligera latencia que puede afectar la sensación de escritura en tareas que requieren rapidez.  

Es caro, pues ronda los 450€.

Más información en este enlace.

Audiblez

 

Audiblez, de Claudio Santini, es una aplicación que permite convertir textos en audiolibros. Está basado en el software Kokoro, un TTS (Text-to-Speach), un modelo de conversión de 82 millones de parámetros que da resultados más que aceptables.

Audiblez funciona en Phyton 3.12.

Soporta varios idiomas entre los que se encuentra el español.

El código y las instrucciones puede verse en Github. 

También soporta el chino, como se ve en este video (¡otra cosas, es entenderlo!)

Titâneo

 

Titâneo, de Eduardo Kac, es un poema digital en portugués publicado en el año 2021.

En él, se deslizan versos en scroll automático que se van generando de manera automática. Le elección estética, con colores chillones y agresivos, más la animación basada en una vibración de las letras como si hubiese interferencias en la visualización, no facilita la lectura.

Puede leerse desde este enlace.

Viaje de Madrid a Manila en 1844

 

Viaje de Madrid a Manila en 1844, del historiador Álvaro Ruiz Cuevas, es una narración digital gráfica basada en el viaje expedicionario que en 1844 realizó el coronel Eusebio de Santos a las Filipinas, con el objetivo de encontrar una vía raóida hacia el este, una vez que, con la independencia de México, se había perdido la continuidad del galeón de Manila.

El diario de aquel viaje fue publicado bajo el largo título de Diario del viage desde Madrid a Manila, en las islas Filipinas, por la via del itsmo [sic] de Suez, que de órden del gobierno de S.M. hizo en principios de 1844 el coronel Don Eusebio de Santos.

La aplicación digiral de Álvaro Ruiz permite seguir ese viaje sobre mapas interactivos que se conjuntan con breves fragmentos del texto indicando los hechos principales ocurridos en cada localización. A medida que hacemos scroll, el mapa va cambiando y en la columna derecha se van leyendo los hechos acontecidos en esa posición geográfica.

Puede leerse desde este enlace.

En la web del propio autor puede leerse el diario original.

Eusebio de Santos ingresó en la Academia de Ingenieros de Guadalajara el 22 de noviembre de 1828, saliendo de la misma como teniente. Fue destinado al Regimiento de Zapadores Minadores, y tomó parte en la Primera Guerra Carlista, integrado en el Ejército del Norte. Obtuvo dos Cruces de San Fernando de 1ª clase. En 1843 fue destinado a las islas Filipinas como comandante de Ultramar. Fue ascendido a coronel del Ejército el 31 de diciembre de 1845. Desempeñó trabajos en diferentes provincias del archipiélago, y en 1848 pasó con licencia temporal a China. En 1852 fue nombrado jefe de la Brigada Topográfica de Ingenieros. En 1855 estuvo destinado de nuevo en el Regimiento del Arma. El viaje a Filipinas a través del canal de Suez fue llevado a cabo en 1844, pero el diario de tal aventura se publicó en 1851.

Nvidia Nemotron 3 Super: qué problema resuelve y cómo funciona

 

Hace unas semanas, NVIDIA presentó su nuevo Nemotron 3 Super, una familia de modelos de IA abiertos, multimodales y diseñados para permitir desarrollos de terceros.

Durante los últimos dos años, buena parte de la conversación sobre inteligencia artificial ha girado en torno a los chatbots: le escribes una pregunta, el modelo responde, fin de la interacción. Sin embargo las nuevas aplicaciones y las empresas necesitan sistemas multi-agente donde varios modelos o instancias de un mismo modelo que colaboran, se pasan información entre sí, ejecutan herramientas externas, revisan código, consultan documentos y repiten ese ciclo decenas o cientos de veces antes de entregar un resultado final. Ese tipo de flujo —pensemos en un agente que revisa un repositorio de software completo, o en un sistema que hace triaje de alertas de ciberseguridad las 24 horas— no se parece en nada a un chat típico. Genera muchísimo más texto de entrada y salida en cada ciclo. De hecho, según cifras difundidas por Nvidia en el lanzamiento de Nemotron 3, estos sistemas pueden llegar a producir "hasta quince veces el volumen de tokens que genera una conversación estándar".

¿Por qué importa esto? Porque cada token que un modelo procesa o genera cuesta dinero, energía y tiempo. Si el modelo  IA que funciona detrás del agente es uno de esos modelos "densos" —donde todos los parámetros se activan en cada cálculo—, multiplicar por quince el volumen de tokens multiplica también el costo de cómputo, la latencia y la dificultad de escalar el sistema en producción. Es lo que en la industria recibe el nombre de "impuesto al pensamiento": cuanto más piensa y opera un agente, más caro sale mantenerlo funcionando.

Ese es exactamente el problema que Nvidia dice haber abordado con Nemotron 3 Super, el modelo principal de su nueva familia Nemotron 3 (que además incluye las variantes Nano y Ultra), pensado específicamente para flujos de trabajo agénticos empresariales.

La solución que propone Nvidia es mezclar tres arquitecturas en un solo modelo.

Nemotron 3 Super tiene 120.000 millones de parámetros en total, pero —y esto es clave— solo activa unos 12.000 millones en cada pasada de cálculo. Ese diseño ya reduce significativamente el costo por token frente a un modelo denso equivalente. Además, combina tres filosofías arquitectónicas distintas que, hasta ahora, casi nunca convivían en un mismo sistema: un esqueleto híbrido Mamba-Transformer, un sistema de expertos llamado Latent Mixture-of-Experts (LatentMoE) y una técnica de generación acelerada llamada Multi-Token Prediction. 

¿Qué es Mamba-2 y por qué importa?

Para entender Mamba-2 conviene primero recordar cómo funciona un Transformer clásico, la arquitectura detrás de la mayoría de los modelos de lenguaje actuales (GPT, Claude, Gemini, Llama, etc.). Un Transformer usa un mecanismo llamado "atención", que compara cada token de una secuencia con todos los demás tokens anteriores para decidir en qué debe fijarse. Esto funciona muy bien, pero tiene un costo: a medida que la secuencia crece, la cantidad de comparaciones crece de forma cuadrática. Procesar una secuencia el doble de larga no cuesta el doble, sino mucho más que el doble. Además, el modelo tiene que guardar en memoria una especie de "resumen" de todos los tokens anteriores —lo que se llama la caché de clave-valor o KV cache—, y esa memoria también crece sin parar a medida que la conversación o el documento se alargan. Por eso los modelos basados solo en Transformers empiezan a volverse lentos y a consumir muchísima memoria cuando se les pide procesar ventanas de contexto enormes, como repasar un repositorio de código completo o cientos de páginas de informes financieros.

Mamba (y su evolución, Mamba-2) nace de una familia distinta de arquitecturas conocida como "modelos de espacio de estados" (state-space models). En lugar de comparar cada token con todos los anteriores, Mamba procesa la secuencia de forma más parecida a como lo haría una memoria que se va actualizando token a token, con un costo que crece de forma lineal —y no cuadrática— a medida que la secuencia se alarga. En términos prácticos, esto significa que Mamba puede recorrer secuencias muchísimo más largas sin que el consumo de memoria y de tiempo se dispare. La contrapartida es que los modelos de espacio de estados puros tienden a ser menos precisos que los Transformers a la hora de recuperar un dato muy específico que quedó "enterrado" muchos pasos atrás en la secuencia; son buenos siguiendo el flujo general, pero les cuesta más el equivalente a "encontrar la aguja en el pajar".

Aquí es donde entra la idea "híbrida" de Nemotron 3 Super. En vez de elegir entre Mamba o Transformer, el modelo alterna capas de ambos tipos. La mayor parte del procesamiento corre sobre capas Mamba-2, que actúan como una especie de autopista rápida y liviana en memoria. Pero, en puntos estratégicos, se insertan capas de atención tipo Transformer que funcionan como "anclas globales": momentos en los que el modelo sí hace una búsqueda precisa hacia atrás en toda la secuencia para recuperar un dato exacto, por ejemplo una variable definida al inicio de un archivo de código o una cifra específica mencionada al comienzo de un informe. Esta combinación es lo que le permite sostener una ventana de contexto de un millón de tokens sin que la memoria colapse, algo que un Transformer puro difícilmente podría hacer de forma eficiente.

¿Qué es LatentMoE?

El segundo concepto necesario es el de Mixture-of-Experts (MoE), una técnica que ya usan varios modelos grandes actuales. La idea de base es simple: en lugar de tener un único bloque de parámetros gigante que procesa todo, el modelo se divide en varios sub-modelos más pequeños llamados "expertos", cada uno especializado implícitamente en distintos tipos de patrones (por ejemplo, uno podría evolucionar mejor en sintaxis de código, otro en razonamiento matemático, otro en lenguaje conversacional). Para cada token, un mecanismo de enrutamiento decide a cuáles expertos enviarlo, y solo esos expertos se activan. Así se puede tener un modelo con muchísimos parámetros totales, pero sin que todos se usen en cada cálculo, lo cual reduce el costo por token.

El problema del MoE tradicional es que ese enrutamiento se hace en el espacio "completo" de representación interna del modelo, que suele tener miles de dimensiones. Enrutar tokens en ese espacio tan grande, hacia cada vez más expertos, se vuelve un cuello de botella computacional a medida que el modelo escala: comparar un token con la firma de cada experto en un espacio de altísima dimensión es costoso.

LatentMoE, la variante que introduce Nemotron 3 Super, ataca ese cuello de botella con un paso adicional: antes de decidir a qué expertos enviar un token, el modelo lo proyecta primero a un espacio "latente" mucho más comprimido —una especie de versión resumida del token— y hace el enrutamiento sobre esa versión comprimida. Esto reduce drásticamente el costo de la operación de enrutamiento y, como consecuencia, permite que el modelo consulte hasta cuatro veces más expertos por el mismo costo computacional que tendría un MoE tradicional con menos expertos. En la práctica, esa mayor variedad de "especialistas" disponibles es justo lo que necesita un agente que, dentro de un mismo turno de conversación, tiene que , por ejemplo, saltar entre escribir código Python, generar una consulta SQL y razonar en lenguaje natural. Cuantos más expertos matizados haya disponibles sin encarecer el cálculo, más fino puede ser el modelo en cada uno de esos saltos.

Cómo se combinan las piezas (y una tercera técnica: Multi-Token Prediction)

Nemotron 3 Super no se queda solo con el backbone híbrido Mamba-Transformer y con LatentMoE. Suma una tercera técnica, Multi-Token Prediction (MTP). Un modelo de lenguaje estándar genera texto prediciendo un único token a la vez, uno tras otro. MTP, en cambio, entrena al modelo para predecir varios tokens futuros de una sola vez, lo que en la práctica funciona como un "modelo borrador" incorporado: el sistema propone varios tokens por adelantado y luego los verifica, en vez de generarlos uno por uno de manera estrictamente secuencial. Esta técnica, conocida en general como decodificación especulativa, permite acelerar de forma considerable la generación de texto, especialmente en tareas de salida muy estructurada como escribir código o llamar a herramientas.

A esto se suma una decisión de infraestructura poco habitual: el entrenamiento de Nemotron 3 Super se ha realizado de forma nativa en NVFP4, un formato numérico de precisión de solo 4 bits diseñado para la arquitectura Blackwell de Nvidia, la generación de GPU más reciente de la compañía. Entrenar directamente en esa precisión reducida —en lugar de entrenar en alta precisión y luego comprimir el modelo después— permite que, al desplegarlo sobre GPU Blackwell, la inferencia sea hasta cuatro veces más rápida que la de modelos de 8 bits corriendo sobre la generación anterior (Hopper), sin una pérdida medible de precisión. El modelo puede correr en configuraciones variadas, desde una sola GPU B200 o GB200 hasta combinaciones de H100, H200 o A100, lo que le da flexibilidad a equipos con distinta infraestructura disponible.

Rendimiento

Los números que ha publicado Nvidia muestran un modelo con fortalezas muy marcadas en algunas áreas y más discreto en otras. Lidera el DeepResearch Bench, la prueba que mide la capacidad de investigar en profundidad sobre grandes volúmenes de documentos, y también domina claramente en tareas de contexto largo. Pero en benchmarks de razonamiento general puro, el panorama es más parejo o incluso desfavorable frente a Qwen3.5-122B. También, en tareas de ingeniería de software medidas con SWE-Bench, Qwen queda por delante de Nemotron, En generación de código, en cambio, Nemotron gana a Qwen en LiveCodeBench.  

La licencia: uso comercial permitido, con dos líneas rojas

El modelo se distribuye bajo el Nvidia Open Model License Agreement,  que permite el uso comercial de forma bastante amplia. Se pueden vender y distribuir productos construidos sobre el modelo bajo una licencia perpetua y libre de royalties. Nvidia no reclama ningún derecho sobre los resultados que genera el modelo, y es posible crear y quedarse con la propiedad de versiones ajustadas (fine-tuned), siempre que se incluya una nota de referencia a Nvidia.

Sin embargo, esta licencia no es tan permisiva como las que proponen MIT o Apache 2.0, porque contempla dos condiciones que la dan por terminada automáticamente. La primera es que el usuario elimine o eluda las salvaguardas de seguridad del modelo sin reemplazarlas por algo equivalente. La segunda es que el usuario inicie una demanda de propiedad intelectual contra Nvidia alegando que el modelo infringe sus derechos; en ese caso, pierde el derecho a seguir usando el modelo. Es una manera de proteger tanto el uso responsable del sistema como a la propia empresa frente a litigios.

En fin, por ahora hay una buena dosis de mrketing y deberemos ver, en los proximos meses, si esta novedosas aruitectura IA permite generar aplicaciones y agentes que realmente ofrezcan ventajas competitivas claras.