# Teaching Nemotron Greek: Mining a Corpus, Adapting Retrieval, and Grounding Generation for Modern Greek across Specialist Domains
> Ficha editorial pública de Research IA. Estado: Lectura primaria completa. La interpretación editorial no sustituye la fuente primaria.

- Página canónica: https://luiseduardodemiguel.com/research-ia/papers/teaching-nemotron-greek
- Fuente primaria: https://arxiv.org/abs/2608.05138
- Versión leída: v1
- Fuente comprobada: 2026-08-20 · método, resultado y límites revisados; fuente primaria enlazada
- Autores: Ayoub Kirouane y Christos Petrocheilos
- Fecha del corte: 05 AGO 2026
- Área: RAG · MULTILINGÜE · MODELOS EFICIENTES

## Tesis y contexto

El trabajo construye de extremo a extremo un stack RAG para griego moderno, desde minería de corpus y supervisión sintética hasta embeddings, reranker, reader y el benchmark HERA.

- Problema: Los retrievers multilingües generalistas pueden quedarse por debajo de un baseline BM25 cuando el dominio y el idioma tienen poca representación en los datos de entrenamiento.
- Por qué importa: Es una receta práctica para construir RAG especializado en lenguas y sectores que no pueden esperar a que un modelo generalista resuelva sus asimetrías.

## Evidencia reportada

- **reported-result**: Con 65.773 pares de retrieval, el embedder sube nDCG@10 de 0,362 a 0,835 y el reader pasa de 29,4% a 66,9% de corrección juzgada. [localizador](https://arxiv.org/pdf/2608.05138)

## Lectura y límite

- Método: Construye un stack RAG específico para griego moderno: minería de corpus, pares de retrieval sintéticos, fine-tuning de embedder, adaptación de reranker, reader LoRA y benchmark HERA.
- Límite: La mejora depende de datos, dominios y evaluación en griego; BM25 sigue siendo un baseline fuerte y la transferencia entre dominios no elimina la necesidad de comprobar cobertura lingüística y calidad de citas.
- Confianza editorial: Alta
- Limitación: Los resultados de retrieval y reader se apoyan en 65.773 pares y una configuración Nemotron concreta; no prueban transferencia a otros idiomas, dominios o tamaños de modelo.
- Limitación: nDCG y corrección juzgada pueden mejorar por adaptación al benchmark sin demostrar comprensión sostenida, calibración o utilidad en un flujo de respuesta completo.

## Localizadores de evidencia
- [Fuente primaria · canonical](https://arxiv.org/abs/2608.05138): tipo abstract
- [PDF · tablas y benchmark HERA](https://arxiv.org/pdf/2608.05138): tipo table
- [HTML · fuente navegable](https://arxiv.org/html/2608.05138): tipo abstract

## Próxima prueba

- ¿El entrenamiento conserva la mejora en un conjunto multilingüe y de dominio no visto sin aumentar la latencia del reader?
- Métrica: nDCG@10, exactitud del reader, precisión de citas, latencia p95 y brecha entre idiomas.
- Regla de parada: Parar si la mejora es menor de 5 puntos o si la brecha entre idiomas supera 10 puntos.

## Recursos reproducibles
- [PDF · fuente primaria](https://arxiv.org/pdf/2608.05138)

## Enlaces relacionados

- [RAG-Stack](https://luiseduardodemiguel.com/research-ia/markdown/papers/rag-stack)
- [SAG](https://luiseduardodemiguel.com/research-ia/markdown/papers/sag)
- [TTT-Embed](https://luiseduardodemiguel.com/research-ia/markdown/papers/ttt-embed)