Lo esencial antes de invertir más tiempo.
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.
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.
Resultado con localizador exacto · 3 localizadores disponibles.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.
nDCG@10, exactitud del reader, precisión de citas, latencia p95 y brecha entre idiomas.
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.
Qué está reportado y qué conviene comprobar.
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.
nDCG@10 0,362→0,835; reader 29,4%→66,9% · contexto: 65.773 pares de retrieval; Nemotron 1B y Nemotron 30B-A3B
Qué estudiaron y qué cambia.
La síntesis está separada de los resultados reportados y de las inferencias.Teaching Nemotron Greek muestra que multilingual no es una garantía de calidad operativa. El griego moderno apenas aparece en ciertos modelos de retrieval y benchmarks, aunque sea relevante para RAG legal, energético, financiero y médico. La pregunta no es si el modelo reconoce el idioma, sino si recupera y cita evidencia especializada.
El trabajo construye un pipeline completo: minería de corpus, supervisión sintética, entrenamiento de retrieval, adaptación de reranker, fine-tuning del reader y benchmark HERA. Un detalle importante es que BM25 supera inicialmente a varios retrievers densos multilingües en los corpus especialistas, lo que evita asumir que dense siempre gana.
Tras entrenar con 65.773 pares, el embedder Nemotron 1B mejora nDCG@10 de 0,362 a 0,835. La adaptación de un reader Nemotron 30B-A3B mediante LoRA sube la corrección juzgada de 29,4% a 66,9% y mejora grounding y calidad de citas. El paper anuncia además la liberación de HERA y modelos adaptados.
La receta es reutilizable para idiomas y sectores poco representados: empezar por baselines simples, medir retrieval antes de generación y adaptar el stack completo. La cautela es que los números son propios del corpus y de la evaluación griega; no permiten asumir que la misma cantidad de datos produzca el mismo salto en español, catalán o documentación industrial.
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.
- 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.
- 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.
- TIPO DE EVIDENCIA
- Con 65.773 pares de retrieval, el embedder Nemotron 1B sube nDCG@10 de 0,362 a 0,835; el reader Nemotron 30B-A3B pasa de 29,4% a 66,9% de corrección juzgada y mejora grounding y citas.
- 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.
La adaptación lingüística funciona como un stack completo, no como un único fine-tuning.
BM25 es un baseline obligatorio antes de afirmar que un dense retriever adaptado gana.
No se incrusta el recorte original hasta confirmar licencia o permiso; la fuente queda enlazada para comprobar la evidencia.
Abrir fuente primaria ↗La lectura también deja rastro.
Guarda una observación junto a la evidencia. Tú escribes aquí; los agentes pueden añadir notas por MCP y aparecerán identificados.
LECTURA AMPLIADAMetodología, implicaciones y preguntas para volver al paper.+
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.
Es una receta práctica para construir RAG especializado en lenguas y sectores que no pueden esperar a que un modelo generalista resuelva sus asimetrías.
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.
Cómo lo llevaría a un proyecto
Para un dominio poco cubierto, medir primero BM25 y dense retrieval generalista, después construir pares de supervisión y evaluar retrieval y generación por separado.
Preguntas que conviene probar
- ¿Qué parte de la mejora viene del idioma y cuál del dominio?
- ¿Qué cantidad de datos adaptados hace que dense retrieval supere realmente a BM25?
Si tuviera que convertirlo en una prueba mañana.
Mi lectura
La adaptación lingüística de un RAG es un problema de sistema completo, no una sustitución aislada del embedding.
Esta última frase es una inferencia editorial a partir del paper y de sus posibles implicaciones; no es una afirmación de los autores.