Ai2 y Hugging Face anunciaron una expansión de su colaboración que busca hacer la inteligencia artificial completamente abierta más accesible y reproducible. ¿Por qué te debería importar? Porque no es solo subir pesos de modelos: se trata de mantener disponibles datos de entrenamiento, checkpoints intermedios, evaluaciones y herramientas que permiten replicar y entender cómo se construyen los modelos.
Qué anunciaron
-
Hugging Face triplica el almacenamiento de Ai2 en el Hub hasta casi 2 petabytes, y elimina los límites de tasa que afectaban descargas grandes.
-
Desde primavera de 2024, los modelos y datasets de Ai2 se han descargado más de 50 millones de veces desde el Hub. Ai2 publica más artefactos nuevos anualmente que cualquier otra organización que Hugging Face trackea.
-
El acuerdo apoya 900 plus modelos y 1,200 plus datasets de Ai2, incluyendo familias como Olmo (modelos de lenguaje), Molmo (multimodal) y OlmoEarth (observación de la Tierra).
-
Integraciones concretas: MolmoAct 2 (modelo de control robótico) se integró en LeRobot para fine-tuning y despliegue en hardware real; MolmoAct 2 tuvo más de 400,000 descargas en pocas semanas.
Por qué esto acelera la ciencia abierta
Publicar pesos no es suficiente para reproducir resultados. Ai2 libera scripts de entrenamiento, datos intermedios, checkpoints y evaluaciones. Con mayor almacenamiento y ancho de banda, esos artefactos permanecen accesibles cuando los proyectos crecen en tamaño y complejidad.
-
Las descargas sin límites de tasa son clave para modelos multi-checkpoint y datasets enormes: permiten descargar todo el historial de entrenamiento para reproducir ablations o reentrenamientos.
-
Las leaderboards y benchmarks centralizados facilitan comparaciones directas. Un ejemplo inmediato es olmOCR-Bench, que mide lectura de documentos reales (columnas, tablas, manuscritos, tablas con pies de figura). Al integrarse en el Hub, cualquier investigador puede comparar modelos en una sola vista y acceder al artefacto y al código de evaluación.
olmOCR-Bench ayuda a la comunidad a decidir qué modelo OCR usar considerando tamaño, licencia y apertura. Ha sido una referencia clave en el avance de muchos modelos.
Nathan Habib, ML Engineer, Evaluation Tooling, Hugging Face
Impacto técnico para desarrolladores e investigadores
-
Infraestructura: casi 2 PB y throughput sin throttling reducen fricciones para descargar checkpoints grandes y conjuntos de datos masivos necesarios para experiments de replicación y fine-tuning.
-
Flujo de trabajo: integrar modelos en librerÃas como LeRobot facilita llevar un modelo desde el Hub hasta hardware real. Para MolmoAct 2 eso significó poder probar en brazos baratos como SO-100 y SO-101 con formatos de datos estandarizados.
-
Evaluación y mediciones: benchmarks como IFBench, RewardBench 2 y AstaBench permiten medir instrucciones, modelado de reward y tareas agenticas. Esos métricos importan a medida que las diferencias entre modelos se vuelven sutiles.
-
Ciencia y clima: OlmoEarth y HiRO-ACE aparecen en la colección Hugging Science Collabs, lo que facilita que los investigadores climáticos y oceanográficos accedan a modelos y datos para experimentos a horizonte largo.
Riesgos y preguntas abiertas
-
Centralización de infra: depender de una sola plataforma para almacenamiento y entrega es práctico pero crea dependencias operativas y de gobernanza. Qué pasa si cambian las polÃticas o modelos de costo?
-
Costos y sostenibilidad: mantener PBs de datos y descargas a alta velocidad no es gratis. La colaboración actual mitiga esto para Ai2, pero hay una pregunta mayor sobre modelos de financiamiento para ciencia abierta a escala.
-
Reproducibilidad vs capacidad computacional: publicar checkpoints es valioso, pero replicar experimentos grandes requiere capacidad de entrenamiento que puede no estar al alcance de todos. Aun asÃ, los artefactos abiertos permiten inspección y evaluaciones partiales que elevan la transparencia.
Acciones concretas que puedes tomar ahora
-
Si eres desarrollador: explora Olmo y Molmo en Hugging Face, prueba despliegues y fine-tuning con las integraciones de LeRobot o pipelines del Hub.
-
Si eres investigador: usa benchmarks como AstaBench o olmOCR-Bench para evaluar modelos de forma comparable y reproducible.
-
Si eres docente o estudiante: los checkpoints y datasets abiertos son material valioso para cursos de ML y proyectos finales que requieren replicación real.
-
Si gestionas infraestructura o polÃticas: piensa en cómo balancear acceso abierto con sostenibilidad financiera y gobernanza multilateral.
Ai2 y Hugging Face no están solo agrandando un repositorio: están ampliando la capacidad de la comunidad para inspeccionar, medir y construir sobre trabajo abierto a escala. Eso no garantiza que todo en el campo sea perfecto, pero sí baja las barreras para que más personas investiguen de forma verificable y responsable.