Puntos clave de la noticia:
- Tether lanzó modelos de IA de traducción de código abierto que funcionan sin conexión en dispositivos de uso cotidiano para 19 idiomas africanos y 9 europeos.
- El modelo AfriSLM, con apenas 800 millones de parámetros, superó a sistemas mucho más grandes como Qwen3.5-122B y TranslateGemma-27B en tres benchmarks.
- Un nuevo método de filtrado elimina hasta el 96% de datos de entrenamiento de baja calidad, lo que permite lograr un mayor rendimiento con modelos más compactos.
Tether anunció el lanzamiento de nuevas familias de modelos de inteligencia artificial de traducción de código abierto, diseñados para ejecutarse directamente en smartphones, laptops y otros dispositivos de uso cotidiano sin necesidad de conexión a internet.
El lanzamiento incluye tres modelos bajo la familia QVAC TranslatePsy-AfriSLM, que soporta 19 idiomas africanos; QVAC TranslatePsy-AfriNano, con cobertura de 8 idiomas; y QVAC TranslatePsy-EuroNano, orientado a 9 lenguas europeas.
Los modelos procesan las traducciones de forma local, lo que significa que los datos del usuario permanecen en el dispositivo y no se envían a servidores externos. Esta arquitectura descentralizada permite operar en zonas con conectividad deficiente o nula, una condición habitual en las comunidades del África subsahariana a las que apunta principalmente el proyecto de Tether.
Tether ❤️ Africa
Where you are born should never limit your potential.
True progress begins with access to stable money, stable energy, stable communications, and now also stable intelligence.Today, we introduce QVAC TranslatePsy / Afri SLM, a lightweight AI translation model… pic.twitter.com/cSc9sqylsy
— Tether (@tether) September 2, 2026
TranslatePsy-AfriSLM cubre lenguas como Hausa, Amhárico, Yoruba, Swahili, Igbo y Zulú, entre otras, que en conjunto representan aproximadamente la mitad de la población africana. A pesar de contar con apenas 800 millones de parámetros en su versión más pequeña, el modelo superó a sistemas de escala muy superior, incluyendo Qwen3.5-122B-A10B, TranslateGemma-27B y NLLB-3.3B, en los benchmarks FLORES-200, BOUQuET y SMOL.
Tether Implementa un Filtro que Cambia Radicalmente el Entrenamiento de la IA
Un elemento técnico central de esta herramienta es la introducción de un método de filtrado por estimación de calidad que descarta hasta el 96% de los datos de entrenamiento de código abierto que presentan baja calidad. Tether AI Research logró así alcanzar un rendimiento de traducción más alto con modelos significativamente más pequeños, lo que reduce los requisitos de hardware y hace viable su uso en dispositivos de gama básica.
Las aplicaciones previstas abarcan educación, salud, agricultura y respuesta humanitaria. Combinado con QVAC MedPsy, el modelo de base médica de la compañía, TranslatePsy-AfriSLM podría canalizar información sanitaria en lenguas locales para cientos de millones de personas sin acceso a sistemas de salud convencionales. Los kioscos solares que Tether opera en África subsahariana, donde los residentes pueden cargar teléfonos y acceder a servicios financieros digitales, servirán como puntos de distribución natural para estas herramientas.
Democratización, Eficiencia y Precisión
En Europa, TranslatePsy-EuroNano unifica 90 direcciones de traducción en dos modelos compactos por nivel de rendimiento. Su versión más liviana requiere apenas 36 MB de almacenamiento, frente a los 633 MB de una configuración equivalente de Firefox sin conexión, una reducción del 94%. El modelo de mayor calidad de la familia europea retuvo el 98,4% de la precisión del sistema NLLB-200 de Meta al traducir hacia el inglés.
Paolo Ardoino, director ejecutivo de Tether, declaró que «el lenguaje no debería determinar quién puede beneficiarse de la inteligencia artificial» y señaló que cuatro mil millones de personas fueron excluidas primero del sistema financiero tradicional y luego de las herramientas tecnológicas más avanzadas. Los modelos están disponibles en Hugging Face y la investigación detrás de AfriSLM fue aceptada para ser presentada en la conferencia EMNLP 2026.
