\n
Tether AI Research lanz\u00f3 QVAC Genesis III, un dataset sint\u00e9tico de 191,43 mil millones de tokens creado para ayudar a modelos de IA m\u00e1s peque\u00f1os a razonar sobre problemas STEM en lugar de limitarse a generar respuestas. En su anuncio oficial<\/a>, Tether explic\u00f3 que el dataset incluye 159,6 millones de documentos y cubre 19 \u00e1reas STEM. Genesis III pone el foco en mejorar los datos de entrenamiento para que modelos compactos puedan explicar errores, alternativas y razonamientos correctos<\/strong>, ampliando la l\u00ednea de investigaci\u00f3n que comenz\u00f3 con Genesis I<\/a>.<\/p>\n <\/p>\n El dataset utiliza dos m\u00e9todos dise\u00f1ados para extraer m\u00e1s aprendizaje de cada problema. Failure Analysis convierte los errores de un modelo estudiante m\u00e1s peque\u00f1o en material de entrenamiento, mientras un modelo profesor m\u00e1s potente identifica el fallo, explica la confusi\u00f3n y desarrolla la soluci\u00f3n correcta. Option-Level Reasoning explica tanto por qu\u00e9 la respuesta correcta funciona como por qu\u00e9 cada alternativa falla.<\/strong> En conjunto, ambos m\u00e9todos buscan ense\u00f1ar a los modelos a reconocer razonamientos incorrectos y corregirlos, en lugar de limitarse a memorizar resultados.<\/p>\n Las pruebas mostraron mejoras en benchmarks de ciencia y razonamiento. Un modelo de 1.700 millones de par\u00e1metros entrenado con datos de Option-Level gener\u00f3 respuestas v\u00e1lidas en el 99,45% de los casos evaluados, mientras los modelos entrenados con el corpus completo superaron a referencias open-source comparables. Frente a un modelo Cosmopedia-v2 con la misma cantidad de tokens, Genesis III mejor\u00f3 ARC-Easy en 28,57 puntos porcentuales, ARC-Challenge en 21,35 puntos y MMLU STEM en 15,03 puntos.<\/strong> Los resultados refuerzan el impulso de QVAC hacia la IA local<\/a>.<\/p>\n La educaci\u00f3n es uno de los casos de uso m\u00e1s claros. Genesis III abarca biolog\u00eda, qu\u00edmica, f\u00edsica, matem\u00e1ticas, inform\u00e1tica, medicina, astronom\u00eda, ingenier\u00eda, estad\u00edstica y machine learning en niveles de secundaria, universidad y formaci\u00f3n profesional. Tether imagina tutores de IA capaces de explicar por qu\u00e9 una respuesta es incorrecta, identificar en qu\u00e9 punto fall\u00f3 el razonamiento y desarrollar la correcci\u00f3n directamente en el dispositivo del usuario.<\/strong> Ese objetivo encaja con el enfoque m\u00e1s amplio de QVAC hacia asistentes on-device<\/a>, especialmente en escenarios donde la conectividad o la privacidad son importantes.<\/p>\n El mismo enfoque podr\u00eda aplicarse a asistentes t\u00e9cnicos sin necesidad de enviar consultas sensibles a servidores externos. Genesis III ampl\u00eda el trabajo iniciado con Genesis I y II y fue aceptado para presentarse en la Conference on Language Modeling 2026. El proyecto refleja la apuesta de Tether por utilizar mejores datasets para reducir la brecha de capacidad entre modelos locales m\u00e1s peque\u00f1os y grandes sistemas cloud.<\/strong> Esa filosof\u00eda tambi\u00e9n coincide con su l\u00ednea de investigaci\u00f3n en IA abierta y centrada en la privacidad<\/a>, donde la ejecuci\u00f3n local sigue siendo un elemento central.<\/p>\n","protected":false},"excerpt":{"rendered":" Puntos clave de la noticia: Tether AI Research lanz\u00f3 Genesis III, un dataset sint\u00e9tico de 191,43 mil millones de tokens dise\u00f1ado para ayudar a modelos de IA m\u00e1s peque\u00f1os a explicar razonamiento STEM en lugar de limitarse a dar respuestas. El dataset utiliza Failure Analysis y Option-Level Reasoning para ense\u00f1ar d\u00f3nde falla el razonamiento, por … <\/p>\nGenesis III apunta a mejorar el razonamiento en modelos m\u00e1s peque\u00f1os<\/h2>\n
![\"Tether](\"https:\/\/crypto-economy.com\/es\/\/wp-content\/uploads\/sites\/4\/2026\/09\/Tethers-Genesis-III-Equips-AI.jpg\")
<\/p>\n