Chroma ha lanzado Context-1, un modelo de búsqueda agente con 20 mil millones de parámetros especialmente diseñado para recuperación multi-hop. El modelo está desarrollado para manejar consultas complejas encontrando documentos relevantes y entregándolos a un modelo posterior para la respuesta final.
Escuchar el artículo
Escucha el artículo con una voz de IA natural.
IA explicada
¿Qué es Context-1 y cómo mejora la búsqueda multi-hop?
Context-1 es un modelo de búsqueda agente con 20 mil millones de parámetros diseñado para consultas complejas que requieren recuperación multi-hop. Utiliza una arquitectura Mixture of Experts y técnicas de Fine-Tuning Supervisado y Aprendizaje por Refuerzo para descomponer consultas en subpreguntas y buscar eficientemente en grandes volúmenes de datos.
- Resumen: Context-1 optimiza la búsqueda multi-hop mediante la descomposición de consultas y la eliminación de documentos irrelevantes con su función Self-Editing Context.
- Por qué importa: Reduce la latencia y los costes asociados a la recuperación de información en grandes bases de datos, mejorando la precisión y velocidad.
- Punto clave: Está diseñado para manejar tareas complejas en diversos dominios y facilita soluciones de IA más eficientes para desarrolladores, especialmente en el mercado español.
Chroma Context-1: optimizado para recuperación multi-hop
Context-1 está basado en gpt-oss-20B, una arquitectura Mixture of Experts (MoE) afinada mediante Fine-Tuning Supervisado (SFT) y Aprendizaje por Refuerzo (RL). A diferencia de los sistemas RAG tradicionales, que suelen experimentar alta latencia y costes elevados al manejar grandes volúmenes de datos, Context-1 está diseñado para descomponer la consulta en subpreguntas específicas y realizar múltiples llamadas a herramientas simultáneamente. Esto permite que el modelo busque de forma eficiente en grandes fuentes de datos.
Una de las características más destacadas de Context-1 es el Self-Editing Context, que permite al modelo eliminar documentos irrelevantes durante la búsqueda. Esto reduce la llamada “contaminación del contexto” y mantiene una alta calidad en la recuperación incluso con una ventana de contexto limitada. Además, Chroma ha desarrollado una herramienta para generar tareas sintéticas multi-hop, llamada context-1-data-gen, que asegura que el modelo sea probado en tareas complejas de razonamiento en diversos dominios como finanzas y patentes.
Relevancia para el mercado español y perspectivas futuras
Valoración breve de Ainy: Context-1 ofrece a los desarrolladores españoles la oportunidad de implementar soluciones de IA más eficientes para búsquedas complejas. La reducción de costes y el aumento de velocidad pueden ser clave para empresas españolas que buscan aprovechar la tecnología IA. Con este modelo, se pueden esperar resultados más precisos en proyectos basados en datos, lo que puede fortalecer la competitividad en el mercado tecnológico español.
Fuente: Marktechpost
Lee también: A-Evolve: Nuevo marco para el desarrollo automatizado de IA
