Qué es Cecilia
Los modelos de lenguaje generales funcionan bien en inglés y razonablemente en español, pero fallan en las variantes regionales: no conocen el léxico, ni las referencias históricas, ni la manera de decir las cosas de una comunidad concreta. En el caso cubano esa carencia es total.
Cecilia 2B es un modelo de 2 mil millones de parámetros, construido sobre Salamandra 2B y entrenado durante dos épocas completas sobre cerca de mil millones de palabras de texto cubano. Es el primer modelo de base de gran escala, disponible públicamente, hecho para el español de Cuba.
Lo desarrolla el Grupo de Inteligencia Artificial de la Universidad de La Habana, junto al grupo GPLSI de la Universidad de Alicante, con el apoyo de Syalia SRL y Epistemial.
Con qué se entrenó
Prensa
Diez años de los principales periódicos del país.
Enciclopedia
La Enciclopedia Cubana completa (EcuRed).
Leyes
La colección completa de la legislación cubana.
Literatura
Más de 400 obras de la literatura nacional.
Cubanismos
Diccionarios locales de modismos y elementos culturales.
Canciones
Cientos de letras de cantantes populares cubanos.
Cecilia necesita su ayuda
El modelo ya terminó su entrenamiento base: sabe escribir en cubano, pero todavía no sabe responder preguntas ni seguir instrucciones. Para eso hace falta un corpus de ejemplos escritos por hablantes nativos, y ese corpus no lo puede generar una máquina.
Escribir un ejemplo toma dos minutos: usted hace una pregunta y escribe la respuesta que Cecilia debería dar.
Documentos
- Reporte técnico — Cecilia 2B v0.1, 11 páginas.
- Artículo de UCiencia 2025 — Continual Pretraining of a Small Language Model on Cuban Spanish Corpora, 15 páginas.
- Pesos del modelo en HuggingFace.
Cómo usarlo
El modelo se carga con la biblioteca transformers de HuggingFace, y es compatible con vLLM y LM Studio para ejecutarlo localmente.
Cecilia 2B v0.1 se distribuye bajo licencia CC BY-SA 4.0. Todavía no está ajustado a instrucciones: modela lenguaje, no sigue órdenes. Como todo modelo de lenguaje, puede equivocarse o inventar datos, y no sustituye el criterio de un profesional.