isFreeThink es un laboratorio de investigación en inteligencia artificial. Diseñamos y entrenamos desde cero un modelo de lenguaje con el español como lengua materna, con arquitectura, datos y evaluación desarrollados en el propio laboratorio.
Crea isFreeThinkDisponible
La plataforma creativa del laboratorio reúne los mejores modelos generativos en un solo lugar. Describe lo que imaginas, elige el modelo y descarga el resultado en alta calidad.
Paquetes de créditos desde US$ 6. Pagas solo por lo que generas.
Conversa isFreeThinkDisponible
Claude, GPT, Gemini, DeepSeek y otros modelos en un mismo chat. Cambia de modelo cuando quieras y mira el costo de cada mensaje antes de enviarlo.
Desde 0,09 créditos por mensaje. Pagas solo lo que usas.
Construir un modelo de lenguaje desde cero obliga a entender cada pieza: cómo lee, cómo recuerda, cómo se equivoca. Publicamos lo que aprendemos y cómo lo medimos; la arquitectura y el entrenamiento quedan dentro del laboratorio hasta que el modelo esté listo.
Diseñamos la arquitectura y el corpus en español con experimentos pequeños y medibles.
Entrenar la versión grande con la receta que gane en la fase anterior.
Enseñarle a conversar y a usar herramientas, y publicar sus resultados.
Abrir el modelo a personas y empresas de la región.
Que cada palabra se relacione con todas las demás es costoso. Buscamos diseños que recuerden a larga distancia con mucha menos memoria, para que un buen modelo funcione en equipos modestos.
Los grandes modelos aprenden español como segunda lengua. Queremos saber hasta dónde llega uno que lo aprende primero y bien.
Una nota alta puede ser memoria. Usamos pruebas con lenguaje nuevo y estadística pareada para separar lo aprendido de lo repetido.
Cada decisión se valida primero a pequeña escala. Buscamos una receta de entrenamiento viable con los presupuestos de la región.
Cada hallazgo cambió cómo trabajamos. Varios nos obligaron a retirar conclusiones propias: preferimos corregirnos en público a repetir un error.
Lo que mejora en una prueba de laboratorio puede empeorar en una conversación.
Un ajuste subía la corrección en texto de prueba del 44 % al 57 % y la bajaba del 48 % al 25 % en conversaciones reales. Ahora ningún cambio se acepta sin medirlo donde se va a usar.
Noviembre 2026
La métrica de siempre no ve la memoria.
Dos diseños con la misma pérdida, al centésimo, recordaban de forma muy distinta a larga distancia. Ahora cada evaluación mide la memoria a 128, 512, 1.024 y 1.800 tokens.
Octubre 2026
Más cómputo no compra coherencia.
Añadir capacidad bajaba la pérdida sin mejorar el texto. Nuestra propia métrica de coherencia no medía lo que creíamos, y retiramos tres conclusiones anteriores.
Septiembre 2026
Una puntuación alta puede ser solo memoria.
El mismo modelo sacaba un 85 % en pruebas parecidas a su entrenamiento y un 12 % con preguntas escritas de otra forma. Desde entonces solo medimos con lenguaje que nunca vio.
Agosto 2026
Un resumen del diario de investigación, del más reciente al más antiguo. Cada entrada corresponde a una o varias rondas de experimentos.
Comparamos varios diseños de atención propios contra un modelo de referencia entrenado en las mismas condiciones. El elegido empata en calidad de texto, recuerda a 1.800 tokens de distancia con la mitad de error y deja de inclinarse por el dato viejo cuando algo se corrige. Al generar texto usa el 38 % de la memoria.
Afinado como asistente, el nuevo modelo entiende mucho mejor las correcciones (del 32 % al 48 %) y las referencias a lo dicho antes (del 26 % al 46 %), con la misma nota global en conversación. Pero pierde en datos exactos (del 78 % al 51 %) y en el banco general (del 88 % al 81 %), así que el asistente vigente sigue siendo el anterior. El límite está en los datos de afinado, escritos para un modelo que no recordaba: los estamos rehaciendo.
Probamos tres ajustes directos sobre el modelo para recuperar memoria sin perder conversación. Uno subía la corrección en texto de prueba del 44 % al 57 %, pero la bajaba del 48 % al 25 % en conversaciones. Ninguna se aceptó: cada cambio se mide antes y después.
Comparamos nuestro diseño con un modelo comercial reciente trece veces más grande. No nos faltaba atención: el alcance largo lo decidía otra pieza. Con ese cambio, el modelo recuerda a 1.800 tokens de distancia con cinco veces menos entrenamiento.
El modelo base dejaba de usar lo leído más allá de cierta distancia y la pérdida de entrenamiento no lo mostraba. Creamos una prueba de copia a varias distancias que ahora corre en cada evaluación.
Una auditoría del preprocesado encontró que se perdían los saltos de línea y cerca de un cuarto del texto. Rehicimos el corpus por documentos completos.
Una serie de experimentos sobre capacidad cerró una tesis y tumbó tres hallazgos nuestros. Los retiramos del registro.
El ajuste fino borraba parte de lo aprendido en el preentrenamiento. Lo diagnosticamos con 61 hechos verificables en cuatro modelos y lo corregimos.
Auditoría completa del modelo y del proceso de entrenamiento. Cada hallazgo, corregido y con su prueba.
Un banco de 266 pruebas en 19 áreas, escritas con lenguaje nuevo. Cada salto se validó con pruebas estadísticas pareadas.
Nuestras pruebas se parecían demasiado al entrenamiento y medían interpolación, no generalización. Las rehicimos desde cero.
Entrenado, afinado y probado: consulta, calcula y trabaja con archivos siguiendo instrucciones en español.
Más de 115 experimentos en 17 rondas, ejecutados en dos días, para elegir el diseño antes de invertir en el entrenamiento a gran escala.
Un análisis de potencia estadística reescribió conclusiones anteriores: para detectar cinco puntos de mejora hacen falta cerca de 1.500 pruebas.
Un tokenizador propio, pensado para el español, y la primera versión del corpus de entrenamiento.
El mejor resultado de validación del proyecto hasta ese momento.
Con tres semillas por brazo, nuestro diseño de atención superó a la atención completa a 8.000 y 16.000 tokens.
Un análisis posterior encontró cinco fallos que invalidaban la ronda. Desde entonces auditamos antes de escalar.
Pasamos de leer carácter a carácter a un vocabulario de subpalabras diseñado para el español.
Un asistente conversacional en español, afinado sobre nuestro propio modelo base.
Iniciamos un registro sistemático de los experimentos fallidos y de sus causas.
Modelos pequeños, entrenados desde cero en español, para entender cada pieza antes de construir la grande.
Cada ronda del diario sigue el mismo ciclo. Lo que no sobrevive a la medición y a la auditoría no se anuncia.
Cada experimento parte de una hipótesis que puede resultar falsa, escrita antes de medir.
Una sola variable, varias semillas y un costo mínimo. Cientos de pruebas antes de cada entrenamiento a gran escala.
Pruebas que el modelo nunca vio y estadística pareada. Con pocos ítems, cinco puntos de mejora son ruido.
Revisamos datos y código buscando lo que la métrica no muestra, incluidas nuestras propias conclusiones.
Todo queda en el diario, también lo que falla. Un experimento fallido bien registrado ahorra el siguiente.
Texto escrito en español desde el primer paso y un vocabulario diseñado para el idioma. El modelo no traduce mentalmente desde otra lengua.
Investigamos cómo entrenar y servir modelos de calidad con los recursos reales de nuestra región.
Contamos qué funciona, qué no y cómo lo medimos. La receta del modelo se publicará cuando el modelo esté listo.
Mientras nuestro modelo crece, el laboratorio pone a tu alcance la mejor inteligencia artificial disponible hoy, en español y con una sola cuenta de créditos.
Disponible
Imágenes, edición de fotos y video a partir de una frase, con los modelos generativos más avanzados.
Disponible
Los modelos de lenguaje más capaces del mundo en un solo lugar: elige el adecuado para cada tarea y cambia de modelo cuando quieras.
Las marcas citadas pertenecen a sus respectivos titulares. El catálogo puede cambiar cuando aparecen modelos nuevos.
Creemos en la tecnología que se construye con curiosidad y se mide con honestidad. Exploramos todo tipo de modelos, probamos cada idea y publicamos lo que aprendemos, también cuando nos equivocamos.
Y creemos que un modelo pequeño, bien pensado y nacido en nuestro idioma, puede lograr tareas enormes: funcionar en equipos modestos, entender cómo hablamos y estar al alcance de todos.
Lo estamos construyendo desde Caracas. Acompáñanos.