Investigadores presentan AI Model Atlas, un mapa 3D que reúne más de 100.000 modelos de IA de Hugging Face
Un equipo de la Universidad Hebrea de Jerusalén crea una herramienta de visualización interactiva que muestra el 'linaje' de más de 100.000 modelos de IA en un grafo 3D explorable desde el navegador
El mundo de la IA cuenta hoy con cientos de miles de nuevos modelos open-source, hasta el punto de que casi nadie puede seguir la pista de qué modelo proviene de dónde. Ahora, un equipo de investigación liderado por Eliahu Horwitz, de The Hebrew University of Jerusalem, ha presentado el proyecto AI Model Atlas, una herramienta de visualización interactiva que reúne una enorme cantidad de modelos de Machine Learning —como más de 100.000 modelos de NLP (procesamiento del lenguaje natural) de la plataforma Hugging Face— y los muestra en un grafo 3D interconectado.
Este mapa no se limita a dibujar puntos de modelos de forma atractiva, sino que también muestra el 'linaje' de cada uno: qué modelo fue ajustado (fine-tune) a partir de cuál, qué modelos surgieron de la fusión (merge) de varios modelos, y qué arquitecturas se heredaron de qué prototipos. Los usuarios pueden hacer clic, ampliar y explorar clústeres de modelos directamente desde el navegador, gracias a la tecnología de grafos 3D Cosmograph/WebGL.
Detrás del proyecto está el concepto de Weight-Space Learning, es decir, aprender explorando los 'pesos' (weights) de los modelos ya existentes, en lugar de entrenar modelos nuevos desde cero. El equipo de investigación considera que esto fomentará el Model Recycling: reutilizar modelos antiguos para desarrollar otros nuevos, reduciendo tanto los costes como la energía empleada en entrenamientos redundantes.
El proyecto cuenta con un respaldo académico sólido: dispone de un artículo de investigación publicado en arXiv (número 2503.10633) y fue presentado en la conferencia NeurIPS, un evento académico internacional de primer nivel en el campo de la IA, bajo el lema 'We Should Chart an Atlas of All the World's Models', que busca impulsar que la cartografía de los modelos de IA del mundo se convierta en un estándar del sector.
Cuando los modelos de IA son transparentes sobre su procedencia, los desarrolladores pueden elegir modelos base fiables y construir sobre ellos por el camino correcto, además de reducir el coste de entrenar desde cero, algo clave para equipos con presupuestos limitados.