Modelos multilingües: hablar cien idiomas no es dominarlos

A 30 de julio de 2026, decir que un modelo «soporta cien idiomas» sigue sin explicar qué puede hacer en cada uno. Puede clasificar bien noticias en una lengua y traducir mal una consulta médica; entender el registro formal y fallar con una variante local; superar un examen traducido y no reconocer nombres, fechas o instrucciones cotidianas. La cifra cuenta cobertura nominal, no competencia.

Los modelos multilingües han ampliado la investigación en inteligencia artificial porque permiten compartir parámetros y transferir patrones entre lenguas. También han hecho visible una desigualdad que antes quedaba escondida dentro de la palabra «lenguaje». El soporte real no es una casilla por idioma, sino una matriz de lengua, variante, tarea, dominio, coste y riesgo. Aprender a leer esa matriz es más útil que memorizar qué modelo encabeza hoy una clasificación.

Cómo aprende un modelo varias lenguas

Un modelo no guarda un diccionario independiente para cada idioma. Durante el entrenamiento recibe textos convertidos en unidades numéricas y ajusta parámetros compartidos para predecir, representar o generar lenguaje. Las regularidades pueden transferirse: nombres, estructuras o conceptos aprendidos con muchos ejemplos ayudan en otra lengua con menos datos, sobre todo cuando existen parentescos o textos paralelos.

XLM-R fue un hito de este enfoque. El paper Unsupervised Cross-lingual Representation Learning at Scale describe un modelo enmascarado entrenado con más de dos terabytes de Common Crawl filtrado en cien lenguas. Sus autores mostraron mejoras en varios benchmarks cruzados y estudiaron el equilibrio entre lenguas. El resultado no significa que XLM-R «sepa cien idiomas» en cualquier tarea: significa que una representación compartida produjo resultados medidos en conjuntos concretos.

Ese matiz explica por qué no se pueden comparar cifras de cobertura sin leer la tarea. NLLB-200 se diseñó para traducción; el proyecto No Language Left Behind creó modelos y datos para doscientas lenguas. Aya se afinó para seguir instrucciones en 101 lenguas, más de la mitad consideradas de menores recursos por sus autores. XLM-R aprende representaciones para comprensión. «200», «101» y «100» describen objetivos distintos, no tres posiciones en una misma liga.

Primera capa: los datos deciden qué lengua ve el modelo

La cantidad importa, pero no basta. Una lengua puede tener millones de páginas y estar representada sobre todo por textos religiosos, administrativos, duplicados o traducciones. Puede faltar conversación, ciencia, documentación técnica o escritura de jóvenes. También puede aparecer sin su variante regional o con una ortografía normalizada que no usa parte de la comunidad.

El filtrado automático añade decisiones: qué se considera una lengua, cómo se detecta, qué texto se elimina como ruido y qué contenido se acepta. Un detector entrenado con lenguas abundantes puede descartar precisamente aquello que intenta rescatar. Los datos sintéticos y la retrotraducción amplían corpus, pero también pueden propagar errores o uniformar el estilo si no hay revisión.

Por eso una ficha responsable indica volumen, procedencia, licencias, fechas, dominios, dialectos y participación de hablantes. «Datos de internet» no permite evaluar nada. Tampoco conviene suponer que más extracción equivale a inclusión: una comunidad puede querer tecnología en su lengua y, a la vez, exigir consentimiento o soberanía sobre archivos sensibles.

Segunda capa: el tokenizador cambia coste y contexto

Antes de llegar al modelo, el texto se divide en tokens. Si el vocabulario representa bien una lengua, una palabra frecuente puede ocupar una unidad. Si la representa mal, la misma información se fragmenta en muchas piezas. Eso consume ventana de contexto, tiempo y dinero, y deja menos espacio para el documento que el usuario quería analizar.

El estudio Language Model Tokenizers Introduce Unfairness Between Languages comparó traducciones equivalentes y encontró diferencias de longitud de token de hasta quince veces en determinados pares y tokenizadores. La cifra pertenece a los sistemas y textos estudiados, no a toda lengua ni a todo modelo. Revela un punto duradero: la inequidad puede aparecer antes de que la red neuronal procese el contenido.

Cuando un servicio cobra por token, esa fragmentación puede hacer que expresar la misma idea cueste más. Cuando limita el contexto, puede recortar antes una conversación o un expediente. Una prueba multilingüe debe medir calidad, pero también tokens, latencia y tasa de truncado.

Tercera capa: transferencia y competencia por capacidad

Compartir parámetros permite que una lengua aproveche datos de otra. También obliga a repartir una capacidad finita. Las lenguas abundantes pueden dominar las actualizaciones; las relacionadas pueden ayudarse; las distantes pueden interferir; aumentar el muestreo de una beneficia una métrica y perjudica otra. No existe una mezcla universalmente justa.

El diseño depende del uso. Un traductor necesita correspondencias entre lenguas; un buscador, recuperar el mismo concepto; un asistente, seguir instrucciones y negarse de manera coherente; un sistema de voz, acentos y condiciones acústicas. Decir que el modelo es multilingüe sin nombrar la tarea oculta la elección científica principal.

Cuarta capa: un benchmark es una muestra, no un pasaporte

La evaluación multilingüe necesita ejemplos comparables, pero traducir un examen creado en inglés puede transportar sus referencias culturales y su dificultad. Una puntuación media puede ocultar que diez lenguas funcionan bien y otras ochenta apenas alcanzan un uso básico. También puede mezclar resultados automáticos con juicios humanos sin explicar quién evaluó y bajo qué criterios.

Los benchmarks más útiles exponen esa estructura. XTREME-UP evalúa 88 lenguas infrarrepresentadas en nueve tecnologías orientadas al usuario, entre ellas reconocimiento de voz, OCR, traducción y acceso a información. Su enfoque de pocos datos pregunta qué puede construirse con una cantidad pequeña pero viable de anotación, en lugar de celebrar solo el rendimiento sin ejemplos.

FLORES adopta otra función. El benchmark FLORES ofrece material paralelo para comparar traducción en muchas direcciones. Es valioso para medir traducción, no razonamiento jurídico, conversación segura ni comprensión de dialectos. La validez siempre queda limitada a la tarea y población representadas.

Quinta capa: seguridad y utilidad también son multilingües

Un modelo puede responder con fluidez en una lengua y aplicar peor sus límites de seguridad, citar menos fuentes o producir más estereotipos. Las políticas entrenadas principalmente en inglés no se transfieren necesariamente a códigos mixtos, eufemismos o contextos culturales distintos. Probar solo precisión deja fuera daños y reparaciones.

La evaluación debe incluir solicitudes reales escritas por hablantes, especialistas del dominio y personas capaces de detectar una respuesta gramatical pero culturalmente impropia. También necesita un canal de incidencias y mantenimiento. Las lenguas cambian, los corpus envejecen y los usos descubren fallos que el laboratorio no anticipó.

La Hoja de Ruta Mundial de UNESCO para el Multilingüismo en la Era Digital, impulsada en 2025, vincula tecnología lingüística con participación comunitaria, seguridad, desarrollo de recursos, creación de capacidades y soberanía de datos. Es un recordatorio institucional: incluir una lengua no consiste solo en extraer texto de sus hablantes, sino en darles capacidad para decidir, evaluar y beneficiarse.

Cómo cambia la investigación

Los modelos compartidos reducen el coste de construir un sistema desde cero para cada lengua y permiten estudiar transferencia, tipología, tokenización y evaluación a una escala antes difícil. Los modelos, datos y benchmarks abiertos facilitan que otros reproduzcan resultados y añadan lenguas. Pero también concentran preguntas de investigación alrededor de los corpus y métricas que unas pocas organizaciones pueden financiar.

La contribución más fértil de la investigación multilingüe no es una cifra mayor en la portada. Es cambiar la unidad de análisis: de «el modelo entiende lenguaje» a «el sistema realiza esta tarea, en esta variedad, con estos datos, este coste y estos fallos». Esa precisión mejora tanto la ciencia como las decisiones de compra o despliegue.

La ficha para auditar una promesa multilingüe

• Lengua y variante: ¿qué escritura, región, registro y código mixto se probaron?
• Tarea y dominio: ¿traducción, búsqueda, conversación, voz, medicina o administración?
• Datos: ¿de dónde proceden, quién consintió y qué comunidad participó?
• Evaluación: ¿hay resultados por lengua, muestras humanas y errores visibles?
• Coste: ¿cuántos tokens, qué latencia y cuánto contexto útil consume?
• Seguridad: ¿los límites y la vía de reclamación funcionan en esa lengua?

La capacidad transferible es esta: convertir «soporta N idiomas» en una matriz de lengua, variante, tarea, datos, evaluación, coste y seguridad. Un modelo multilingüe puede abrir la investigación a más comunidades. Solo será inclusión si esas comunidades aparecen también en las decisiones, las pruebas y los beneficios.