← Inteligencia artificial

NOVEDADES + GUÍA PRÁCTICA

LLMON: El nuevo lenguaje de marcado nativo para modelos de lenguaje presentado en Granite 4.1

El ecosistema de Inteligencia Artificial avanza en la estructura y seguridad de los modelos con el lanzamiento de LLMON (LLM Object Notation), un lenguaje de marcado nativo optimizado para comunicar de forma explícita la estructura y semántica a los LLMs, evitando las limitaciones de formatos tradicionales como JSON.

· 1 min · Redacción Punto y Polémica

Qué cambia con LLMON

Tradicionalmente, los modelos de lenguaje dependen de formatos como JSON para estructurar la información, a pesar de que estos fueron diseñados para analizadores sintácticos y no para modelos causales. Esto genera problemas de fragilidad y vulnerabilidades ante inyecciones de comandos.

Para solucionar este inconveniente, se han lanzado los modelos experimentales preliminares granite-4.1-3b-LLMON-preview y granite-4.1-8b-LLMON-preview. LLMON utiliza etiquetas de tipo XML con delimitadores de tokens especiales reservados, permitiendo separar de forma clara las instrucciones de los datos y asignando identificadores únicos a cada bloque.

Por qué importa frente a las inyecciones de comandos

Una de las ventajas principales señaladas es la mejora notable en la resistencia frente a ataques de inyección indirecta de comandos ocultos en datos de usuario o documentos recuperados.

Mediante una separación explícita de instrucciones y datos, los modelos aprenden a ignorar bloques no autorizados sin perder las capacidades generales de rendimiento de la familia Granite 4.1.

Guía de exploración

Qué puedes hacer con esta novedad

Los modelos de vista previa están disponibles en la plataforma de Hugging Face bajo los repositorios de IBM Granite, junto con un repositorio en GitHub que incluye herramientas de conversión y un espacio de visualización de atención.

  1. Examinar los modelos experimentales granite-4.1-3b-LLMON-preview y granite-4.1-8b-LLMON-preview en los enlaces oficiales de Hugging Face.
  2. Explorar la herramienta de demostración interactiva 'LLMON Attention Visualization' en Hugging Face Spaces para observar el comportamiento de las capas de atención.
  3. Acceder al repositorio de GitHub 'generative-computing/llmon' para revisar los ejemplos de flujos de trabajo, plantillas y herramientas de conversión de JSON.
  4. Revisar los cuadernos de ejemplo específicos como el de ajuste fino con LoRA para agentes o dominios específicos en el repositorio oficial.

Qué deberías obtener

Comprender el funcionamiento del lenguaje LLMON, explorar la visualización de atención y revisar cuadernos de ejemplo para flujos de trabajo personalizados.

Antes de empezar

Se trata de una vista previa experimental orientada a la evaluación y exploración, no recomendada para entornos de producción.

Fuentes y documentación