Liminar
Modelos de lenguaje abiertos del sistema universitario argentino

Liminar es una familia de modelos de lenguaje abiertos del sistema universitario argentino. Están adaptados a su normativa, sus instituciones y su vida académica, y al español formal de la Argentina, y se publican con licencia abierta para que cualquier persona o institución pueda usarlos.

El nombre remite al Manifiesto Liminar de la Reforma Universitaria de 1918, publicado por la Federación Universitaria de Córdoba. La Reforma impulsó la autonomía universitaria y el cogobierno, y Liminar retoma la idea de autonomía con modelos abiertos que cada universidad puede ejecutar en su propia infraestructura y adaptar a sus necesidades.

Capa nacional

Los modelos publicados. Cada uno parte de un modelo abierto y se ajusta con la normativa universitaria nacional curada y con textos públicos sobre la vida universitaria: noticias y páginas de argentina.gob.ar, el CONICET y el Consejo Interuniversitario Nacional.

Capa de cada universidad

Un adaptador LoRA que cada institución entrena con sus propios actos (su digesto: resoluciones, ordenanzas y reglamentos) sobre un modelo Liminar, siguiendo la metodología publicada. Así el modelo incorpora la normativa propia. Esa capa queda en la universidad y no se publica.

Uso directo

Los modelos publicados también se usan como modelos de propósito general, sin volver a entrenarlos: consultas con documentos (RAG), resúmenes, borradores o extracción de datos. Con documentos rindieron al nivel de sus modelos base.

Modelos

Todas las bases tienen licencia Apache 2.0. Cada versión es una etiqueta del repositorio del modelo (por ejemplo, v2026.11).

ModeloBaseAjuste
Liminar-Gemma-4-E4BGemma 4 E4Bcompleto
Liminar-Ministral-3-8BMinistral 3 8Bcompleto
Liminar-Qwen3.5-9BQwen 3.5 9Bcompleto
Liminar-Gemma-4-12BGemma 4 12Bcompleto
Liminar-Mistral-Small-3.2-24BMistral Small 3.2 24BLoRA
Liminar-Qwen3.5-27BQwen 3.5 27BLoRA
Liminar-Gemma-4-31BGemma 4 31BLoRA
Liminar-Qwen3.5-122B-A10BQwen 3.5 122B-A10B (MoE)LoRA

Resultados

Cada modelo Liminar va debajo de su modelo base, y gpt-4.1-mini queda como referencia. La tabla suma cada modelo cuando tiene sus evaluaciones completas; el método está en la documentación.

ModeloNormativa sin documentos:
correctas
Nota del juez
(0 a 2)
RAG: promedio
(1 a 5)
RAG: incorrectas
(de 60)
Gemma 4 E4B (base)5,7 %0,374,890
Liminar-Gemma-4-E4B31,7 %1,105,000
Ministral 3 8B (base)7,7 %0,784,922
Liminar-Ministral-3-8B48,7 %1,354,901
Qwen 3.5 9B (base)6,0 %0,614,990
Liminar-Qwen3.5-9B36,7 %1,084,970
Gemma 4 12B (base)8,7 %0,534,950
Liminar-Gemma-4-12B38,7 %1,214,970
Mistral Small 3.2 24B (base)9,7 %0,764,941
Liminar-Mistral-Small-3.2-24B46,3 %1,264,920
Qwen 3.5 27B (base)10,0 %0,634,990
Liminar-Qwen3.5-27B46,7 %1,304,990
Gemma 4 31B (base)13,3 %0,734,940
Liminar-Gemma-4-31B44,7 %1,294,990
Qwen 3.5 122B-A10B (base)8,3 %0,675,000
Liminar-Qwen3.5-122B-A10B31,7 %1,064,990
gpt-4.1-mini (referencia)14,3 %0,774,980

Uso

Con la biblioteca transformers, fijando la versión.

from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "LICDIA-UNLu/Liminar-Qwen3.5-9B"
tok = AutoTokenizer.from_pretrained(repo, revision="v2026.11")
modelo = AutoModelForCausalLM.from_pretrained(
    repo, revision="v2026.11", dtype="auto", device_map="auto")

mensajes = [{"role": "user",
             "content": "¿Qué órganos de gobierno prevé la Ley de Educación Superior?"}]
entrada = tok.apply_chat_template(
    mensajes, add_generation_prompt=True, return_tensors="pt").to(modelo.device)
salida = modelo.generate(entrada, max_new_tokens=400)
print(tok.decode(salida[0, entrada.shape[1]:], skip_special_tokens=True))

El modelo no sabe qué normas siguen vigentes. Para consultas sobre normativa conviene usarlo con recuperación de documentos (RAG) sobre una fuente actualizada.

Metodología para universidades

Pasos para sumar la capa propia de una institución.

  1. Reunir el corpus: los actos de la universidad con su procedencia (número, fecha, órgano emisor y texto completo).
  2. Generar los datos de entrenamiento: un modelo maestro escribe preguntas y respuestas sobre cada acto y versiones reescritas de cada fragmento; una parte de los actos se aparta para evaluar.
  3. Entrenar el adaptador: LoRA sobre el modelo Liminar elegido.
  4. Evaluar contra el modelo sin la capa propia, con preguntas sobre los actos apartados y con preguntas generales.
  5. Servirlo, de preferencia con recuperación de documentos sobre el digesto actualizado.

Método

Corpus

Normativa universitaria nacional de Infoleg, curada a mano, y textos públicos de argentina.gob.ar, el CONICET y el CIN, cada uno con su procedencia y su licencia.

Datos

Preguntas, respuestas y versiones reescritas generadas por un modelo maestro abierto, siempre con el documento a la vista.

Entrenamiento

Ajuste completo o LoRA con FSDP en la supercomputadora Clementina XXI, con GPU Intel Max 1550.

Evaluación

Cada modelo contra su base: conocimiento del dominio y funcionalidad, entre ellas la consulta con documentos.

Contacto

Laboratorio de Investigación en Ciencia de Datos & Inteligencia Artificial, Departamento de Ciencias Básicas, Universidad Nacional de Luján.

licdia@unlu.edu.ar