RLAMA vs Galactica

RLAMA construye sistemas RAG locales y equipos multiagente desde tu terminal en macOS, Linux o Windows. Indexas carpetas de archivos PDF, Markdown y código, luego los consultas a través de modelos de Ollama, OpenAI o Hugging Face sin enviar datos a servidores externos. El proyecto de código abierto también incluye un constructor visual de RAG en rlama.dev.

La mayoría de las herramientas RAG se limitan a preguntas y respuestas sobre documentos. RLAMA añade roles de agentes, conexión de herramientas y flujos de trabajo de equipos para que una sesión de terminal pueda encadenar investigadores, escritores y programadores mediante pasos secuenciales o paralelos. La supervisión de directorios mantiene los índices RAG actualizados cuando los archivos cambian, y una API HTTP expone los mismos sistemas a otras aplicaciones.

Los desarrolladores que crean bases de conocimiento privadas, equipos de investigación que indexan documentos y ingenieros que desean búsqueda de documentos sin conexión usan RLAMA para incrustaciones y fragmentación locales. Los mantenedores del proyecto indican que el desarrollo activo está pausado, pero la CLI de código abierto y la documentación siguen disponibles para su instalación.

Cinco puntos de control de pesos abiertos desde 125M hasta 120B de parámetros ofrecen a los investigadores un modelo de lenguaje entrenado en ciencia construido a partir de 106 mil millones de tokens seleccionados de 48 millones de artículos, libros de texto, enciclopedias y bases de conocimiento. Galactica almacena, combina y razona a través de modalidades que incluyen LaTeX, código Python, fórmulas SMILES y secuencias de aminoácidos dentro de una arquitectura Transformer solo con decodificador. El equipo Papers with Code de Meta liberó los pesos para investigadores que quieran estudiar cómo los modelos de lenguaje organizan el conocimiento científico.

Los LLMs de propósito general se entrenan con rastreos amplios de la web donde las conversaciones sociales pueden dominar el presupuesto de tokens. Galactica usó solo fuentes científicas de acceso abierto seleccionadas, lo que según el artículo permite entrenar durante múltiples épocas sin sobreajuste. Meta retiró la demostración pública en la web tres días después del lanzamiento en noviembre de 2022 cuando críticos mostraron citas y ecuaciones confiadas pero fabricadas, por lo que hoy se descargan los puntos de control desde Hugging Face en lugar de chatear mediante una interfaz alojada.

Los investigadores en aprendizaje automático pueden reproducir números de referencia del artículo en arXiv, incluyendo 77.6% en PubMedQA y 52.9% en MedMCQA dev. Los biólogos computacionales y químicos pueden probar tareas de anotación de proteínas y moléculas mediante los tokens especializados de Galactica para secuencias de aminoácidos y cadenas SMILES. Estudiantes de posgrado que exploran preguntas científicas, predicción de citas o problemas matemáticos pueden experimentar con tamaños de hasta 120 mil millones de parámetros sin entrenar desde cero.