F1.1～F1.5, 25 modelos dispersos reunidos en un solo lugar

Desde la historia de la predicción de estructuras proteicas en F01 hasta el ajuste fino LoRA en F24, hemos recorrido cinco subtemas (§F1.1 Predicción de estructuras, §F1.2 Estructuras abiertas·acoplamiento·MD, §F1.3 Modelos de lenguaje para proteínas, §F1.4 Modelos fundacionales de ADN/ARN, §F1.5 Modelos fundacionales celulares). Aunque muchos de estos modelos se pueden encontrar o distribuir en HuggingFace Hub, algunos solo están disponibles a través del repositorio del autor, una API dedicada u otras vías de distribución específicas. En F25, trazamos una guía práctica que toma el hub como punto de partida pero que también verifica las vías oficiales de distribución.

Principios — Criterios para navegar con seguridad los repositorios de modelos

Lo que la tarjeta del modelo revela y lo que omite

Cada página de modelo en HuggingFace incluye una tarjeta del modelo (model card). Esta contiene una descripción general de la arquitectura, los datos de entrenamiento, la licencia, las métricas de referencia y ejemplos de código; sin embargo, la precisión y la actualidad de su contenido varían significativamente según la entidad que gestiona el repositorio (el autor original, porteos de la comunidad, etc.). Debemos aplicar en la práctica lo mismo que señalamos frecuentemente con {/* VERIFY */} a lo largo de F16～F23: contrastar las métricas de referencia de la tarjeta del modelo con el artículo original y verificar siempre la licencia tal como aparece en el texto original.

Criterios de selección divididos en tres vías

Si clasificamos los 25 modelos encontrados en esta serie según criterios prácticos de selección, podemos resumirlos en la siguiente tabla.

Ejemplo de cálculo manual: el riesgo de las combinaciones de licencias

Supongamos que queremos distribuir en un servicio interno un modelo con restricción no comercial, como ESM3 tratado en F12, ajustándolo fino mediante LoRA descrito en F24. Aunque los pesos de LoRA obtenidos tras el ajuste fino constituyen una nueva producción, dichos pesos no pueden funcionar sin los pesos originales del preentrenamiento (sujetos a la licencia no comercial).

$\text{Disponibilidad de distribución} = \text{licencia de los pesos LoRA} \ \cap\ \text{licencia de los pesos preentrenados originales}$

Si la intersección de las dos licencias no permite el uso comercial, la distribución comercial será imposible, sin importar qué tan bien se realice el ajuste fino. Esta determinación requiere verificar directamente el texto original de la licencia cada vez, y no debe concluirse basándose únicamente en el texto resumido de la tarjeta del modelo.

Práctica: Verificación masiva de metadatos de modelos de la serie F1 mediante la API de HuggingFace Hub

# Colab T4, nivel gratuito. La biblioteca huggingface_hub permite consultar
# los metadatos de modelos públicos sin iniciar sesión.

from huggingface_hub import HfApi

api = HfApi()

# Las rutas reales de los repositorios de los modelos tratados en la serie F1 pueden
# cambiar según los anuncios oficiales; la lista siguiente solo ilustra el proceso de consulta.
candidate_repo_ids = [
    "facebook/esm2_t12_35M_UR50D",  # Ejemplo de la familia ESM-2 de F11
    # Para los demás repositorios de F01 a F25, buscar primero en el Hub la ruta vigente y después completarla.
]

for repo_id in candidate_repo_ids:
    try:
        info = api.model_info(repo_id)
        print(f"{repo_id}")
        print(f"  Etiqueta de licencia: {info.card_data.get('license') if info.card_data else 'N/A'}")
        print(f"  Descargas recientes: {info.downloads}")
        print(f"  Última actualización: {info.lastModified}")
    except Exception as e:
        print(f"Error al consultar {repo_id}: {e}")

La clave de este script es el hábito de "verificar primero mediante código la etiqueta de licencia y la fecha de última actualización antes de descargar el modelo". Dado que las licencias pueden cambiar según el historial de actualizaciones de la tarjeta del modelo, es seguro volver a verificarlas cada vez que se integre en un proyecto.

Mapeo CS

• Registro de paquetes y gestión de dependencias: El procedimiento de elegir un modelo en HuggingFace Hub y verificar su licencia y versión es esencialmente la misma tarea que la gestión de la cadena de suministro de software, donde se revisan la licencia y la compatibilidad de versiones de las dependencias en registros de paquetes como npm o PyPI.
• Evaluación de confianza basada en metadatos: Evaluar la confianza mediante el número de descargas, la fecha de última actualización y la completitud de la tarjeta del modelo sigue la misma lógica que verificar el número de estrellas en GitHub, la actividad de issues y el historial de commits recientes antes de adoptar una biblioteca de código abierto.
• Determinación de intersección de licencias: Combinar las licencias de varios componentes (pesos preentrenados + adaptadores de ajuste fino) para determinar la viabilidad de la distribución total es el procedimiento estándar de análisis de compatibilidad de licencias de software.

Defectos comunes

• Citar sin verificar los valores de referencia en la tarjeta del modelo: Los benchmarks en repositorios de porting comunitario a menudo se reproducen con configuraciones diferentes a las del artículo original. Deben compararse con la tabla del artículo original antes de usarlos para decisiones importantes.
• Integrar inadvertidamente modelos con licencia no comercial en servicios internos: Modelos como ESM3 de F12 tienen restricciones de uso no comercial; aunque no presentan problemas en etapas de investigación o prototipado, es imprescindible una revisión legal y de licencias antes de su despliegue en producción.

Para profundizar más

El texto principal ha sido reescrito directamente por el equipo de investigación de BPD. Profundice con los artículos originales y los materiales oficiales.

• Documentación oficial de HuggingFace Hub: Guías de redacción de tarjetas de modelo y referencia de la API.
• Comparación de licencias de código abierto: Textos originales de cada licencia (textos oficiales de Open Source Initiative) como MIT, Apache 2.0, CC BY 4.0, etc.
• Sección "Para profundizar más" en los episodios F01～F24: Es la suma total de todos los artículos originales cubiertos en estos 25 episodios.

Ha completado la capa F1 Fullstack (Foundation Model + AI, 25 episodios). En el siguiente subtema (F26～F35, MLOps + infraestructura), dirigiremos nuestra atención a herramientas prácticas como Pixi, Snakemake y Nextflow para integrar estos modelos base en pipelines reales.