{"id":5336,"date":"2023-08-14T16:00:42","date_gmt":"2023-08-14T19:00:42","guid":{"rendered":"https:\/\/blog.scielo.org\/es\/?p=5336"},"modified":"2023-12-20T14:25:47","modified_gmt":"2023-12-20T17:25:47","slug":"gpt-traduccion-automatica-y-que-tan-buenos-son","status":"publish","type":"post","link":"https:\/\/blog.scielo.org\/es\/2023\/08\/14\/gpt-traduccion-automatica-y-que-tan-buenos-son\/","title":{"rendered":"GPT, traducci\u00f3n autom\u00e1tica y qu\u00e9 tan buenos son: una evaluaci\u00f3n integral"},"content":{"rendered":"<p><strong>Por Ernesto Spinak<\/strong><\/p>\n<h3>Introducci\u00f3n<\/h3>\n<div id=\"attachment_5338\" style=\"width: 310px\" class=\"wp-caption alignright\"><a href=\"http:\/\/blog.scielo.org\/es\/wp-content\/uploads\/sites\/3\/2023\/08\/Direct_translation_and_transfer_translation_pyramid.jpg\" target=\"_blank\" rel=\"noopener\"><img loading=\"lazy\" decoding=\"async\" aria-describedby=\"caption-attachment-5338\" class=\"wp-image-5338 size-medium\" title=\"Esquema que muestra la pir\u00e1mide de la traducci\u00f3n directa y la traducci\u00f3n por transferencia.\" src=\"http:\/\/blog.scielo.org\/es\/wp-content\/uploads\/sites\/3\/2023\/08\/Direct_translation_and_transfer_translation_pyramid-300x180.jpg\" alt=\"Esquema que muestra la pir\u00e1mide de la traducci\u00f3n directa y la traducci\u00f3n por transferencia.\" width=\"300\" height=\"180\" srcset=\"https:\/\/blog.scielo.org\/es\/wp-content\/uploads\/sites\/3\/2023\/08\/Direct_translation_and_transfer_translation_pyramid-300x180.jpg 300w, https:\/\/blog.scielo.org\/es\/wp-content\/uploads\/sites\/3\/2023\/08\/Direct_translation_and_transfer_translation_pyramid-768x461.jpg 768w, https:\/\/blog.scielo.org\/es\/wp-content\/uploads\/sites\/3\/2023\/08\/Direct_translation_and_transfer_translation_pyramid.jpg 1000w\" sizes=\"auto, (max-width: 300px) 100vw, 300px\" \/><\/a><p id=\"caption-attachment-5338\" class=\"wp-caption-text\"><em>Imagen: <a href=\"https:\/\/commons.wikimedia.org\/w\/index.php?curid=683855\">Wikimedia Commons, 1934<\/a>.<\/em><\/p><\/div>\n<p>El uso de la inteligencia artificial (IA), en particular la traducci\u00f3n autom\u00e1tica de textos cient\u00edficos, es un avance irreversible en la publicaci\u00f3n acad\u00e9mica. Estas herramientas de apoyo son comunes y aceptadas en el proceso editorial por todas las asociaciones cient\u00edficas.<\/p>\n<p>En el estudio que nos ocupa se analiza el estado del arte de los traductores m\u00e1s avanzados y de uso general donde se corrobora la confiabilidad de esta herramientas de apoyo a la investigaci\u00f3n. Se toma como fuentes a publicaciones recientes de <a href=\"https:\/\/arxiv.org\/\">arXiv<\/a>: <a href=\"https:\/\/doi.org\/10.48550\/arXiv.2302.09210\" target=\"_blank\" rel=\"noopener\"><em>How Good Are GPT Models at Machine Translation?: A Comprehensive Evaluation<\/em><\/a>,<sup>1<\/sup> <a href=\"https:\/\/doi.org\/10.48550\/arXiv.2212.02437\" target=\"_blank\" rel=\"noopener\"><em>In-context Examples Selection for Machine Translation<\/em><\/a>,<sup>2<\/sup> y los documentos de la <a href=\"https:\/\/machinetranslate.org\/wmt\" target=\"_blank\" rel=\"noopener\"><em>Conference of Machine Translation<\/em><\/a> (WMT).<sup>3<\/sup><\/p>\n<h3>Contexto del experimento<\/h3>\n<p>Se comparan las capacidades de traducci\u00f3n multiling\u00fce de las versiones m\u00e1s recientes de GPT-3.5 y los sistemas <em>Neural Machine Translation<\/em> (NMT) en diferentes dominios tem\u00e1ticos.<\/p>\n<p>GPT-3.5 es una versi\u00f3n avanzada de la arquitectura GPT (<em>Generative Pre-trained Transformer<\/em>). Esta arquitectura se basa en una red neuronal llamada <em>Transformer<\/em>, que utiliza mecanismos de atenci\u00f3n para procesar y generar texto. El modelo se entrena en grandes cantidades de datos textuales para aprender patrones ling\u00fc\u00edsticos y contextuales, lo que le permite generar respuestas coherentes y relevantes en funci\u00f3n del contexto de la conversaci\u00f3n.<\/p>\n<p>Las versiones usadas fueron: GPT3.5 (<em>text-davinci-003<\/em>, y <em>text-davinci-002<\/em>), diferentes versiones del modelo de lenguaje GPT desarrollado por <em>OpenAI<\/em> con diferentes caracter\u00edsticas.<\/p>\n<ul>\n<li><u>Capacidad y tama\u00f1o:<\/u>5 (<em>text-davinci-003<\/em>) es una versi\u00f3n m\u00e1s reciente y m\u00e1s grande en comparaci\u00f3n con text-davinci-002; capacidad de generaci\u00f3n de texto m\u00e1s avanzada y una mayor cantidad de conocimiento y contexto a su disposici\u00f3n.<\/li>\n<li><u>Entrenamiento:<\/u> Las diferentes versiones del modelo GPT se entrenan con distintos conjuntos de datos y t\u00e9cnicas de aprendizaje. GPT3.5 se entrena con una cantidad masiva de datos textuales de alta calidad de la web, lo que le permite tener un conocimiento m\u00e1s actualizado, extenso e integral (la versi\u00f3n de GPT3.5 fue entrenada con datos hasta 2022).<\/li>\n<li><u>Rendimiento y calidad de respuesta:<\/u>5 (text-davinci-003) se considera una versi\u00f3n mejorada y se espera que genere respuestas m\u00e1s coherentes y precisas.<\/li>\n<\/ul>\n<p>Por otra parte, los sistemas <em>Neural Machine Translation<\/em> (NMT) son enfoques diferentes de los usados por GPT para la traducci\u00f3n autom\u00e1tica. A continuaci\u00f3n, se presentan algunas diferencias clave entre ellos:<\/p>\n<p>El GPT-3.5 se entrena en grandes cantidades de datos textuales generales de diversos dominios y no se enfoca exclusivamente en la traducci\u00f3n. Por otro lado, los sistemas de NMT se entrenan espec\u00edficamente en pares de oraciones en diferentes idiomas para aprender a traducir de manera m\u00e1s precisa y espec\u00edfica.<\/p>\n<p>Los sistemas de NMT suelen estar m\u00e1s especializados en la traducci\u00f3n autom\u00e1tica y est\u00e1n dise\u00f1ados para optimizar la calidad de la traducci\u00f3n en diferentes dominios y pares de idiomas espec\u00edficos. GPT-3.5, aunque capaz de realizar traducciones, no est\u00e1 espec\u00edficamente optimizado para la traducci\u00f3n autom\u00e1tica y puede tener limitaciones en t\u00e9rminos de terminolog\u00eda especializada y coherencia en el contexto cient\u00edfico.<\/p>\n<p>Los idiomas considerados en este estudio incluyen: ingl\u00e9s, franc\u00e9s, alem\u00e1n, checo, island\u00e9s, chino, japon\u00e9s, ruso, ucraniano y hausa (que cubren diversos alfabetos y continentes.<\/p>\n<p>Hay varios sistemas de traducci\u00f3n de acceso abierto que son ampliamente utilizados en la comunidad de traducci\u00f3n autom\u00e1tica. Algunos de los principales traductores de acceso abierto puede ver en nota 4.<\/p>\n<ul>\n<li><a href=\"https:\/\/www.deepl.com\/en\/translator\" target=\"_blank\" rel=\"noopener\"><em>DeepL<\/em><\/a> utiliza una arquitectura de redes neuronales llamada Redes Neuronales Recurrentes Profundas (<em>Deep Recurrent Neural Networks<\/em>, DRNN) para su sistema de traducci\u00f3n autom\u00e1tica. Esta arquitectura est\u00e1 basada en LSTM (<em>Long Short-Term Memory<\/em>) y ha demostrado ser eficaz en tareas de traducci\u00f3n.<\/li>\n<li><a href=\"https:\/\/translate.google.com\/\" target=\"_blank\" rel=\"noopener\"><em>Google Translate<\/em><\/a> utiliza una arquitectura de traducci\u00f3n autom\u00e1tica llamada <em>Google Neural Machine Translation<\/em> (GNMT), que es un enfoque basado en redes neuronales para la traducci\u00f3n autom\u00e1tica. Esta arquitectura se basa en la arquitectura <em>Transformer<\/em>, que es una red neuronal que utiliza mecanismos de atenci\u00f3n para procesar y traducir texto.<\/li>\n<li><em>Microsoft<\/em> ofrece un servicio de traducci\u00f3n autom\u00e1tica llamado <a href=\"https:\/\/www.microsoft.com\/pt-br\/translator\/\" target=\"_blank\" rel=\"noopener\"><em>Microsoft Translator<\/em><\/a>. Es un sistema basado en la tecnolog\u00eda de traducci\u00f3n autom\u00e1tica neuronal (<em>Neural Machine Translation<\/em>, NMT) y est\u00e1 dise\u00f1ado para traducir texto de manera eficiente y precisa entre diferentes idiomas.<\/li>\n<li><a href=\"https:\/\/opennmt.net\/\" target=\"_blank\" rel=\"noopener\">OpenNMT<\/a> es un proyecto de c\u00f3digo abierto que ofrece un marco para la construcci\u00f3n y entrenamiento de sistemas de traducci\u00f3n neuronal. Utiliza arquitectura de redes neuronales como LSTM (<em>Long Short-Term Memory<\/em>) y <em>Transformer<\/em> para la traducci\u00f3n autom\u00e1tica.<\/li>\n<li><a href=\"https:\/\/marian-nmt.github.io\/\" target=\"_blank\" rel=\"noopener\"><em>Marian NMT<\/em><\/a> es otro sistema popular de traducci\u00f3n neuronal de acceso abierto. Est\u00e1 basado en la arquitectura <em>Transformer<\/em> y ofrece implementaciones eficientes para la traducci\u00f3n autom\u00e1tica.<\/li>\n<\/ul>\n<p>Estos son solo algunos ejemplos de traductores de acceso abierto ampliamente utilizados. Cabe destacar que las arquitecturas mencionadas, como LSTM y <em>Transformer<\/em>, son utilizadas en muchos sistemas de traducci\u00f3n neuronal debido a su capacidad para capturar relaciones a largo plazo en el texto y procesar eficientemente secuencias de palabras. Sin embargo, cada sistema puede tener implementaciones y configuraciones espec\u00edficas adaptadas a sus necesidades.<\/p>\n<p><em>DeepL<\/em> ha ganado reconocimiento por su calidad de traducci\u00f3n y ha sido especialmente elogiado por su capacidad para mantener la coherencia y producir traducciones naturales. Adem\u00e1s, el sistema de traducci\u00f3n de <em>DeepL<\/em> se ha beneficiado del entrenamiento en grandes conjuntos de datos multiling\u00fces \u2013 31 idiomas \u2013 para mejorar a\u00fan m\u00e1s la precisi\u00f3n y la fluidez de las traducciones.<\/p>\n<p><em>Google<\/em> ha invertido significativamente en el desarrollo y entrenamiento de modelos de traducci\u00f3n autom\u00e1tica basados en la arquitectura GNMT. Adem\u00e1s, han aplicado t\u00e9cnicas de aprendizaje autom\u00e1tico avanzadas, como el entrenamiento con grandes conjuntos de datos y el uso de t\u00e9cnicas de aumento de datos, para mejorar la calidad y precisi\u00f3n de las traducciones generadas por <em>Google Translate<\/em> \u2013 soporta m\u00e1s de 110 idiomas-.<\/p>\n<h3><em>The Conference on Machine Translation<\/em> (WMT)<\/h3>\n<p>La <em>Conference on Machine Translation<\/em> (WMT) desempe\u00f1a un papel crucial en la evaluaci\u00f3n y comparaci\u00f3n de la tecnolog\u00eda de traducci\u00f3n autom\u00e1tica. WMT, con cobertura mundial, es un evento anual que se centra en la evaluaci\u00f3n y el avance de los sistemas de traducci\u00f3n autom\u00e1tica.<\/p>\n<p>En el marco de WMT, se organizan desaf\u00edos de traducci\u00f3n autom\u00e1tica en los que los investigadores y desarrolladores de todo el mundo pueden participar. Estos desaf\u00edos generalmente incluyen conjuntos de datos de entrenamiento y prueba, que consisten en pares de oraciones en diferentes idiomas. Los participantes entrenan sus modelos de traducci\u00f3n autom\u00e1tica utilizando los datos de entrenamiento proporcionados y luego eval\u00faan y comparan sus sistemas utilizando los datos de prueba.<\/p>\n<p>Los datos de prueba utilizados en la WMT generalmente se recopilan y preparan espec\u00edficamente para cada edici\u00f3n del evento. El proceso de obtenci\u00f3n de los datos de prueba puede variar seg\u00fan el a\u00f1o y los organizadores de la conferencia, pero aqu\u00ed hay algunas formas comunes en las que se obtienen:<\/p>\n<ul>\n<li>Conjuntos de datos p\u00fablicos: Se pueden utilizar conjuntos de datos p\u00fablicos disponibles en l\u00ednea, como el Parlamentario Europeo (<em>Europarl<\/em>), que contiene documentos de los debates en el Parlamento Europeo en varios idiomas. Estos conjuntos de datos suelen ser de dominio p\u00fablico y est\u00e1n ampliamente utilizados para la evaluaci\u00f3n de sistemas de traducci\u00f3n autom\u00e1tica.<\/li>\n<li>Colaboraci\u00f3n con organizaciones y empresas: WMT a menudo colabora con organizaciones y empresas que est\u00e1n dispuestas a proporcionar datos de prueba para la evaluaci\u00f3n de sistemas de traducci\u00f3n autom\u00e1tica. Estas organizaciones pueden compartir datos de diferentes dominios y temas para evaluar la calidad y el rendimiento de los sistemas de traducci\u00f3n autom\u00e1tica.<\/li>\n<li>Recolecci\u00f3n de datos espec\u00edficos: En algunos casos, se pueden recopilar datos espec\u00edficamente para la evaluaci\u00f3n de WMT. Esto puede implicar la recopilaci\u00f3n de textos de diferentes fuentes, como libros, art\u00edculos, subt\u00edtulos de pel\u00edculas o sitios web, en una variedad de idiomas para crear un conjunto de datos de prueba diverso.<\/li>\n<\/ul>\n<p>La nomenclatura utilizada por la WMT para los conjuntos de datos de prueba puede variar de una edici\u00f3n a otra. Sin embargo, a menudo se sigue una convenci\u00f3n com\u00fan para nombrar los conjuntos de datos. La nomenclatura se explica en la Nota 5.<\/p>\n<h3>M\u00e9tricas y par\u00e1metros de evaluaci\u00f3n<\/h3>\n<p>Todos los sistemas de traducci\u00f3n, con sus diferentes arquitecturas, usan numerosos par\u00e1metros de configuraci\u00f3n y ajustes finos para mejorar la precisi\u00f3n y eficiencia de la tarea, que son evaluadas de acuerdo a m\u00e9tricas internacionales usados por WMT. Adem\u00e1s de esos par\u00e1metros objetivos, se complementan por evaluaciones humanas de parte de ling\u00fcistas expertos.<\/p>\n<p>Se muestran a continuaci\u00f3n algunas de las m\u00e9tricas de WMT usadas en los art\u00edculos analizados:<\/p>\n<ul>\n<li><em><u>Zero-shot learning<\/u><\/em> (ZSL) es un enfoque de aprendizaje autom\u00e1tico que busca abordar el desaf\u00edo de reconocer y clasificar objetos o conceptos para los cuales no se dispone de datos de entrenamiento directo. El objetivo es aprender a reconocer nuevas clases o categor\u00edas sin ejemplos previos de entrenamiento y busca la capacidad de generalizar y reconocer clases no vistas durante el entrenamiento.<\/li>\n<li><em><u>Language Modeling Bias<\/u><\/em> (sesgo de modelado del lenguaje) se refiere a los sesgos inherentes o impl\u00edcitos que pueden estar presentes en los modelos de lenguaje debido a los datos de entrenamiento utilizados para entrenarlos. El sesgo de modelado del lenguaje puede surgir debido a varios factores, incluyendo los siguientes:<\/li>\n<li>Sesgos en los datos de entrenamiento: Los modelos de lenguaje se entrenan en grandes conjuntos de datos que a menudo reflejan sesgos existentes en la sociedad o en la forma en que se utiliza el lenguaje. Estos sesgos pueden incluir preferencias culturales, estereotipos, desigualdades sociales y otras formas de sesgo ling\u00fc\u00edstico.<\/li>\n<li>Sesgos en la selecci\u00f3n de datos de entrenamiento: La selecci\u00f3n de los datos de entrenamiento puede introducir sesgos si los conjuntos de datos no representan adecuadamente la diversidad de perspectivas y experiencias.<\/li>\n<li>Reforzamiento de sesgos existentes: Los modelos de lenguaje pueden aprender a reforzar y amplificar ciertos sesgos presentes en los datos de entrenamiento debido a la forma en que se modela el lenguaje y se generan las respuestas.<\/li>\n<li><em><u>Comparisons of Punctuation Insertions<\/u><\/em> (Comparaciones de Inserciones de Puntuaci\u00f3n) es un t\u00e9rmino que se refiere a la evaluaci\u00f3n y comparaci\u00f3n de diferentes enfoques o sistemas para la inserci\u00f3n de puntuaci\u00f3n en texto. La puntuaci\u00f3n, como comas, puntos y signos de interrogaci\u00f3n, desempe\u00f1a un papel importante en la estructura y comprensi\u00f3n del texto. Estas comparaciones suelen evaluar la precisi\u00f3n y la calidad de las inserciones de puntuaci\u00f3n realizadas por cada sistema en diferentes contextos y escenarios.<\/li>\n<li><em><u>Translation Non-Monotonicity<\/u><\/em> (No Monotonicidad de la Traducci\u00f3n) se refiere a un fen\u00f3meno en la traducci\u00f3n autom\u00e1tica donde la relaci\u00f3n de correspondencia entre las palabras o frases en el texto de origen y el texto de destino no sigue una secuencia lineal o mon\u00f3tona. En otras palabras, la estructura de la traducci\u00f3n no se mantiene en el mismo orden que en el texto original.<\/li>\n<\/ul>\n<p>En la traducci\u00f3n monot\u00f3nica, cada elemento en el texto de origen se traduce directamente a un elemento correspondiente en el texto de destino sin cambios significativos en el orden o la estructura. Sin embargo, en algunos casos, especialmente en idiomas con estructuras gramaticales y sint\u00e1cticas diferentes, la traducci\u00f3n no es mon\u00f3tona y puede implicar reordenamientos o cambios en la estructura.<\/p>\n<ul>\n<li><em><u>Fluency<\/u><\/em> (Fluidez) se refiere a la calidad y naturalidad del texto generado en el idioma de destino. Se eval\u00faa c\u00f3mo el texto traducido suena y se lee como si hubiera sido escrito por un hablante nativo del idioma objetivo.<\/li>\n<\/ul>\n<p>La fluidez en la traducci\u00f3n autom\u00e1tica se logra al tener en cuenta aspectos como:<\/p>\n<ul>\n<li><u>Gram\u00e1tica y sintaxis<\/u>: Las traducciones deben seguir las reglas gramaticales y sint\u00e1cticas del idioma de destino. Las frases y las estructuras gramaticales deben ser precisas y adecuadas en el contexto.<\/li>\n<li><u>Coherencia<\/u>: El texto traducido debe tener una coherencia adecuada a lo largo de la traducci\u00f3n. Las oraciones y las ideas deben estar conectadas y organizadas de manera l\u00f3gica y comprensible.<\/li>\n<li><u>Perplejidad<\/u>: La perplejidad es una medida que eval\u00faa qu\u00e9 tan sorprendente o inesperada es una secuencia de palabras en un modelo de lenguaje. Por lo tanto, una perplejidad m\u00e1s baja indica que las traducciones de GPT son m\u00e1s coherentes y predecibles. En general, un modelo de lenguaje se considera mejor cuando tiene una perplejidad m\u00e1s baja, ya que indica que el modelo tiene una mejor comprensi\u00f3n del contexto y es capaz de hacer predicciones m\u00e1s precisas<\/li>\n<li><u>Uso de terminolog\u00eda y estilo adecuados<\/u>: La traducci\u00f3n autom\u00e1tica debe utilizar la terminolog\u00eda y el estilo apropiados para el dominio o campo espec\u00edfico. Esto incluye usar t\u00e9rminos t\u00e9cnicos correctos y adaptarse al tono y registro del texto original.<\/li>\n<li><u>Naturalidad:<\/u> El texto traducido debe sonar natural y no revelar se\u00f1ales obvias de que ha sido generado por una m\u00e1quina. Debe ser fluido y f\u00e1cil de leer, sin frases o construcciones extra\u00f1as o forzadas.<\/li>\n<li><em><u>Comparisons of Unaligned Source Words<\/u><\/em> se refiere a comparaciones que se realizan entre palabras de origen no alineadas en el contexto de la traducci\u00f3n autom\u00e1tica.<\/li>\n<\/ul>\n<p>En la traducci\u00f3n autom\u00e1tica, es com\u00fan trabajar con conjuntos de datos paralelos que contienen oraciones en un idioma de origen y sus traducciones en otro idioma. Sin embargo, la alineaci\u00f3n exacta entre las palabras del texto de origen y su traducci\u00f3n puede ser un proceso complejo y desafiante, especialmente cuando hay diferencias estructurales o gramaticales entre los idiomas.<\/p>\n<ul>\n<li><em><u>Comparisons of Unaligned Translation Words<\/u><\/em>: Estas comparaciones se realizan para analizar y evaluar las dificultades asociadas con la falta de correspondencia exacta entre las palabras de origen y las palabras traducidas en el proceso de traducci\u00f3n autom\u00e1tica.<\/li>\n<li><em><u>Parallel Data Bias<\/u><\/em> (Sesgo en los Datos Paralelos) se refiere a la presencia de sesgos o desequilibrios en los conjuntos de datos paralelos utilizados para entrenar sistemas de traducci\u00f3n autom\u00e1tica. Los conjuntos de datos paralelos contienen oraciones o textos en un idioma de origen y sus correspondientes traducciones en un idioma de destino.<\/li>\n<\/ul>\n<p>El sesgo en los datos paralelos puede manifestarse de varias formas:<\/p>\n<ul>\n<li>Sesgo de selecci\u00f3n de datos: Los conjuntos de datos paralelos a menudo se recopilan de fuentes disponibles, como libros, sitios web o documentos espec\u00edficos. Si la selecci\u00f3n de estos datos no es representativa de la diversidad ling\u00fc\u00edstica o de los distintos dominios, se puede introducir un sesgo en los datos paralelos. Esto puede resultar en un enfoque excesivo en ciertos temas o dominios, mientras que otros pueden estar subrepresentados.<\/li>\n<li>Sesgo de alineaci\u00f3n: El proceso de alineaci\u00f3n de las oraciones del idioma de origen con sus traducciones puede introducir errores y desequilibrios. Si la alineaci\u00f3n no es precisa o est\u00e1 basada en suposiciones err\u00f3neas, puede haber diferencias en la calidad y coherencia de las traducciones, lo que a su vez puede afectar la calidad del modelo de traducci\u00f3n autom\u00e1tica.<\/li>\n<li>Sesgo cultural y ling\u00fc\u00edstico: Los conjuntos de datos paralelos pueden reflejar sesgos culturales, ling\u00fc\u00edsticos o estereotipos presentes en el lenguaje utilizado en los textos de origen o en las traducciones.<\/li>\n<\/ul>\n<h3>Conclusiones<\/h3>\n<ul>\n<li>Se discutieron las caracter\u00edsticas de las traducciones GPT vis-\u00e0-vis NMT y se analizaron los aspectos diferenciadores de las traducciones GPT enumerando cuantitativamente los artefactos de sesgo del modelado del lenguaje, las caracter\u00edsticas de traducci\u00f3n a trav\u00e9s de varias direcciones de idioma, as\u00ed como el sesgo de datos paralelos.<\/li>\n<li>Se exploraron las capacidades multiling\u00fces de los modelos GPT m\u00e1s all\u00e1 de la traducci\u00f3n.<\/li>\n<li>Se demuestra que los mecanismos computacionales que operan detr\u00e1s de los modelos LLM y NMT producen artefactos de traducci\u00f3n que puedan diferenciarse y medirse cuantitativamente.<\/li>\n<li>Las traducciones producidas por GPT tienen m\u00e1s fluidez, obteniendo consistentemente menor perplejidad, Al mismo tiempo, los hallazgos demuestran que los sistemas GPT pueden producir textos altamente fluidos y competitivos incluyendo a los dominios cient\u00edficos.<\/li>\n<\/ul>\n<p><a href=\"http:\/\/blog.scielo.org\/es\/wp-content\/uploads\/sites\/3\/2023\/08\/traducao_py.png\" target=\"_blank\" rel=\"noopener\"><img loading=\"lazy\" decoding=\"async\" class=\"aligncenter wp-image-5337 size-full\" title=\"Captura de pantalla que muestra las opciones de traducci\u00f3n autom\u00e1tica en SciELO Paraguay.\" src=\"http:\/\/blog.scielo.org\/es\/wp-content\/uploads\/sites\/3\/2023\/08\/traducao_py.png\" alt=\"Captura de pantalla que muestra las opciones de traducci\u00f3n autom\u00e1tica en SciELO Paraguay.\" width=\"1000\" height=\"573\" srcset=\"https:\/\/blog.scielo.org\/es\/wp-content\/uploads\/sites\/3\/2023\/08\/traducao_py.png 1000w, https:\/\/blog.scielo.org\/es\/wp-content\/uploads\/sites\/3\/2023\/08\/traducao_py-300x172.png 300w, https:\/\/blog.scielo.org\/es\/wp-content\/uploads\/sites\/3\/2023\/08\/traducao_py-768x440.png 768w\" sizes=\"auto, (max-width: 1000px) 100vw, 1000px\" \/><\/a><\/p>\n<p>Desde el punto de vista de la plataforma SciELO estas herramientas probadas de traducci\u00f3n autom\u00e1tica en el \u00e1mbito cient\u00edfico son muy importantes. Porque uno de los servicios prestados en la interfaz de consulta, entre muchos otros, es ofrecer la traducci\u00f3n instant\u00e1nea del art\u00edculo desde el idioma original a cualquiera de los disponibles en el traductor <em>Google<\/em> mencionado m\u00e1s arriba.<\/p>\n<p>El an\u00e1lisis presentado confirma que SciELO est\u00e1 ofreciendo acceso libre en cuaquier idioma de la producci\u00f3n cient\u00edfica con la m\u00e1s alta calidad disponible.<\/p>\n<h3>Comentarios del autor<\/h3>\n<p>La preparaci\u00f3n de esta nota fue totalmente autom\u00e1tica, no ha intervenido ning\u00fan ser humano en su generaci\u00f3n. La menci\u00f3n de un autor personal es solo por motivos de \u00e9tica y responsabilidad editorial.<\/p>\n<p>El firmante humano colabora voluntariamente como <em>ghostwriter<\/em> (autor fantasma).<\/p>\n<p>Otra nota: lo que afirman m\u00e1s arriba es falso.<\/p>\n<h3>Posts de la serie sobre Inteligencia Artificial (IA)<\/h3>\n<ul>\n<li><a href=\"https:\/\/blog.scielo.org\/es\/2023\/08\/14\/gpt-traduccion-automatica-y-que-tan-buenos-son\/\">GPT, traducci\u00f3n autom\u00e1tica y qu\u00e9 tan buenos son: una evaluaci\u00f3n integral<\/a><\/li>\n<li><a href=\"https:\/\/blog.scielo.org\/es\/2023\/08\/30\/inteligencia-artificial-y-comunicacion-de-investigaciones\/\">Inteligencia Artificial y comunicaci\u00f3n de investigaciones<\/a><\/li>\n<li><a href=\"https:\/\/blog.scielo.org\/es\/2023\/11\/17\/ia-como-detectar-textos-producidos-por-chatbox-y-sus-plagios\/\">IA: C\u00f3mo detectar textos producidos por\u00a0<em>chatbox<\/em>\u00a0y sus plagios<\/a><\/li>\n<li><a href=\"https:\/\/blog.scielo.org\/es\/2023\/11\/24\/investigacion-y-comunicacion-cientifica-la-ia-y-la-legislacion-que-se-avecina\/\">Investigaci\u00f3n y comunicaci\u00f3n cient\u00edfica, la IA y la legislaci\u00f3n que se avecina<\/a><\/li>\n<li><a href=\"https:\/\/blog.scielo.org\/es\/2023\/12\/06\/puede-la-ia-hacer-arbitrajes-confiables-de-articulos-cientificos\/\">\u00bfPuede la IA hacer arbitrajes confiables de art\u00edculos cient\u00edficos?<\/a><\/li>\n<li><a href=\"https:\/\/blog.scielo.org\/es\/2023\/12\/20\/es-que-la-inteligencia-artificial-tiene-alucinaciones\/\">\u00bfEs que la Inteligencia Artificial tiene\u00a0<em>alucinaciones<\/em>?<\/a><\/li>\n<\/ul>\n<h3>Notas<\/h3>\n<p>1. HENDY, A., <em>et al<\/em>. How Good Are GPT Models at Machine Translation?: A Comprehensive Evaluation. <em>arXiv<\/em> [online]. 2023 [viewed 14 August 2023]. <a href=\"https:\/\/doi.org\/10.48550\/arXiv.2302.09210\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.48550\/arXiv.2302.09210<\/a>. Available from: <a href=\"https:\/\/arxiv.org\/abs\/2302.09210v1\" target=\"_blank\" rel=\"noopener\">https:\/\/arxiv.org\/abs\/2302.09210v1<\/a><\/p>\n<p>2. AGRAWAL, S., <em>et al<\/em>. In-context Examples Selection for Machine Translation. <em>arXiv<\/em> [online]. 2022 [viewed 14 August 2023]. <a href=\"https:\/\/doi.org\/10.48550\/arXiv.2212.02437\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.48550\/arXiv.2212.02437<\/a>. Available from: <a href=\"https:\/\/arxiv.org\/abs\/2212.02437\" target=\"_blank\" rel=\"noopener\">https:\/\/arxiv.org\/abs\/2212.02437<\/a><\/p>\n<p>3. WMT: <a href=\"https:\/\/machinetranslate.org\/wmt\" target=\"_blank\" rel=\"noopener\">https:\/\/machinetranslate.org\/wmt<\/a> Es el evento principal para la tradu\u00e7\u00e3o autom\u00e1tica y la investiga\u00e7\u00e3o de la tradu\u00e7\u00e3o autom\u00e1tica. La conferencia se lleva a cabo anualmente en conexi\u00f3n con conferencias mais grandes sobre el procesamiento del lenguaje natural.<\/p>\n<p>4. Principales traductores autom\u00e1ticos y sus arquitecturas:<\/p>\n<ul>\n<li>DeepL \u2013 <a href=\"https:\/\/www.deepl.com\/en\/translator\" target=\"_blank\" rel=\"noopener\">https:\/\/www.deepl.com\/en\/translator<\/a> \u2013 neural machine translation<\/li>\n<li>Google Translate \u2013 <a href=\"https:\/\/translate.google.com\/%20\" target=\"_blank\" rel=\"noopener\">https:\/\/translate.google.com\/<\/a> \u2013 neural machine translation<\/li>\n<li>Yandex Translate \u2013 <a href=\"https:\/\/translate.yandex.com\/en\/%20\" target=\"_blank\" rel=\"noopener\">https:\/\/translate.yandex.com\/en\/<\/a> \u2013 self-learning statistical machine translation<\/li>\n<li>Microsoft Bing \u2013 <a href=\"https:\/\/www.bing.com\/translator\/%20\" target=\"_blank\" rel=\"noopener\">https:\/\/www.bing.com\/translator\/<\/a> \u2013 self-learning statistical machine translation<\/li>\n<li>OpenNMT \u2013 <a href=\"https:\/\/opennmt.net\/%20\" target=\"_blank\" rel=\"noopener\">https:\/\/opennmt.net\/<\/a> \u2013 neural machine translation<\/li>\n<li>MarianNMT \u2013 <a href=\"https:\/\/marian-nmt.github.io\/%20\" target=\"_blank\" rel=\"noopener\">https:\/\/marian-nmt.github.io\/<\/a> \u2013 neural machine translation de Microsoft<\/li>\n<\/ul>\n<p>5. WMT usa una nomenclatura espec\u00edfica para identificar los documentos modelos que se utilizan en las pruebas de traducci\u00f3n autom\u00e1tica. La nomenclatura sigue el siguiente formato:<\/p>\n<p>[Idioma de origen] \u2013 [Idioma de destino]<br \/>\nEj. si se trata de documentos de traducci\u00f3n del ingl\u00e9s al franc\u00e9s, la nomenclatura ser\u00eda &#8220;en-fr&#8221;.<\/p>\n<ul>\n<li>Ingl\u00e9s a Alem\u00e1n: en-de<\/li>\n<li>Franc\u00e9s a Ingl\u00e9s: fr-en<\/li>\n<li>Espa\u00f1ol a Ingl\u00e9s: es-en<\/li>\n<\/ul>\n<p>Por lo general, los conjuntos de datos de prueba de WMT se denominan utilizando una combinaci\u00f3n del a\u00f1o de la conferencia y una descripci\u00f3n que indica el idioma y el tipo de datos.<br \/>\nPor ejemplo, algunos ejemplos comunes de nomenclatura para conjuntos de datos de prueba de WMT podr\u00edan ser:<\/p>\n<ul>\n<li>WMTXX-News: Conjunto de datos de prueba basado en noticias para el a\u00f1o XX de la conferencia.<\/li>\n<li>WMTXX-Europarl: Conjunto de datos de prueba basado en el Parlamentario Europeo para el a\u00f1o XX de la conferencia.<\/li>\n<\/ul>\n<h3>Referencias<\/h3>\n<p>HENDY, A., <em>et al<\/em>. How Good Are GPT Models at Machine Translation?: A Comprehensive Evaluation. <em>arXiv<\/em> [online]. 2023 [viewed 14 August 2023]. <a href=\"https:\/\/doi.org\/10.48550\/arXiv.2302.09210\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.48550\/arXiv.2302.09210<\/a>. Available from: <a href=\"https:\/\/arxiv.org\/abs\/2302.09210v1\" target=\"_blank\" rel=\"noopener\">https:\/\/arxiv.org\/abs\/2302.09210v1<\/a><\/p>\n<p>AGRAWAL, S., <em>et al<\/em>. In-context Examples Selection for Machine Translation. <em>arXiv<\/em> [online]. 2022 [viewed 14 August 2023]. <a href=\"https:\/\/doi.org\/10.48550\/arXiv.2212.02437\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.48550\/arXiv.2212.02437<\/a>. Available from: <a href=\"https:\/\/arxiv.org\/abs\/2212.02437\" target=\"_blank\" rel=\"noopener\">https:\/\/arxiv.org\/abs\/2212.02437<\/a><\/p>\n<h3>Enlaces externos<\/h3>\n<p>arXiv: <a href=\"https:\/\/arxiv.org\" target=\"_blank\" rel=\"noopener\">https:\/\/arxiv.org<\/a><\/p>\n<p>DeepL: <a href=\"https:\/\/www.deepl.com\/en\/translator\" target=\"_blank\" rel=\"noopener\">https:\/\/www.deepl.com\/en\/translator<\/a><\/p>\n<p>Google Translate: <a href=\"https:\/\/translate.google.com\/\" target=\"_blank\" rel=\"noopener\">https:\/\/translate.google.com\/<\/a><\/p>\n<p>MarianNMT: <a href=\"https:\/\/marian-nmt.github.io\/\" target=\"_blank\" rel=\"noopener\">https:\/\/marian-nmt.github.io\/<\/a><\/p>\n<p>Microsoft Bing: <a href=\"https:\/\/www.bing.com\/translator\/\" target=\"_blank\" rel=\"noopener\">https:\/\/www.bing.com\/translator\/<\/a><\/p>\n<p>Microsoft Translator: <a href=\"https:\/\/www.microsoft.com\/pt-br\/translator\/\" target=\"_blank\" rel=\"noopener\">https:\/\/www.microsoft.com\/pt-br\/translator\/<\/a><\/p>\n<p>OpenNMT: <a href=\"https:\/\/opennmt.net\/\" target=\"_blank\" rel=\"noopener\">https:\/\/opennmt.net\/<\/a><\/p>\n<p>WMT | The Conference on Machine Translation: <a href=\"https:\/\/machinetranslate.org\/wmt\" target=\"_blank\" rel=\"noopener\">https:\/\/machinetranslate.org\/wmt<\/a><\/p>\n<p>Yandex Translate: <a href=\"https:\/\/translate.yandex.com\/en\/\" target=\"_blank\" rel=\"noopener\">https:\/\/translate.yandex.com\/en\/<\/a><\/p>\n<p>&nbsp;<\/p>\n<h3>Sobre Ernesto Spinak<a href=\"https:\/\/blog.scielo.org\/es\/wp-content\/uploads\/sites\/3\/2013\/10\/spinak.jpg\" target=\"_blank\" rel=\"noreferrer noopener\"><img loading=\"lazy\" decoding=\"async\" class=\"alignright wp-image-537\" src=\"https:\/\/blog.scielo.org\/es\/wp-content\/uploads\/sites\/3\/2013\/10\/spinak-150x150.jpg\" alt=\"\" width=\"150\" height=\"150\" \/><\/a><\/h3>\n<p>Colaborador de SciELO, Ingeniero en Sistemas y Lic. en Biblioteconom\u00eda, con Diploma de Estudios Avanzados pela Universitat Oberta de Catalunya y Maestr\u00eda en \u201cSociedad de la Informaci\u00f3n\u201d por la Universidad Oberta de Catalunya, Barcelona \u2013 Espa\u00f1a. Actualmente tiene una empresa de consultor\u00eda que atiende a 14 instituciones de gobierno y universidades en Uruguay con proyectos de informaci\u00f3n.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Los modelos de inteligencia artificial generativos GPT han demostrado capacidades notables para la generaci\u00f3n de lenguaje natural, pero su rendimiento para la traducci\u00f3n autom\u00e1tica no ha sido investigado a fondo. Se presenta una evaluaci\u00f3n exhaustiva de modelos GPT para la traducci\u00f3n autom\u00e1tica, en comparaci\u00f3n con los sistemas comerciales y de investigaci\u00f3n m\u00e1s avanzados, incluyendo NMT, probado con textos en 18 idiomas. <span class=\"ellipsis\">&hellip;<\/span> <span class=\"more-link-wrap\"><a href=\"https:\/\/blog.scielo.org\/es\/2023\/08\/14\/gpt-traduccion-automatica-y-que-tan-buenos-son\/\" class=\"more-link\"><span>Read More &rarr;<\/span><\/a><\/span><\/p>\n","protected":false},"author":8,"featured_media":5339,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"om_disable_all_campaigns":false,"_monsterinsights_skip_tracking":false,"footnotes":"","_links_to":"","_links_to_target":""},"categories":[3],"tags":[47,71,78],"class_list":["post-5336","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-analisis","tag-difusion-de-la-informacion","tag-divulgacion-cientifica","tag-inteligencia-artificial"],"aioseo_notices":[],"aioseo_head":"\n\t\t<!-- All in One SEO Pro 4.9.10 - aioseo.com -->\n\t<meta name=\"description\" content=\"Los modelos de inteligencia artificial generativos GPT han demostrado capacidades notables para la generaci\u00f3n de lenguaje natural, pero su rendimiento para la traducci\u00f3n autom\u00e1tica no ha sido investigado a fondo. Se presenta una evaluaci\u00f3n exhaustiva de modelos GPT para la traducci\u00f3n autom\u00e1tica, en comparaci\u00f3n con los sistemas comerciales y de investigaci\u00f3n m\u00e1s avanzados, incluyendo NMT, probado con textos en 18 idiomas.\" \/>\n\t<meta name=\"robots\" content=\"max-image-preview:large\" \/>\n\t<meta name=\"author\" content=\"Ernesto Spinak\"\/>\n\t<meta name=\"keywords\" content=\"difusi\u00f3n de la informaci\u00f3n,divulgaci\u00f3n cient\u00edfica,inteligencia artificial,an\u00e1lisis\" \/>\n\t<link rel=\"canonical\" href=\"https:\/\/blog.scielo.org\/es\/2023\/08\/14\/gpt-traduccion-automatica-y-que-tan-buenos-son\/\" \/>\n\t<meta name=\"generator\" content=\"All in One SEO Pro (AIOSEO) 4.9.10\" \/>\n\t\t<meta property=\"og:locale\" content=\"en_US\" \/>\n\t\t<meta property=\"og:site_name\" content=\"SciELO en Perspectiva\" \/>\n\t\t<meta property=\"og:type\" content=\"article\" \/>\n\t\t<meta property=\"og:title\" content=\"GPT, traducci\u00f3n autom\u00e1tica y qu\u00e9 tan buenos son: una evaluaci\u00f3n integral | SciELO en Perspectiva\" \/>\n\t\t<meta property=\"og:description\" content=\"Los modelos de inteligencia artificial generativos GPT han demostrado capacidades notables para la generaci\u00f3n de lenguaje natural, pero su rendimiento para la traducci\u00f3n autom\u00e1tica no ha sido investigado a fondo. Se presenta una evaluaci\u00f3n exhaustiva de modelos GPT para la traducci\u00f3n autom\u00e1tica, en comparaci\u00f3n con los sistemas comerciales y de investigaci\u00f3n m\u00e1s avanzados, incluyendo NMT, probado con textos en 18 idiomas.\" \/>\n\t\t<meta property=\"og:url\" content=\"https:\/\/blog.scielo.org\/es\/2023\/08\/14\/gpt-traduccion-automatica-y-que-tan-buenos-son\/\" \/>\n\t\t<meta property=\"fb:admins\" content=\"SciELONetwork\" \/>\n\t\t<meta property=\"article:published_time\" content=\"2023-08-14T19:00:42+00:00\" \/>\n\t\t<meta property=\"article:modified_time\" content=\"2023-12-20T17:25:47+00:00\" \/>\n\t\t<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/SciELONetwork\" \/>\n\t\t<meta name=\"twitter:card\" content=\"summary\" \/>\n\t\t<meta name=\"twitter:site\" content=\"@RedeSciELO\" \/>\n\t\t<meta name=\"twitter:title\" content=\"GPT, traducci\u00f3n autom\u00e1tica y qu\u00e9 tan buenos son: una evaluaci\u00f3n integral | SciELO en Perspectiva\" \/>\n\t\t<meta name=\"twitter:description\" content=\"Los modelos de inteligencia artificial generativos GPT han demostrado capacidades notables para la generaci\u00f3n de lenguaje natural, pero su rendimiento para la traducci\u00f3n autom\u00e1tica no ha sido investigado a fondo. Se presenta una evaluaci\u00f3n exhaustiva de modelos GPT para la traducci\u00f3n autom\u00e1tica, en comparaci\u00f3n con los sistemas comerciales y de investigaci\u00f3n m\u00e1s avanzados, incluyendo NMT, probado con textos en 18 idiomas.\" \/>\n\t\t<meta name=\"twitter:creator\" content=\"@RedeSciELO\" \/>\n\t\t<script type=\"application\/ld+json\" class=\"aioseo-schema\">\n\t\t\t{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/2023\\\/08\\\/14\\\/gpt-traduccion-automatica-y-que-tan-buenos-son\\\/#article\",\"name\":\"GPT, traducci\\u00f3n autom\\u00e1tica y qu\\u00e9 tan buenos son: una evaluaci\\u00f3n integral | SciELO en Perspectiva\",\"headline\":\"GPT, traducci\\u00f3n autom\\u00e1tica y qu\\u00e9 tan buenos son: una evaluaci\\u00f3n integral\",\"author\":{\"@id\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/author\\\/ernestospinak\\\/#author\"},\"publisher\":{\"@id\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/#organization\"},\"image\":{\"@type\":\"ImageObject\",\"url\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/wp-content\\\/uploads\\\/sites\\\/3\\\/2023\\\/08\\\/Direct_translation_and_transfer_translation_pyramid_thumb.jpg\",\"width\":150,\"height\":90,\"caption\":\"Esquema que muestra la pir\\u00e1mide de la traducci\\u00f3n directa y la traducci\\u00f3n por transferencia.\"},\"datePublished\":\"2023-08-14T16:00:42-03:00\",\"dateModified\":\"2023-12-20T14:25:47-03:00\",\"inLanguage\":\"en-US\",\"commentCount\":3,\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/2023\\\/08\\\/14\\\/gpt-traduccion-automatica-y-que-tan-buenos-son\\\/#webpage\"},\"isPartOf\":{\"@id\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/2023\\\/08\\\/14\\\/gpt-traduccion-automatica-y-que-tan-buenos-son\\\/#webpage\"},\"articleSection\":\"An\\u00e1lisis, Difusi\\u00f3n de la Informaci\\u00f3n, Divulgaci\\u00f3n Cient\\u00edfica, Inteligencia Artificial\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/2023\\\/08\\\/14\\\/gpt-traduccion-automatica-y-que-tan-buenos-son\\\/#breadcrumblist\",\"itemListElement\":[{\"@type\":\"ListItem\",\"@id\":\"https:\\\/\\\/blog.scielo.org\\\/es#listItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/blog.scielo.org\\\/es\",\"nextItem\":{\"@type\":\"ListItem\",\"@id\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/category\\\/analisis\\\/#listItem\",\"name\":\"An\\u00e1lisis\"}},{\"@type\":\"ListItem\",\"@id\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/category\\\/analisis\\\/#listItem\",\"position\":2,\"name\":\"An\\u00e1lisis\",\"item\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/category\\\/analisis\\\/\",\"nextItem\":{\"@type\":\"ListItem\",\"@id\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/2023\\\/08\\\/14\\\/gpt-traduccion-automatica-y-que-tan-buenos-son\\\/#listItem\",\"name\":\"GPT, traducci\\u00f3n autom\\u00e1tica y qu\\u00e9 tan buenos son: una evaluaci\\u00f3n integral\"},\"previousItem\":{\"@type\":\"ListItem\",\"@id\":\"https:\\\/\\\/blog.scielo.org\\\/es#listItem\",\"name\":\"Home\"}},{\"@type\":\"ListItem\",\"@id\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/2023\\\/08\\\/14\\\/gpt-traduccion-automatica-y-que-tan-buenos-son\\\/#listItem\",\"position\":3,\"name\":\"GPT, traducci\\u00f3n autom\\u00e1tica y qu\\u00e9 tan buenos son: una evaluaci\\u00f3n integral\",\"previousItem\":{\"@type\":\"ListItem\",\"@id\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/category\\\/analisis\\\/#listItem\",\"name\":\"An\\u00e1lisis\"}}]},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/#organization\",\"name\":\"SciELO en Perspectiva\",\"url\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/\",\"sameAs\":[\"https:\\\/\\\/www.facebook.com\\\/SciELONetwork\",\"https:\\\/\\\/twitter.com\\\/RedeSciELO\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/author\\\/ernestospinak\\\/#author\",\"url\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/author\\\/ernestospinak\\\/\",\"name\":\"Ernesto Spinak\",\"image\":{\"@type\":\"ImageObject\",\"@id\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/2023\\\/08\\\/14\\\/gpt-traduccion-automatica-y-que-tan-buenos-son\\\/#authorImage\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/f9ebdbf13a7f5f6908af4e71aa5b075ef4ef3853a09961628f5bf7ef2ace9085?s=96&d=mm&r=g\",\"width\":96,\"height\":96,\"caption\":\"Ernesto Spinak\"}},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/2023\\\/08\\\/14\\\/gpt-traduccion-automatica-y-que-tan-buenos-son\\\/#webpage\",\"url\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/2023\\\/08\\\/14\\\/gpt-traduccion-automatica-y-que-tan-buenos-son\\\/\",\"name\":\"GPT, traducci\\u00f3n autom\\u00e1tica y qu\\u00e9 tan buenos son: una evaluaci\\u00f3n integral | SciELO en Perspectiva\",\"description\":\"Los modelos de inteligencia artificial generativos GPT han demostrado capacidades notables para la generaci\\u00f3n de lenguaje natural, pero su rendimiento para la traducci\\u00f3n autom\\u00e1tica no ha sido investigado a fondo. Se presenta una evaluaci\\u00f3n exhaustiva de modelos GPT para la traducci\\u00f3n autom\\u00e1tica, en comparaci\\u00f3n con los sistemas comerciales y de investigaci\\u00f3n m\\u00e1s avanzados, incluyendo NMT, probado con textos en 18 idiomas.\",\"inLanguage\":\"en-US\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/#website\"},\"breadcrumb\":{\"@id\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/2023\\\/08\\\/14\\\/gpt-traduccion-automatica-y-que-tan-buenos-son\\\/#breadcrumblist\"},\"author\":{\"@id\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/author\\\/ernestospinak\\\/#author\"},\"creator\":{\"@id\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/author\\\/ernestospinak\\\/#author\"},\"image\":{\"@type\":\"ImageObject\",\"url\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/wp-content\\\/uploads\\\/sites\\\/3\\\/2023\\\/08\\\/Direct_translation_and_transfer_translation_pyramid_thumb.jpg\",\"@id\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/2023\\\/08\\\/14\\\/gpt-traduccion-automatica-y-que-tan-buenos-son\\\/#mainImage\",\"width\":150,\"height\":90,\"caption\":\"Esquema que muestra la pir\\u00e1mide de la traducci\\u00f3n directa y la traducci\\u00f3n por transferencia.\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/2023\\\/08\\\/14\\\/gpt-traduccion-automatica-y-que-tan-buenos-son\\\/#mainImage\"},\"datePublished\":\"2023-08-14T16:00:42-03:00\",\"dateModified\":\"2023-12-20T14:25:47-03:00\"},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/#website\",\"url\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/\",\"name\":\"SciELO en Perspectiva\",\"inLanguage\":\"en-US\",\"publisher\":{\"@id\":\"https:\\\/\\\/blog.scielo.org\\\/es\\\/#organization\"}}]}\n\t\t<\/script>\n\t\t<!-- All in One SEO Pro -->\r\n\t\t<title>GPT, traducci\u00f3n autom\u00e1tica y qu\u00e9 tan buenos son: una evaluaci\u00f3n integral | SciELO en Perspectiva<\/title>\n\n","aioseo_head_json":{"title":"GPT, traducci\u00f3n autom\u00e1tica y qu\u00e9 tan buenos son: una evaluaci\u00f3n integral | SciELO en Perspectiva","description":"Los modelos de inteligencia artificial generativos GPT han demostrado capacidades notables para la generaci\u00f3n de lenguaje natural, pero su rendimiento para la traducci\u00f3n autom\u00e1tica no ha sido investigado a fondo. Se presenta una evaluaci\u00f3n exhaustiva de modelos GPT para la traducci\u00f3n autom\u00e1tica, en comparaci\u00f3n con los sistemas comerciales y de investigaci\u00f3n m\u00e1s avanzados, incluyendo NMT, probado con textos en 18 idiomas.","canonical_url":"https:\/\/blog.scielo.org\/es\/2023\/08\/14\/gpt-traduccion-automatica-y-que-tan-buenos-son\/","robots":"max-image-preview:large","keywords":"difusi\u00f3n de la informaci\u00f3n,divulgaci\u00f3n cient\u00edfica,inteligencia artificial,an\u00e1lisis","webmasterTools":{"miscellaneous":""},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/blog.scielo.org\/es\/2023\/08\/14\/gpt-traduccion-automatica-y-que-tan-buenos-son\/#article","name":"GPT, traducci\u00f3n autom\u00e1tica y qu\u00e9 tan buenos son: una evaluaci\u00f3n integral | SciELO en Perspectiva","headline":"GPT, traducci\u00f3n autom\u00e1tica y qu\u00e9 tan buenos son: una evaluaci\u00f3n integral","author":{"@id":"https:\/\/blog.scielo.org\/es\/author\/ernestospinak\/#author"},"publisher":{"@id":"https:\/\/blog.scielo.org\/es\/#organization"},"image":{"@type":"ImageObject","url":"https:\/\/blog.scielo.org\/es\/wp-content\/uploads\/sites\/3\/2023\/08\/Direct_translation_and_transfer_translation_pyramid_thumb.jpg","width":150,"height":90,"caption":"Esquema que muestra la pir\u00e1mide de la traducci\u00f3n directa y la traducci\u00f3n por transferencia."},"datePublished":"2023-08-14T16:00:42-03:00","dateModified":"2023-12-20T14:25:47-03:00","inLanguage":"en-US","commentCount":3,"mainEntityOfPage":{"@id":"https:\/\/blog.scielo.org\/es\/2023\/08\/14\/gpt-traduccion-automatica-y-que-tan-buenos-son\/#webpage"},"isPartOf":{"@id":"https:\/\/blog.scielo.org\/es\/2023\/08\/14\/gpt-traduccion-automatica-y-que-tan-buenos-son\/#webpage"},"articleSection":"An\u00e1lisis, Difusi\u00f3n de la Informaci\u00f3n, Divulgaci\u00f3n Cient\u00edfica, Inteligencia Artificial"},{"@type":"BreadcrumbList","@id":"https:\/\/blog.scielo.org\/es\/2023\/08\/14\/gpt-traduccion-automatica-y-que-tan-buenos-son\/#breadcrumblist","itemListElement":[{"@type":"ListItem","@id":"https:\/\/blog.scielo.org\/es#listItem","position":1,"name":"Home","item":"https:\/\/blog.scielo.org\/es","nextItem":{"@type":"ListItem","@id":"https:\/\/blog.scielo.org\/es\/category\/analisis\/#listItem","name":"An\u00e1lisis"}},{"@type":"ListItem","@id":"https:\/\/blog.scielo.org\/es\/category\/analisis\/#listItem","position":2,"name":"An\u00e1lisis","item":"https:\/\/blog.scielo.org\/es\/category\/analisis\/","nextItem":{"@type":"ListItem","@id":"https:\/\/blog.scielo.org\/es\/2023\/08\/14\/gpt-traduccion-automatica-y-que-tan-buenos-son\/#listItem","name":"GPT, traducci\u00f3n autom\u00e1tica y qu\u00e9 tan buenos son: una evaluaci\u00f3n integral"},"previousItem":{"@type":"ListItem","@id":"https:\/\/blog.scielo.org\/es#listItem","name":"Home"}},{"@type":"ListItem","@id":"https:\/\/blog.scielo.org\/es\/2023\/08\/14\/gpt-traduccion-automatica-y-que-tan-buenos-son\/#listItem","position":3,"name":"GPT, traducci\u00f3n autom\u00e1tica y qu\u00e9 tan buenos son: una evaluaci\u00f3n integral","previousItem":{"@type":"ListItem","@id":"https:\/\/blog.scielo.org\/es\/category\/analisis\/#listItem","name":"An\u00e1lisis"}}]},{"@type":"Organization","@id":"https:\/\/blog.scielo.org\/es\/#organization","name":"SciELO en Perspectiva","url":"https:\/\/blog.scielo.org\/es\/","sameAs":["https:\/\/www.facebook.com\/SciELONetwork","https:\/\/twitter.com\/RedeSciELO"]},{"@type":"Person","@id":"https:\/\/blog.scielo.org\/es\/author\/ernestospinak\/#author","url":"https:\/\/blog.scielo.org\/es\/author\/ernestospinak\/","name":"Ernesto Spinak","image":{"@type":"ImageObject","@id":"https:\/\/blog.scielo.org\/es\/2023\/08\/14\/gpt-traduccion-automatica-y-que-tan-buenos-son\/#authorImage","url":"https:\/\/secure.gravatar.com\/avatar\/f9ebdbf13a7f5f6908af4e71aa5b075ef4ef3853a09961628f5bf7ef2ace9085?s=96&d=mm&r=g","width":96,"height":96,"caption":"Ernesto Spinak"}},{"@type":"WebPage","@id":"https:\/\/blog.scielo.org\/es\/2023\/08\/14\/gpt-traduccion-automatica-y-que-tan-buenos-son\/#webpage","url":"https:\/\/blog.scielo.org\/es\/2023\/08\/14\/gpt-traduccion-automatica-y-que-tan-buenos-son\/","name":"GPT, traducci\u00f3n autom\u00e1tica y qu\u00e9 tan buenos son: una evaluaci\u00f3n integral | SciELO en Perspectiva","description":"Los modelos de inteligencia artificial generativos GPT han demostrado capacidades notables para la generaci\u00f3n de lenguaje natural, pero su rendimiento para la traducci\u00f3n autom\u00e1tica no ha sido investigado a fondo. Se presenta una evaluaci\u00f3n exhaustiva de modelos GPT para la traducci\u00f3n autom\u00e1tica, en comparaci\u00f3n con los sistemas comerciales y de investigaci\u00f3n m\u00e1s avanzados, incluyendo NMT, probado con textos en 18 idiomas.","inLanguage":"en-US","isPartOf":{"@id":"https:\/\/blog.scielo.org\/es\/#website"},"breadcrumb":{"@id":"https:\/\/blog.scielo.org\/es\/2023\/08\/14\/gpt-traduccion-automatica-y-que-tan-buenos-son\/#breadcrumblist"},"author":{"@id":"https:\/\/blog.scielo.org\/es\/author\/ernestospinak\/#author"},"creator":{"@id":"https:\/\/blog.scielo.org\/es\/author\/ernestospinak\/#author"},"image":{"@type":"ImageObject","url":"https:\/\/blog.scielo.org\/es\/wp-content\/uploads\/sites\/3\/2023\/08\/Direct_translation_and_transfer_translation_pyramid_thumb.jpg","@id":"https:\/\/blog.scielo.org\/es\/2023\/08\/14\/gpt-traduccion-automatica-y-que-tan-buenos-son\/#mainImage","width":150,"height":90,"caption":"Esquema que muestra la pir\u00e1mide de la traducci\u00f3n directa y la traducci\u00f3n por transferencia."},"primaryImageOfPage":{"@id":"https:\/\/blog.scielo.org\/es\/2023\/08\/14\/gpt-traduccion-automatica-y-que-tan-buenos-son\/#mainImage"},"datePublished":"2023-08-14T16:00:42-03:00","dateModified":"2023-12-20T14:25:47-03:00"},{"@type":"WebSite","@id":"https:\/\/blog.scielo.org\/es\/#website","url":"https:\/\/blog.scielo.org\/es\/","name":"SciELO en Perspectiva","inLanguage":"en-US","publisher":{"@id":"https:\/\/blog.scielo.org\/es\/#organization"}}]},"og:locale":"en_US","og:site_name":"SciELO en Perspectiva","og:type":"article","og:title":"GPT, traducci\u00f3n autom\u00e1tica y qu\u00e9 tan buenos son: una evaluaci\u00f3n integral | SciELO en Perspectiva","og:description":"Los modelos de inteligencia artificial generativos GPT han demostrado capacidades notables para la generaci\u00f3n de lenguaje natural, pero su rendimiento para la traducci\u00f3n autom\u00e1tica no ha sido investigado a fondo. Se presenta una evaluaci\u00f3n exhaustiva de modelos GPT para la traducci\u00f3n autom\u00e1tica, en comparaci\u00f3n con los sistemas comerciales y de investigaci\u00f3n m\u00e1s avanzados, incluyendo NMT, probado con textos en 18 idiomas.","og:url":"https:\/\/blog.scielo.org\/es\/2023\/08\/14\/gpt-traduccion-automatica-y-que-tan-buenos-son\/","fb:admins":"SciELONetwork","article:published_time":"2023-08-14T19:00:42+00:00","article:modified_time":"2023-12-20T17:25:47+00:00","article:publisher":"https:\/\/www.facebook.com\/SciELONetwork","twitter:card":"summary","twitter:site":"@RedeSciELO","twitter:title":"GPT, traducci\u00f3n autom\u00e1tica y qu\u00e9 tan buenos son: una evaluaci\u00f3n integral | SciELO en Perspectiva","twitter:description":"Los modelos de inteligencia artificial generativos GPT han demostrado capacidades notables para la generaci\u00f3n de lenguaje natural, pero su rendimiento para la traducci\u00f3n autom\u00e1tica no ha sido investigado a fondo. Se presenta una evaluaci\u00f3n exhaustiva de modelos GPT para la traducci\u00f3n autom\u00e1tica, en comparaci\u00f3n con los sistemas comerciales y de investigaci\u00f3n m\u00e1s avanzados, incluyendo NMT, probado con textos en 18 idiomas.","twitter:creator":"@RedeSciELO"},"aioseo_meta_data":{"post_id":"5336","title":null,"description":null,"keywords":[],"keyphrases":{"focus":{"keyphrase":"","score":0,"analysis":{"keyphraseInTitle":{"score":0,"maxScore":9,"error":1}}},"additional":[]},"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":"","og_custom_url":null,"og_article_section":null,"og_article_tags":[],"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"Article","isEnabled":true},"graphs":[]},"schema_type":"default","schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":"-1","robots_max_videopreview":"-1","robots_max_imagepreview":"large","priority":null,"frequency":"default","local_seo":null,"seo_analyzer_scan_date":"2025-08-15 15:17:56","breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"open_ai":"{\"title\":{\"suggestions\":[],\"usage\":0},\"description\":{\"suggestions\":[],\"usage\":0}}","ai":null,"created":"2023-08-14 18:27:31","updated":"2025-08-15 15:17:56"},"aioseo_breadcrumb":"<div class=\"aioseo-breadcrumbs\"><span class=\"aioseo-breadcrumb\">\n\t<a href=\"https:\/\/blog.scielo.org\/es\" title=\"Home\">Home<\/a>\n<\/span><span class=\"aioseo-breadcrumb-separator\">&raquo;<\/span><span class=\"aioseo-breadcrumb\">\n\t<a href=\"https:\/\/blog.scielo.org\/es\/category\/analisis\/\" title=\"An\u00e1lisis\">An\u00e1lisis<\/a>\n<\/span><span class=\"aioseo-breadcrumb-separator\">&raquo;<\/span><span class=\"aioseo-breadcrumb\">\n\tGPT, traducci\u00f3n autom\u00e1tica y qu\u00e9 tan buenos son: una evaluaci\u00f3n integral\n<\/span><\/div>","aioseo_breadcrumb_json":[{"label":"Home","link":"https:\/\/blog.scielo.org\/es"},{"label":"An\u00e1lisis","link":"https:\/\/blog.scielo.org\/es\/category\/analisis\/"},{"label":"GPT, traducci\u00f3n autom\u00e1tica y qu\u00e9 tan buenos son: una evaluaci\u00f3n integral","link":"https:\/\/blog.scielo.org\/es\/2023\/08\/14\/gpt-traduccion-automatica-y-que-tan-buenos-son\/"}],"_links":{"self":[{"href":"https:\/\/blog.scielo.org\/es\/wp-json\/wp\/v2\/posts\/5336","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog.scielo.org\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.scielo.org\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.scielo.org\/es\/wp-json\/wp\/v2\/users\/8"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.scielo.org\/es\/wp-json\/wp\/v2\/comments?post=5336"}],"version-history":[{"count":7,"href":"https:\/\/blog.scielo.org\/es\/wp-json\/wp\/v2\/posts\/5336\/revisions"}],"predecessor-version":[{"id":5460,"href":"https:\/\/blog.scielo.org\/es\/wp-json\/wp\/v2\/posts\/5336\/revisions\/5460"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blog.scielo.org\/es\/wp-json\/wp\/v2\/media\/5339"}],"wp:attachment":[{"href":"https:\/\/blog.scielo.org\/es\/wp-json\/wp\/v2\/media?parent=5336"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.scielo.org\/es\/wp-json\/wp\/v2\/categories?post=5336"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.scielo.org\/es\/wp-json\/wp\/v2\/tags?post=5336"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}