Cualquiera que haya escrito un artículo científico sabe dónde está el verdadero cuello de botella. No es la investigación en sí. Es sentarse a redactar el manuscrito: organizar los hallazgos en una estructura coherente, mantener la claridad a lo largo de secciones enteras, sostener un tono académico consistente durante decenas de páginas, y pasar por múltiples rondas de revisión antes de que el texto esté listo para someterse a un journal.
Las herramientas de IA generativa genéricas ayudan poco aquí. Un modelo entrenado para conversar o resumir noticias no entiende las convenciones de la escritura académica: la precisión terminológica, la estructura IMRAD, el registro formal, la forma en que un párrafo de "Resultados" debe leerse frente a uno de "Discusión". Puede escribir texto fluido, pero no texto que suene a paper.
Ese fue el problema de partida de AUTOR-IA, un proyecto de Orvium Labs que hemos desarrollado con el respaldo del programa Fast Track Innobideak 2025 del Gobierno Vasco, y que hoy queremos compartir con la comunidad.
El problema: escribir es la fase más exigente de publicar
En Orvium, nuestra plataforma de publicación científica, trabajamos cada día con investigadores que atraviesan este proceso. Y una y otra vez vemos el mismo patrón: el tiempo que más cuesta no es el que se dedica al experimento, sino el que se dedica a convertir esos resultados en un manuscrito publicable.
La redacción académica exige sostener a la vez varias cosas: coherencia argumental de principio a fin, claridad expositiva, precisión en el uso de la terminología del campo, y un estilo que cumpla con las convenciones no escritas de cada disciplina. Los correctores gramaticales genéricos no ven nada de esto. Y los asistentes de IA conversacionales, aunque son capaces de generar texto correcto, tienden a producir una prosa genérica que no encaja con el registro que un revisor de journal espera.
La solución: un editor que entiende el idioma de la ciencia
Lo que hemos construido es un editor de texto interactivo integrado directamente en la plataforma Orvium, pensado para asistir al autor mientras escribe, no para escribir por él.
Funcionalmente, el editor ofrece:
- Sugerencias en tiempo real de gramática, claridad, estructura y estilo académico, generadas mientras el autor redacta.
- Panel lateral de secciones, que sitúa las sugerencias en el contexto de la parte del manuscrito en la que se está trabajando (no es lo mismo revisar una Introducción que una sección de Métodos).
- Campo de prompt, para que el autor pueda pedir explícitamente un tipo de ayuda concreto sobre el fragmento seleccionado.
- Aceptación o rechazo de cada sugerencia, de forma que el autor mantiene en todo momento el control editorial sobre su propio texto.
Cómo lo construimos
El corazón del sistema es un modelo de lenguaje afinado específicamente para escritura científica. El proceso, a alto nivel, fue este:
1. Un dataset propio de literatura científica. Partimos de publicaciones de acceso abierto y las procesamos con GROBID, una herramienta especializada en extraer estructura de documentos científicos: convierte los PDF originales en XML estructurado y de ahí a JSON, separando secciones, referencias y metadatos. El resultado se limpió y anonimizó antes de usarse como material de entrenamiento.
2. Fine-tuning supervisado sobre Llama 3.1 8B. En lugar de partir de cero, afinamos un modelo base ya sólido — Llama 3.1 8B — usando técnicas de LoRA/QLoRA (Low-Rank Adaptation), que permiten especializar un modelo grande sin tener que reentrenar todos sus parámetros. Todo el proceso de entrenamiento se apoyó en Unsloth, una librería que acelera y optimiza el fine-tuning de modelos LLM, ejecutado en infraestructura cloud.
3. Despliegue con Ollama. El modelo resultante se sirve a través de Ollama, un motor de inferencia ligero, detrás de una API propia que responde al editor en tiempo real conforme el autor escribe.
PDFs científicos → GROBID (extracción estructurada) → JSON limpio y anonimizado
↓
Fine-tuning LoRA/QLoRA (Unsloth) sobre Llama 3.1 8B
↓
Despliegue con Ollama → API → Editor OrviumLo que aprendimos por el camino
Una de las primeras decisiones de diseño fue elegir fine-tuning frente a RAG (Retrieval-Augmented Generation). No es una elección trivial, y merece explicarse: RAG es la técnica adecuada cuando lo que necesitas es que el modelo consulte hechos externos actualizados — documentos, bases de datos, resultados concretos. Pero nuestro objetivo era distinto: no queríamos que el modelo "supiera más cosas", queríamos que escribiera de otra manera. Adaptar el estilo, el registro y las convenciones de la prosa científica es un problema de comportamiento del modelo, no de acceso a información — y eso apunta directamente a fine-tuning, no a recuperación de contexto.
Ninguno de estos retos es exclusivo de AUTOR-IA — son, de hecho, los mismos que se encuentra cualquier equipo que intente llevar un modelo de lenguaje afinado desde el notebook de experimentación hasta un producto que responde en tiempo real a usuarios reales. Pero verlos de cerca, con un caso de uso muy concreto y exigente como es la escritura científica, nos ha dejado un conocimiento aplicado que ya está informando el resto de la plataforma.
Dónde estamos ahora
El editor está validado como MVP dentro de Orvium: funciona, está integrado en la plataforma, y ha demostrado que el enfoque —fine-tuning especializado más una interfaz de sugerencias no intrusiva— es el camino correcto para este problema. No es un punto final, sino la base sobre la que construimos la siguiente evolución de la plataforma: más contexto por disciplina científica, más control fino sobre el tipo de sugerencia, y una integración cada vez más profunda en el flujo de trabajo real de quienes publican ciencia.
AUTOR-IA es un buen ejemplo de por qué en Orvium Labs creemos que la IA aplicada a un dominio específico —no la IA genérica— es la que de verdad mueve la aguja. Escribir ciencia tiene reglas propias. Un asistente que las entiende vale mucho más que uno que simplemente escribe bien en general.
