Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

LateOn and mLateOn

Los modelos ColBERT abiertos de LightOn: un recuperador en inglés de 149M en lo más alto de BEIR y un hermano multilingüe de 307M para documentos largos.

Reseña de ReviewRamble editors · Actualizado

Visitar LateOn and mLateOn Código abierto

Comparte esta página:XLinkedInFacebookRedditWhatsAppCorreo

Nuestra nota

4.2/5

Los modelos ColBERT abiertos más sólidos que puedes usar comercialmente sin pedir permiso a nadie, siempre que aceptes un índice más grande a cambio de un ranking más fino.

¿Qué es LateOn and mLateOn?

LateOn es un modelo de interacción tardía al estilo ColBERT de LightOn, la empresa de IA de París, publicado el 21 de abril de 2026 con licencia Apache 2.0. En lugar de comprimir un documento en un solo vector, guarda un vector de 128 números por cada token y puntúa una consulta emparejando cada token de la consulta con el token más parecido del documento (MaxSim). Ocupa más almacenamiento que un embedding denso, pero suele ordenar con más precisión, y el mismo modelo puede buscar en un índice ya creado o reordenar la lista corta de otro sistema.

LateOn tiene 149 millones de parámetros sobre ModernBERT y solo trabaja en inglés. mLateOn, publicado el 30 de julio de 2026, es la continuación multilingüe: 307 millones de parámetros sobre mmBERT, entrenado en nueve idiomas (inglés, francés, alemán, italiano, español, portugués, sueco, noruego y árabe) y con documentos de hasta 8.192 tokens.

LightOn publicó los datos de entrenamiento de ambos: 1.400 millones de pares consulta-documento recopilados, la mezcla depurada de preentrenamiento y los conjuntos de ajuste fino con negativos minados. Los dos funcionan con la biblioteca PyLate de LightOn y su índice FastPLAID.

¿Merece la pena LateOn and mLateOn?

LateOn subió el listón de los recuperadores pequeños. Promedia 57.22 de NDCG@10 en los 15 conjuntos de BEIR, por delante del propio ColBERT-Zero de LightOn con 55.39 y de GTE-ModernColBERT con 54.75, y muy por delante de Jina-ColBERT-v2 con 51.85, que es unas cuatro veces más grande. En una versión de BEIR de 12 conjuntos sin los pasajes que se solapan con los datos de entrenamiento sube a 60.36, lo que responde a la sospecha habitual de que las ventajas en las clasificaciones vienen de filtraciones.

mLateOn importa más para la mayoría de corpus en producción. Obtiene 57.56 en BEIR, algo por encima del modelo en inglés, 65.61 en los idiomas objetivo de MIRACL y 87.69 en MLDR, una prueba de documentos largos, más de nueve puntos por delante de LFM2.5-ColBERT-350M de Liquid AI según las cifras de LightOn. LateOn por sí solo es flojo fuera del inglés: las pruebas multilingües de Liquid lo sitúan en 0.484 en NanoBEIR frente a 0.605 del modelo de Liquid, aunque LateOn tiene la mejor puntuación en inglés de esa misma tabla, con 0.690.

El coste de la interacción tardía es el almacenamiento. Guardar un vector de 128 números por token significa que un pasaje de 300 tokens almacena unos 300 vectores donde un modelo denso guarda uno, así que los índices crecen mucho más y necesitan un motor que entienda ColBERT, como FastPLAID. Usado como reranker sobre los 100 primeros resultados de otro sistema, no se almacena nada y el coste es simplemente codificar esos documentos en cada consulta.

En consultas de razonamiento es una incógnita: LightOn no publica resultados de BRIGHT, y los cross-encoders alojados reseñados aquí sí los dan. La configuración por defecto de LateOn también limita los documentos a 300 tokens, así que los pasajes largos necesitan mLateOn o trocearse. Para equipos que quieren datos abiertos, pesos abiertos y una licencia permisiva en un solo paquete, esta pareja es el punto de partida de la interacción tardía.

Dónde se gana su sitio

  • Un ingeniero de ML en una start-up de legal tech con contratos largos en francés y alemán

    Recuperar la cláusula correcta entre idiomas sin una API de pago

    Indexa los contratos con mLateOn en el índice FastPLAID de PyLate, aprovechando su ventana de 8.192 tokens para mantener las secciones enteras. Apache 2.0 significa que no hay cuota de licencia; el precio es un índice mayor del que necesitaría un modelo denso.

  • Un ingeniero de búsqueda que ya tiene BM25 en Elasticsearch

    Reordenar los 100 primeros resultados por palabra clave sin construir un índice vectorial

    Codifica la consulta y los 100 candidatos con LateOn y puntúalos con rank.rerank de PyLate, que no necesita índice. El coste es tiempo de GPU o CPU para 149M parámetros por consulta.

  • Un equipo de investigación que audita modelos de recuperación por filtraciones de datos

    Reproducir o ampliar el entrenamiento de un recuperador con datos conocidos

    Parte de los conjuntos de preentrenamiento y ajuste fino publicados por LightOn y de la versión descontaminada de BEIR de 12 conjuntos, y entrena con PyLate. LightOn da para LateOn 60.36 en esa versión limpia.

Antes de decidirte

Puesta en marcha
pip install pylate, carga models.ColBERT con lightonai/LateOn o lightonai/mLateOn, codifica los documentos en un índice PLAID y recupera; para reordenar una lista corta basta con rank.rerank, sin índice.
Integraciones
PyLate y FastPLAID de LightOn, construidos sobre Sentence Transformers; pesos en Hugging Face. Guardar los vectores de tokens en otro sitio exige una base de datos vectorial compatible con MaxSim multivector.
Datos y privacidad
Solo autoalojado, así que los documentos se quedan en tu propio hardware. Los datos de entrenamiento de los experimentos son públicos en Hugging Face; los modelos finales usaron un conjunto propio compatible con Apache.
Coste a escala
Sin cuota de licencia ni de API. El coste de funcionamiento es tiempo de GPU para codificar y almacenamiento para un vector de 128 dimensiones por token, que crece con el corpus mucho más rápido que un índice denso.
Límites
LateOn: inglés, consultas de 32 tokens y documentos de 300 tokens por defecto. mLateOn: hasta 8.192 tokens, nueve idiomas de entrenamiento. No se usaron destilación ni prompts, lo que según LightOn deja margen para versiones más fuertes.

Lo bueno

  • 57.22 en BEIR con 149M parámetros; 60.36 en BEIR descontaminado
  • Pesos Apache 2.0 y datos de entrenamiento publicados
  • mLateOn lee 8.192 tokens en nueve idiomas
  • Sirve como recuperador de primera etapa o como reranker en PyLate

Lo malo

  • Los índices multivector son mucho mayores que los densos
  • LateOn solo trabaja en inglés y usa por defecto documentos de 300 tokens
  • No hay API alojada anunciada para estos modelos
  • Las pruebas son de LightOn; sin resultados de BRIGHT ni de razonamiento

Ideal para

Ingenieros que alojan su propia recuperación y quieren un modelo ColBERT de licencia permisiva para la búsqueda de primera etapa o como reranker ligero.

Alternativas a LateOn and mLateOn

LateOn and mLateOn: preguntas frecuentes

¿Merece la pena LateOn and mLateOn?
Los modelos ColBERT abiertos más sólidos que puedes usar comercialmente sin pedir permiso a nadie, siempre que aceptes un índice más grande a cambio de un ranking más fino. Le damos un 4.2 sobre 5.
¿Cuánto cuesta LateOn and mLateOn?
Pesos gratuitos con licencia Apache 2.0, también para uso comercial; el alojamiento y el almacenamiento del índice corren de tu cuenta.
¿Qué inconvenientes tiene LateOn and mLateOn?
Los índices multivector son mucho mayores que los densos; lateOn solo trabaja en inglés y usa por defecto documentos de 300 tokens; no hay API alojada anunciada para estos modelos; las pruebas son de LightOn; sin resultados de BRIGHT ni de razonamiento.
¿Para quién es LateOn and mLateOn?
Ingenieros que alojan su propia recuperación y quieren un modelo ColBERT de licencia permisiva para la búsqueda de primera etapa o como reranker ligero.
¿Cuánto cuesta LateOn and mLateOn para un equipo o en producción?
Sin cuota de licencia ni de API. El coste de funcionamiento es tiempo de GPU para codificar y almacenamiento para un vector de 128 dimensiones por token, que crece con el corpus mucho más rápido que un índice denso.
¿Es LateOn and mLateOn seguro para los datos de la empresa?
Solo autoalojado, así que los documentos se quedan en tu propio hardware. Los datos de entrenamiento de los experimentos son públicos en Hugging Face; los modelos finales usaron un conjunto propio compatible con Apache.
¿Cuáles son las mejores alternativas a LateOn and mLateOn?
Las alternativas más cercanas que hemos analizado son LFM2.5-ColBERT-350M, Nemotron ColEmbed V2, Jina Embeddings v5 y Qwen3-Embedding and Qwen3-Reranker.

Respuestas comprobadas el 20 nov 2026.

¿Desarrollas LateOn and mLateOn? Muestra esta nota en tu webLateOn and mLateOn: nota de 4.2 sobre 5 en ReviewRamble