El Imperativo de la Densidad: Cómo los Metadatos Semánticamente Densos Redefinen el Comportamiento de los Modelos de Fundación a Través del Enriquecimiento del Conocimiento Estructurado

Los datos de ajuste fino se tratan comúnmente como un recurso aditivo: más datos, mejor modelo. Demostramos que la calidad de los datos de ajuste fino es firmada: los metadatos escasos y superficiales destruyen activamente las capacidades preentrenadas, mientras que los metadatos densos y estructurados las mejoran. Informamos de un estudio de ablación controlado sobre Llama 3.2 11B Vision-Instruct utilizando 9,081 imágenes de patrimonio cultural de la colección Alexandria Aeternum bajo tres condiciones: sin ajuste fino (Base), subtítulos escasos de ~50 tokens (Grupo A), y metadatos NEST densos de ~2,000–4,000 tokens en 111 campos estructurados (Grupo B). Los resultados son inequívocos: el ajuste fino escaso reduce la profundidad cognitiva en un 54.4% y aumenta la alucinación en un 330%, mientras que el ajuste fino denso mejora la percepción visual en un 25.5%, la cobertura semántica en un 160.3% y la calidad de la explicación en un 124.8%. Estos hallazgos establecen que la calidad de los datos de ajuste fino no es una cantidad escalar, sino una intervención firmada: la curaduría escasa lobotomiza; la curaduría densa enseña al modelo cómo acceder y articular su propio conocimiento preentrenado. Liberamos todos los modelos, datos, scripts de evaluación y una herramienta de comparación interactiva para la verificación de la comunidad.