Recientemente, el equipo de @SentientAGI presentó otro trabajo de alto nivel en el taller de Lock-LLMs en NeurIPS 2025: el artículo "OML: Cryptographic Primitives for Verifiable Control in Open-Weight LLMs" propone un nuevo método de control verificable para modelos grandes de código abierto: OML (Open Model License / Ownership Marking Layer).

Los puntos destacados son muy intuitivos: incorporar la lógica de control en la tubería de inferencia del modelo permite que los modelos de código abierto funcionen de manera segura y verificable. Su diseño de tres capas es impresionante:
1️⃣ Verificabilidad: la prueba de cero conocimiento garantiza que cada llamada sea legal;
2️⃣ Obligatorio: TEE (Entorno de Ejecución Confiable) previene el bypass;
3️⃣ Monetización: combinación de blockchain y NFT para lograr la trazabilidad de los ingresos del modelo.

A diferencia de las marcas de agua tradicionales, OML puede mantener la capacidad de control incluso bajo condiciones de caja blanca. Los experimentos muestran que en la destilación del modelo y la detección de robo de parámetros, la precisión supera el 97%, y la pérdida de rendimiento es inferior al 2%. Se puede decir que este es un punto de inflexión clave en la gobernanza de la seguridad de modelos abiertos.

Curiosamente, OML divide el modelo en dos grandes roles: plano de control y plano de datos:
El plano de control actúa como un regulador estricto, gestionando quién puede invocar el modelo, cumpliendo con qué políticas, registrando cada operación y generando una lista de ejecución firmada y un registro de auditoría inalterable;

El plano de datos se centra en "hacer el trabajo", procesando tokens, sin mezclar otros asuntos.

Esta división del trabajo permite que el modelo funcione localmente sin depender de API centralizadas, al mismo tiempo que garantiza que la autorización, el seguimiento y la auditoría sean completamente controlables. Sentient ha integrado 24,576 pares de clave-respuesta en la versión ajustada de Llama-3.1-8B, manteniendo un rendimiento estable, siendo efectivo incluso después de la fine-tuning, destilación o mezcla, otorgando así al modelo de IA una "firma" y protección de derechos de autor.

Mientras tanto, LiveCodeBench Pro de Sentient devuelve la capacidad de programación de IA al campo de batalla real:
Los problemas de programación de alta dificultad tienen una tasa de aprobación de AI casi cero; desde la lectura del enunciado, el diseño de la solución, la generación de código hasta la compilación y ejecución, cada etapa sigue estrictamente los estándares de competencia algorítmica; cubriendo problemas de competencias autorizadas como Codeforces, ICPC, IOI, utilizando un sistema de calificación de dificultad dinámica Elo; la reproducción local, las pruebas ocultas y la generación de registros completos permiten que la capacidad del modelo sea verificable y rastreable.

En la actualidad, donde la IA generativa persigue altas puntuaciones y técnicas de indicación, LiveCodeBench Pro es un espejo claro que muestra los límites reales de los modelos en la comprensión algorítmica, la lógica a largo plazo y el control de la complejidad, haciendo que "los modelos pueden escribir código" ya no sea solo un nombre vacío.

@SentientAGI está redefiniendo los estándares de seguridad, control y capacidad de la IA utilizando OML y LiveCodeBench Pro. Los modelos abiertos ahora tienen protección de derechos de autor, y la programación de IA cuenta con un entorno de evaluación real, lo que representa un hito importante en el AGI de código abierto impulsado por la comunidad.

#KaitoYap @KaitoAI #Yap #Sentient