Acabo de agregar al leaderboard el finetune español latam de whisper-large-v3-turbo hecho por @surusdev . Además descubrí que tienen una comunidad especializada en construir benchmarks para llms con foco en task especializadas para Latinoamérica. ¡Recomiendo seguir su trabajo!

Our vision is simple: To turn LATAM into an AI powerhouse — with world-class infrastructure, regional benchmarks, and precision-built tools that anyone can deploy. From research to production, from benchmark to endpoint — we’re building the full stack. Come build with us. 🚀

Each node bundles optimized models, refined prompts, and continuous benchmarking. As new models emerge or our datasets grow, your endpoints get better — automatically. It’s like your AI backend is evolving while you sleep. 5/6

Once you can measure performance, you can build for it. That’s why we launched our Task-Oriented AI Nodes — ready-to-use API endpoints for real tasks like /transcribe, /translate, and /extract. No prompt engineering, no fine-tuning, no maintenance — just plug in and get

To make this possible, we first needed to measure what “good” means for our region. So we helped create LatamBoard — a community-driven benchmark platform for evaluating AI systems in Spanish and Portuguese. It defines what matters for LATAM: relevance, accuracy, and cultural

Most AI today is built for general use — powerful, but inefficient and costly. We build specialized models that outperform large, generic ones on specific tasks, at a fraction of the cost. Smaller, faster, cheaper — and better tuned for Spanish, Portuguese, and regional needs.

We are SURUS, Latin America’s end-to-end AI company. Our mission: make precision AI accessible, affordable, and production-ready — built for real businesses, not just research labs. 🔗 https://t.co/KGu5GqzpdU 1/6

Y recordá que nos podes encontrar y conversar en nuestro servidor

Si tenés datos, podes contribuir con esta recolección en

Viste cuando le intentás hablar a una IA y tenes que cambiar la manera de hablar para que te entienda? Debería ser al revés, las máquinas ajustadas a nuestra maneras. Juntar y coleccionar nuestro lenguaje de manera diversa es un paso crucial para plasmar nuestro lenguaje.

PD: si les interesa reproducir los resultados de la evaluación de Tango-70b, subimos un repositorio abierto para esto https://t.co/4I9vysI9Y0

Agradecemos a todo el equipo de https://t.co/KGu5GqzpdU y de sandboxai org que colaboró en este enorme proyecto, y agradecemos a Amazon Web Services (AWS) por el apoyo que recibimos desde el lanzamiento de Tango-70b. El compute que nos proveen hace posible la infraestructura de

📷Aún queda muchísimo trabajo por hacer, no solo en datos y entrenamiento, sino también en el armado de benchmarks que reflejen los intereses y conocimientos de nuestra región. Lo bueno es que esto ya no es sci-fi o rocket-science: están los papers, los datasets y el training

📷 Este es solo un pequeño primer paso, que tuvo el objetivo de que #Argentina y #LatAm aparezcan en el mapa de AI global. Aún nos falta para competir mundialmente, pero nuestro roadmap incluye muchos modelos nuevos, ahora con más compute, más data, mejores algoritmos y más

Finalmente terminamos los benchmarks de Tango-70b, utilizando los evals de #laleaderboard (proyecto de Somos NLP), y #Tango70b es el modelo #1 de habla hispana por lejos! Podés encontrar más info en https://t.co/It1pNM9qL6 y podés chatear con Tango-70b en

No te olvides de seguirnos y unirte a nuestro discord! Tu curiosidad y experiencias son valiosísimas para construir IA en la región https://t.co/AsakhTAOid

Cada una de estas estrategias nos ahorra tiempo, energía y plata a la hora de disparar procesos larguísimos. Si querés meter mano, pasate por el repositorio donde comparten el código para que pruebes esta estrategia! https://t.co/VFAmi8YOHi

Reempaquetar! Imaginate el tetris que haces cuando empacás una valija para viajar. No tendrías una valija por cada prenda de ropa que llevás, no? Eso es lo que hicieron estos desarrolladores para que en cada tanda de entrenamiento se aproveche al máximo la ventana de contexto.

2. Esto resultaba en mucho tiempo sin uso de GPUs, esperando en cada tanda que haya datos disponibles para entrenar. Entonces, que ingeniaron para resolverlo?

🔎Que descubrieron? 1. Que mucho cómputo se desperdicia por el padding de los inputs, es decir el relleno con datos vacíos de cada ejemplo del dataset para completar la ventana de contexto del modelo (alrededor de un 60% de cada tanda eran tokens vacíos!)