Datos de entrenamiento verificables
para la próxima generación de LLM
Verified Data for Frontier Models.
TokenDaddy reúne a miembros de laboratorios de entrenamiento de IA y a expertos en datos de grandes empresas tecnológicas, con un único propósito: resolver las necesidades de datos del entrenamiento de los futuros LLM. Ofrecemos corpus de preentrenamiento, entornos RL y datos de refuerzo para postentrenamiento, y medimos cada entrega por la mejora real en las capacidades del modelo.
Preentrenamiento
Corpus a gran escala, limpios, conformes y bien equilibrados: la base de conocimiento y lenguaje del modelo.
Entornos RL
Sandboxes ejecutables, conjuntos de tareas y evaluadores automáticos para que el modelo mejore en tareas reales.
Datos postentrenamiento
Demostraciones de expertos, comparaciones de preferencias, rubrics y problemas verificables que elevan el techo de razonamiento y alineación.
Investigación en entrenamiento e ingeniería de datos,
un mismo equipo
El núcleo de TokenDaddy proviene de laboratorios de entrenamiento de IA y de los equipos de datos de las principales empresas de internet de China. Sabemos qué datos impulsan de verdad las capacidades de un modelo y tenemos la experiencia de ingeniería y operaciones para entregarlos a escala y de forma estandarizada. Nacimos para resolver las necesidades de datos del entrenamiento de los futuros LLM.
Experiencia en laboratorios de entrenamiento
Nuestro núcleo ha trabajado en primera línea del entrenamiento de LLM y define los datos desde la perspectiva del modelo.
- Cubrimos todo el ciclo: preentrenamiento, SFT, alineación por preferencias y aprendizaje por refuerzo
- Entendemos el impacto real de los datos en la loss, las evaluaciones y las capacidades
- Medimos el valor de los datos con ablaciones de entrenamiento, no con volumen de anotaciones
- Hablamos el mismo lenguaje técnico que los equipos de investigación del cliente
Expertos en datos de Big Tech
Provenientes de equipos de datos de empresas líderes de internet, con experiencia en producción y gobierno de datos a gran escala.
- Sistemas de recolección, limpieza y gobierno de datos a gran escala
- Operaciones de anotación, gestión de redes de expertos y control de calidad multinivel
- Seguridad de datos, cumplimiento de privacidad y procesos transfronterizos
- Cadena de herramientas en plataforma para entregas estables y reproducibles
Para el próximo paradigma de entrenamiento
El entrenamiento de LLM está pasando de «más datos» a «mejores datos y entornos». Para eso existimos.
- Inversión prioritaria en entornos RL, trayectorias de agentes y recompensas verificables
- Seguimiento continuo de los métodos de entrenamiento de frontera para anticipar nuevos formatos de datos
- Investigación y producción integradas: ciclos más cortos de la muestra a la entrega
- Capacidad nativa en datos en chino y de escenarios locales
| Dimensión | Anotación tradicional | TokenDaddy |
|---|---|---|
| Criterio de entrega | Volumen anotado y precisión por muestreo | Mejora medible en las capacidades objetivo del modelo |
| Equipo | Gestor de proyecto + anotadores crowdsourcing | Investigadores de entrenamiento + ingenieros de datos + expertos de dominio |
| Prueba de calidad | Informe de muestreo | Métricas de consistencia + resultados de verificadores + informe de descontaminación + ablaciones de entrenamiento |
| Tipo de datos | Datos anotados estáticos | Corpus, entornos RL, trayectorias de agentes, problemas verificables |
| Colaboración | Ejecución por orden de trabajo | Definición conjunta con el equipo de investigación del cliente de las especificaciones y métricas de aceptación |
Corpus a gran escala, trazables y bien equilibrados
De la recolección, las licencias y la limpieza a la mezcla y la validación: entregamos datos listos para entrar en su pipeline de entrenamiento. Cada paquete incluye inventario de fuentes, cadena de licencias e informe de calidad.
Limpieza y depuración de corpus web
Convertimos datos crudos de crawling en texto de entrenamiento de alta calidad.
- Extracción de contenido principal, identificación de idioma y normalización de formato
- Deduplicación exacta + deduplicación aproximada con MinHash (a nivel de documento / párrafo)
- Puntuación con clasificadores de calidad y filtrado por niveles
- Filtrado de contenido dañino, publicidad y plantillas de baja calidad
Adquisición de corpus con licencia y cadena de derechos
Trabajamos con editoriales, revistas, medios e instituciones especializadas para obtener textos de alto valor con uso comercial autorizado.
- Libros, artículos académicos, noticias, informes sectoriales
- Negociación de licencias, contratos y gestión del alcance de uso
- Registro de fuente por documento, preparado para auditorías de derechos de autor
Anonimización de datos personales y sensibles
Eliminamos o sustituimos la información que identifica a personas antes del entrenamiento para reducir el riesgo de cumplimiento.
- Detección y sustitución de nombres, teléfonos, números de documento, direcciones y correos
- Reglas específicas para el contexto chino (documento de identidad, número móvil, matrícula, etc.)
- Muestreo de anonimización e informe de tasa de omisión
Corpus multilingües y de idiomas minoritarios
Ampliamos las capacidades más allá del inglés, con foco en idiomas de pocos recursos.
- Corpus en chino de alta calidad (incluido chino tradicional y registros escritos dialectales)
- Idiomas minoritarios del Sudeste Asiático, Asia Central, Oriente Medio, África y más
- Corpus paralelos y pares de traducción
- Control de calidad por hablantes nativos
Corpus de código
Datos de preentrenamiento para capacidades de programación, con calidad y cumplimiento de licencias.
- Recolección de repositorios open source y filtrado por licencia
- Deduplicación a nivel de repositorio, eliminación de código autogenerado y de secretos
- Datos vinculados código–documentación–issue
- Filtrado por compilabilidad / ejecutabilidad
Corpus de dominios verticales
Conocimiento de dominio para modelos sectoriales, con fuentes controladas y terminología precisa.
- Finanzas, salud, derecho, manufactura industrial, energía y más
- Estructuración de normativas, estándares, libros de texto y manuales técnicos
- Análisis de alta precisión de tablas, fórmulas y PDF / documentos escaneados
Datos sintéticos
Donde el corpus real no alcanza, completamos con datos generados por modelos y verificados.
- Reescritura estilo libro de texto, conversión a preguntas y respuestas y a ejercicios
- Composición de contexto largo y construcción de tareas de recuperación
- Control de diversidad y verificación factual para evitar que el modelo se repita a sí mismo
Datos de imagen-texto y documentos
Datos de imagen-texto bien alineados para el preentrenamiento multimodal.
- Recolección de pares imagen-texto y filtrado por relevancia
- Documentos intercalados imagen-texto (páginas web, libros de texto, manuales)
- Anotación estructurada de documentos OCR, gráficos y tablas
Mezcla de datos y validación de descontaminación
No solo entregamos datos: le ayudamos a confirmar que merecen entrar en el entrenamiento.
- Recomendaciones de mezcla por dominio / idioma / nivel de calidad
- Comprobación de descontaminación n-gram frente a los principales benchmarks
- Ablaciones con modelos pequeños open source, comparando métricas antes y después
Entornos de entrenamiento ejecutables, evaluables y a prueba de trampas
Construimos entornos de aprendizaje por refuerzo para agentes y modelos de razonamiento: sandboxes en contenedores + conjuntos de tareas por niveles + evaluadores automáticos. Entornos reproducibles y paralelizables, con nuevas tareas de forma continua.
Entornos de tareas sobre repositorios
Corrección de bugs, desarrollo de funcionalidades y refactorización sobre repositorios reales.
- Tareas completas de issue → parche, con tests ejecutables
- Repositorios multilenguaje y multiframework, con dependencias en imagen
- Doble evaluación: tests ocultos + tests de regresión
Entornos de operación web
El modelo completa tareas de varios pasos en la web: búsquedas, formularios, pedidos, comparación de precios.
- Réplicas de sitios web reiniciables, con estado controlado
- Escenarios de e-commerce, viajes, administración pública y backoffice empresarial
- Doble evaluación: completitud de la tarea y conformidad del proceso
Entornos de escritorio y sistema operativo
Tareas de operación de aplicaciones de escritorio para computer use.
- Ofimática, gestión de archivos, configuración del sistema
- Snapshots y reinicio de máquinas virtuales Windows / Linux
- Doble observación: capturas de pantalla + árbol de accesibilidad
Entornos de herramientas y API
Entrenamos al modelo para elegir, combinar e invocar herramientas correctamente.
- Servicios backend simulados y conjuntos de herramientas MCP
- Orquestación multiherramienta, manejo de errores y reintentos
- Evaluación de la corrección de parámetros y del orden de llamadas
Entornos de procesos de negocio
Convertimos flujos de trabajo reales en entornos entrenables para agentes empresariales.
- Procesos de CRM, ERP, tickets de soporte, gastos y HR
- Escenarios locales de China: WeCom, backoffice de e-commerce, facturación fiscal
- Procesos multirrol con permisos, aprobaciones y ramas de excepción
Entornos de problemas de razonamiento matemático y científico (RLVR)
Entornos de problemas de alta dificultad con respuesta de referencia y evaluación programática.
- Problemas de matemáticas, física, química y programación competitiva
- Normalización de respuestas y juicio de equivalencia (valores, expresiones, conjuntos)
- Gradación de dificultad y calibración de la tasa de acierto
Construcción de funciones de recompensa y evaluadores
Las tareas sin respuesta de referencia también necesitan señales de recompensa fiables.
- Desarrollo de evaluadores programáticos
- Evaluación combinada rubric + LLM como juez, con consistencia calibrada por humanos
- Preparación de datos de entrenamiento para modelos de recompensa
Auditoría de reward hacking
Detectamos las brechas que permiten al modelo obtener recompensa eludiendo el objetivo de la tarea, y las corregimos antes de la entrega.
- Pruebas adversariales sobre los evaluadores (modificar tests, respuestas hardcodeadas, etc.)
- Revisión por muestreo de trayectorias de entrenamiento
- Corrección de vulnerabilidades y verificación de regresión
Ingeniería de entornos y operación continua
Tras la entrega, los entornos siguen funcionando de forma estable y se amplían continuamente.
- Contenedores Docker y soporte de rollouts de alta concurrencia
- Control de versiones de tareas y ajuste de la curva de dificultad
- Benchmarks de evaluación a medida (estrictamente aislados de las tareas de entrenamiento)
Datos producidos por expertos, revisados por expertos y verificables
Producidos por una red de expertos —doctores, ingenieros, médicos, abogados y otros profesionales— que cubre SFT, alineación por preferencias, aprendizaje por refuerzo y evaluación de seguridad.
Datos de demostración SFT
Pares instrucción–respuesta de alta calidad que establecen el estándar de una buena respuesta.
- Diálogo multiturno, seguimiento de instrucciones y restricciones de formato complejas
- Redacción extensa, resúmenes, reescritura y traducción
- Tono y formato adaptados a la guía de estilo del cliente
Datos de razonamiento de expertos
Procesos completos de resolución y pensamiento escritos por expertos.
- Derivaciones paso a paso en matemáticas, ciencias, programación y lógica
- Procesos que incluyen ensayo y error, autoverificación y corrección
- Anotación de corrección a nivel de paso (recompensa de proceso)
Datos de comparación de preferencias (RLHF / DPO)
Comparación y ranking de respuestas de varios modelos para entrenar modelos de preferencias y de recompensa.
- Comparación por pares, ranking múltiple, puntuación Likert
- Puntuación por dimensiones: utilidad, veracidad, seguridad y más
- Con justificación de cada puntuación, para facilitar la revisión y la reutilización
Redacción y evaluación con rubrics
Criterios de evaluación ejecutables para tareas abiertas, y puntuación según esos criterios.
- Desglose por tarea de criterios, pesos y condiciones de penalización
- Revisión cruzada de rubrics por expertos y pruebas de evaluabilidad
- Puntuación ítem por ítem de las salidas del modelo según la rubric
Problemas difíciles verificables (RLVR)
Problemas que los modelos de frontera aún no resuelven, pero cuya respuesta se puede verificar por programa.
- Problemas originales de nivel posgrado a competición
- Con respuesta de referencia o casos de prueba
- Filtrado adversarial con modelos de frontera para conservar solo los problemas realmente difíciles
Datos de trayectorias de agentes
Registros completos de expertos realizando tareas con herramientas y entornos reales.
- Trayectorias de programación, navegador, escritorio y sistemas de negocio
- Observación, razonamiento, acción y resultado en cada paso
- Trayectorias fallidas y demostraciones de corrección
Datos de expertos de dominio
Datos especializados producidos por profesionales certificados o con amplia experiencia.
- Medicina, derecho, finanzas, contabilidad, ingeniería, investigación científica
- Preguntas y respuestas profesionales, análisis de casos, redacción de documentos
- Doble revisión cruzada de los hechos clave por expertos
Red teaming y datos de seguridad
Detectamos de forma sistemática las debilidades de seguridad del modelo y aportamos datos de corrección.
- Muestras de ataque: jailbreaks, inducción, sesgos, fugas de privacidad y más
- Demostraciones del límite entre rechazo seguro y respuesta útil
- Conjuntos de evaluación de cumplimiento adaptados a la normativa de cada región
Datos en chino y de localización
Mejoramos la comprensión del modelo del contexto chino y de las normas locales.
- Estilo de escritura en chino, modismos y alusiones clásicas, lenguaje de internet
- Conocimiento de la normativa china, estándares sectoriales y trámites administrativos
- Adaptación a la cultura y los usos lingüísticos de múltiples regiones
Evaluación humana y conjuntos de evaluación a medida
Cuantificamos con evaluación experta el progreso del modelo en las capacidades objetivo.
- Comparaciones a ciegas entre versiones del modelo
- Construcción de conjuntos de evaluación privados, con protección estricta contra filtraciones
- Análisis de brechas de capacidad y recomendaciones de datos para la siguiente iteración
Cada lote de datos llega con evidencia de calidad
La calidad es la ventaja competitiva central de TokenDaddy. Siete etapas de la solicitud a la entrega, y cada una deja un registro auditable.
Análisis de requisitos
Definimos capacidades objetivo, especificaciones de datos, rubrics y métricas de aceptación.
Selección de expertos
Reclutamiento por disciplina, examen de admisión, evaluación y depuración continuas.
Producción humano-IA
La IA redacta, los expertos editan y las decisiones clave las toman personas.
Revisión multinivel
Consistencia cruzada, muestreo por revisores sénior y verificación independiente de respuestas.
Detección automática
Detectamos texto escrito por IA, contaminación de benchmarks, duplicados y contenido plantillado.
Ablación
Entrenamiento de modelos pequeños para verificar la mejora de métricas que aportan los datos.
Entrega conforme
Cadena de licencias de origen, anonimización, evaluación transfronteriza y acuerdos de confidencialidad.
Para equipos de modelos en cada etapa
De los laboratorios de modelos de frontera a los equipos internos de empresas: cada etapa requiere una combinación distinta de datos.
| Tipo de cliente | Servicios habituales | Necesidad típica |
|---|---|---|
| Labs de frontera | Entornos RL · Problemas verificables · Datos de preferencias · Red teaming | Superar el techo de razonamiento y de capacidades agénticas |
| Equipos open source / medianos | Corpus de preentrenamiento · SFT · Datos de preferencias | Alcanzar el nivel de los líderes con un presupuesto limitado |
| Empresas de modelos verticales | Corpus verticales · Datos de expertos de dominio · Evaluación a medida | Nivel profesional en finanzas, salud, derecho e industria |
| Startups de agentes | Entornos de procesos de negocio · Entornos de herramientas · Datos de trayectorias | Agentes que completan tareas de forma fiable en operaciones reales |
| Equipos de modelos in-house | Limpieza de datos privados · Anonimización · Datos de fine-tuning | Convertir datos internos en activos entrenables |
Cuatro modelos de colaboración, combinables según sus necesidades
Del proyecto a medida puntual a la suscripción a largo plazo, adaptados a distintos ritmos de entrenamiento y estructuras de presupuesto.
Proyectos a medida
Datos producidos desde cero según las especificaciones del cliente, con entrega exclusiva.
Por ítem / por horaDatasets listos
Paquetes de corpus, bancos de problemas difíciles y conjuntos de evaluación listos para usar.
Licencia no exclusivaSuscripción a entornos RL
Entornos con licencia anual, con nuevas tareas y correcciones continuas.
Suscripción anualEquipos de expertos externalizados
El cliente aporta herramientas y procesos; nosotros, expertos seleccionados.
Por hora con margenProceso de colaboración
Definición de necesidades
Concretamos capacidades objetivo, tipos de datos, escala y criterios de aceptación.
Entrega de muestras
Primero entregamos un lote pequeño de muestras para alinear criterios de calidad.
Piloto de pago
Producción a escala media, con resultados de ablación o evaluación.
Entrega a escala
Entregas mensuales, con seguimiento continuo de las métricas del modelo y ajuste de dirección.
Hablemos de sus necesidades de datos
Cuéntenos sus capacidades objetivo y sus cuellos de botella actuales: en una semana le enviaremos una propuesta de datos y un plan de muestras.