EU AI Act — Transparencia de datos de entrenamiento de IA
Artículo 53(1)(d) del EU AI Act (Reg. (UE) 2024/1689) exige a los proveedores de modelos de IA de propósito general (GPAI) que publiquen un resumen público del contenido utilizado para entrenar el modelo, sobre la plantilla estandarizada de la AI Office (en vigor el 2 ago 2025). Cada resumen divulga, por modalidad (Texto / Imagen / Audio / Vídeo), un tamaño de datos de entrenamiento por bandas, la fecha de corte de adquisición de datos y marcas sí/no por categoría de fuente de datos. No existe un registro único de los resúmenes cumplimentados —cada proveedor los publica por su cuenta en su propio formato—, por lo que este es un conjunto de datos comparable y entre proveedores construido a partir de los resúmenes archivados: una fila por campo divulgado, identificada por proveedor × modelo × sección × campo. Las bandas de tamaño gruesas se asignan a un size_rank numérico (1 / 2 / 3, 0 = “no aplicable”) para que los tamaños se comparen entre proveedores — es un rango ordinal, así que compáralo con MIN/MAX/AVG, nunca SUM. La cobertura es un conjunto inicial y ampliable (Google + Meta + Microsoft).
Tamaño de datos de entrenamiento divulgado
Vistas interactivas de las bandas de tamaño divulgadas. Cada gráfico tiene una alternativa de texto para lectores de pantalla. Rango de tamaño: 1 = banda más pequeña (“menos de …”), 2 = rango intermedio, 3 = la mayor (“más de …”); 0 = la modalidad no forma parte de los datos de entrenamiento.
Tamaño de datos de entrenamiento de texto, por modelo
El tamaño por bandas de los datos de entrenamiento de texto de cada modelo, como un rango comparable (1–3). Gemini 3 Pro de Google y Muse Spark de Meta divulgan la banda más grande (“más de 10 billones de tokens”); los modelos Phi-4 de Microsoft divulgan la banda intermedia.
Rango de tamaño divulgado, por modalidad
El rango de tamaño comparable que cada modelo divulga para cada modalidad. Un rango de 0 significa que el modelo no se entrena con esa modalidad (p. ej., el Phi-4 solo de texto).
Bandas de tamaño de datos de entrenamiento divulgadas
La banda de tamaño exacta que cada resumen divulga por modalidad, tal como se presentó. Las bandas son gruesas por diseño (la plantilla ofrece un conjunto fijo) — “No aplicable” significa que la modalidad no forma parte de los datos de entrenamiento.
Fecha de corte de datos y categorías de fuentes de datos
La fecha de corte de adquisición de datos y las marcas sí/no de fuentes de datos que divulga cada resumen. Las celdas en blanco (—) son campos que el resumen no informa.
Refine or extend these in the query builder (compare size_rank with MIN/MAX/AVG, never SUM), browse the full field list on the Schema page, or read the Methodology.