--- title: "METEOR (metric) (ES)" source: "https://systems-analysis.info/int/METEOR_(metric)_(ES)" wiki: "systems-analysis.info/int" article: "METEOR_(metric)_(ES)" language: "es" categories: - "Category:Large language models" - "Category:LLM evaluation" - "Category:Machine learning" - "Category:Spanish" revision_id: 4019 wiki_created_at: 2026-09-06T23:29:21Z wiki_modified_at: 2026-09-06T23:29:21Z downloaded_at: 2026-09-07T23:00:22Z --- # METEOR (metric) (ES) **METEOR** es un nombre utilizado en el campo del procesamiento del lenguaje natural (PLN) para varios conceptos relacionados pero distintos. En primer lugar, es una conocida métrica automática para evaluar la calidad de la traducción automática. Además, en 2024, se presentaron bajo el mismo nombre dos proyectos de investigación independientes relacionados con los modelos de lenguaje grandes (LLM): un método de aprendizaje evolutivo y un modelo de lenguaje multimodal. ## METEOR como métrica de evaluación de la calidad de la traducción **METEOR** (abreviatura de *Metric for Evaluation of Translation with Explicit ORdering*) es una métrica automática para evaluar la calidad de la traducción automática, propuesta en 2005 por los investigadores Satanjeev Banerjee y Alon Lavie de la Universidad Carnegie Mellon^{[\[1\]](https://systems-analysis.info/int/METEOR_(metric)_(ES)#cite_note-banerjee_2005-1)}. Su objetivo era mejorar la correlación de las evaluaciones automáticas con los juicios humanos, especialmente a nivel de oraciones individuales, abordando algunas de las deficiencias de la métrica anterior BLEU. Las características clave de la métrica METEOR son: - **Consideración de la precisión y la exhaustividad**: A diferencia de BLEU, que se centra únicamente en la precisión (precision), METEOR calcula la media armónica entre la precisión y la exhaustividad (recall), lo que le permite penalizar las traducciones que omiten palabras importantes. - **Emparejamiento flexible de palabras**: METEOR utiliza características lingüísticas para comparar la traducción con la referencia. Considera no solo las coincidencias exactas, sino también diferentes formas de palabras (mediante stemming) y sinónimos (utilizando WordNet). - **Penalización por el orden incorrecto de las palabras**: La métrica incluye una penalización que castiga el orden incorrecto de las palabras en la traducción candidata, incluso si todas las palabras coinciden con la referencia. Estas mejoras permiten que la métrica METEOR se correlacione significativamente mejor con las evaluaciones humanas en comparación con BLEU^{[\[2\]](https://systems-analysis.info/int/METEOR_(metric)_(ES)#cite_note-lavie_2007-2)}. La métrica se utiliza ampliamente en la investigación sobre traducción automática, resumen automático y evaluación de leyendas de imágenes^{[\[3\]](https://systems-analysis.info/int/METEOR_(metric)_(ES)#cite_note-ds_dojo-3)}. ## METEOR como método de aprendizaje evolutivo para LLM En 2024, un grupo de investigadores chinos presentó un método llamado **METEOR: Evolutionary Journey of Large Language Models from Guidance to Self-Growth**^{[\[4\]](https://systems-analysis.info/int/METEOR_(metric)_(ES)#cite_note-meteor_evolutionary-4)}. Este método está diseñado para el entrenamiento eficiente de LLM especializados en dominios específicos (por ejemplo, finanzas, medicina), sin la necesidad de entrenar el modelo desde cero. Los autores describen un esquema de «evolución» de los LLM en tres fases: 1. **Destilación de conocimiento de un modelo fuerte a uno débil (weak-to-strong data distillation)**: Para generar el corpus de entrenamiento, se utiliza un modelo «maestro» más potente (por ejemplo, GPT-4). El modelo de dominio primero genera un plan de solución, y el modelo fuerte crea la respuesta siguiendo ese plan. Esto alinea la distribución del conocimiento y permite que el modelo objetivo lo asimile de manera más efectiva. 2. **Entrenamiento iterativo guiado (guided iterative training)**: El modelo entrenado en la primera fase resuelve problemas de forma independiente, mientras que el modelo fuerte actúa como un «árbitro», evaluando las respuestas y señalando los errores. Este ciclo reflexivo desarrolla en el modelo de dominio la capacidad de autocorregirse. 3. **Autoevolución (self-evolution)**: El modelo continúa mejorando sin un supervisor externo, utilizando las habilidades adquiridas para generar y corregir nuevos datos. Este método ofrece un enfoque práctico para crear LLM expertos, compactos y rentables para industrias específicas^{[\[5\]](https://systems-analysis.info/int/METEOR_(metric)_(ES)#cite_note-meteor_evolutionary_ar5iv-5)}. ## METEOR como modelo multimodal LLM También en 2024, un equipo de investigadores del KAIST presentó un gran modelo de lenguaje multimodal llamado **METEOR: Mamba-based Traversal of Rationales**^{[\[6\]](https://systems-analysis.info/int/METEOR_(metric)_(ES)#cite_note-neurips_meteor_mamba-6)}. El modelo está diseñado para la comprensión integral de la información visual y la generación de respuestas a preguntas visuales. La característica clave de METEOR es el uso de **razonamientos (rationales)** detallados. El modelo no solo proporciona una respuesta final, sino que genera y se apoya en una «cadena de razonamiento» latente: una explicación secuencial de cómo llegar a esa respuesta, similar a como razonaría un ser humano. La arquitectura de METEOR utiliza un módulo especial basado en el modelo **Mamba**, una arquitectura eficiente para procesar secuencias muy largas. Este módulo codifica largas cadenas de razonamiento que pueden incluir descripciones de objetos en una imagen, sus relaciones espaciales y los pasos para resolver un problema^{[\[7\]](https://systems-analysis.info/int/METEOR_(metric)_(ES)#cite_note-arxiv_meteor_mamba-7)}. El modelo ha sido probado con éxito en benchmarks multimodales complejos, como MME, AI2D (comprensión de diagramas) y MathVista (resolución de problemas matemáticos en un contexto visual). Ha demostrado resultados sólidos sin requerir módulos externos adicionales de visión por computadora, lo que indica un uso eficiente de sus propios parámetros^{[\[7\]](https://systems-analysis.info/int/METEOR_(metric)_(ES)#cite_note-arxiv_meteor_mamba-7)}. ## Referencias 1. [↑](https://systems-analysis.info/int/METEOR_(metric)_(ES)#cite_ref-banerjee_2005_1-0) Banerjee, S., and A. Lavie. «METEOR: An Automatic Metric for MT Evaluation with Improved Correlation with Human Judgments». *ACL Workshop on Intrinsic and Extrinsic Evaluation Measures for MT*, 2005. [1] 2. [↑](https://systems-analysis.info/int/METEOR_(metric)_(ES)#cite_ref-lavie_2007_2-0) Lavie, A., and A. Agarwal. «METEOR: An Automatic Metric for MT Evaluation with High Levels of Correlation with Human Judgments». *ACL Workshop on Statistical Machine Translation*, 2007. [2] 3. [↑](https://systems-analysis.info/int/METEOR_(metric)_(ES)#cite_ref-ds_dojo_3-0) «Evaluating Large Language Models: Powerful Insights Ahead». *DataScienceDojo*. [3] 4. [↑](https://systems-analysis.info/int/METEOR_(metric)_(ES)#cite_ref-meteor_evolutionary_4-0) Li, J., X. Xu, and Y. Gao. «METEOR: Evolutionary Journey of Large Language Models from Guidance to Self-Growth». *arXiv preprint arXiv:2411.11933*, 2024. [4] 5. [↑](https://systems-analysis.info/int/METEOR_(metric)_(ES)#cite_ref-meteor_evolutionary_ar5iv_5-0) Li, J., X. Xu, and Y. Gao. «METEOR: Evolutionary Journey of Large Language Models from Guidance to Self-Growth». *ar5iv.org*. [5] 6. [↑](https://systems-analysis.info/int/METEOR_(metric)_(ES)#cite_ref-neurips_meteor_mamba_6-0) Lee, B.-K., et al. «Meteor: Mamba-based Traversal of Rationales for Large Language and Vision Models». *NeurIPS 2024 (poster)*. [6] 7. ↑ ^{[7.0](https://systems-analysis.info/int/METEOR_(metric)_(ES)#cite_ref-arxiv_meteor_mamba_7-0)} ^{[7.1](https://systems-analysis.info/int/METEOR_(metric)_(ES)#cite_ref-arxiv_meteor_mamba_7-1)} Lee, B.-K., et al. «Meteor: Mamba-based Traversal of Rationales for Large Language and Vision Models». *arXiv preprint arXiv:2405.15574*, 2024. [7]