Proyecto final de ICC-344-T: fine-tuning de BETO para question answering extractivo sobre noticias dominicanas, a partir del modelo base provisto por la cátedra (Lisibonny/modelo_qa_beto_squad_es_pdqa).

Configuraciones evaluadas sobre validation (15 preguntas), verificadas con 05_evaluate_qa.py:

Modelo final: Variante 5 — EM 73.33% y F1 80.15%, los valores más altos en ambas métricas. Frente al baseline son +13.33 EM y +4.31 F1; frente al Control, que es la comparación atribuible, +6.66 EM y +2.45 F1.

1. Solo el learning rate importó entre los hiperparámetros de entrenamiento. El Control alcanzó 66.67 / 77.70 entrenando 4 épocas más sin cambiar nada, es decir exactamente lo mismo que las Variantes 1 y 2. H1 (épocas) y H2 (weight decay) quedan refutadas: su mejora sobre el baseline no era atribuible al hiperparámetro. Sin el Control habrían parecido confirmadas — es el hallazgo metodológico central del trabajo.

2. Rotar folds por sí solo perjudica. La Variante 4 usa los hiperparámetros de la Variante 3 y bajó de 73.33 a 66.67: perdió la ganancia del learning rate. Cada fold ve 36 ejemplos en vez de 45, y con un dataset tan pequeño esa pérdida pesa más que el beneficio de promediar. H4 refutada.

3. Levantar el tope de longitud no es una mejora universal. Sobre el modelo con folds subió el EM a 73.33 y el F1 a 80.15, recuperando un ejemplo cuya referencia mide 18 tokens y era imposible de emitir con el tope de 15. Sobre el modelo sin folds (Variante 6) empeoró: eligió un span largo en una pregunta de respuesta corta que ya acertaba. H5 se confirma solo condicionalmente.

4. Los factores interactúan. El diseño de dos factores da un patrón cruzado en EM: sin folds 73.33 / 66.67 y con folds 66.67 / 73.33 para max_answer_len 15 / 30. Ninguno ayuda solo de forma consistente, pero la combinación da el mejor resultado. Con 15 preguntas, cada celda difiere en un ejemplo, así que es una observación, no un efecto demostrado.

5. Tres ejemplos fallaron en las ocho configuraciones: una pregunta cualitativa frente a un contexto lleno de cifras, una pregunta causal, y una respuesta compuesta de 27 tokens que enumera tres personas. Los tres requieren más datos de entrenamiento con esos patrones, no más ajuste de hiperparámetros.

La model card completa (hiperparámetros, experimentos, ablación, análisis de errores y limitaciones) está publicada como README.md de ese repositorio en Hugging Face, con copia en MODEL_CARD.md.

El checkpoint lleva max_answer_len=30 en su config.json. Para reproducir las métricas hay que aplicarlo, leyéndolo del propio config: