Qué pasa con un archivo que subes
Los mismos cinco pasos se ejecutan para la biblioteca de curso de un profesor y para los apuntes de un estudiante. Nada de esto entrena un modelo; todo se queda en la UE.
- Paso 1Se extrae el texto
PDF, Word, PowerPoint y Excel se leen sin ninguna IA. Las imágenes y las páginas escaneadas pasan por Pixtral, un modelo de visión, que transcribe lo que ve.
unpdf · officeparser · Pixtral 12B
- Paso 2El texto se divide en fragmentos
Unos 800 tokens cada uno, cortados en límites de párrafo o de frase, con un solapamiento de 100 tokens para que una idea nunca quede partida entre dos fragmentos.
~3.200 caracteres, 400 de solapamiento
- Paso 3Cada fragmento recibe un embedding
mistral-embed convierte el fragmento en una lista de 1.024 números (un vector) que captura de qué trata. Los fragmentos sobre el mismo tema acaban con listas parecidas, sea cual sea la redacción o el idioma.
mistral-embed · 1.024 dimensiones · UE
- Paso 4Texto y vector se guardan juntos
En nuestro propio Postgres en Fráncfort, acotados a tu curso y a tu institución. Un índice vectorial (HNSW, distancia coseno) hace que la búsqueda sea instantánea.
pgvector · seguridad a nivel de fila
- Paso 5Una pregunta encuentra sus fuentes
La pregunta también se convierte en un vector. Los 8 fragmentos más cercanos de tu curso se entregan a Mistral Large como material de origen, y la respuesta cita el archivo entre corchetes.
los 8 mejores por coseno · Mistral Large
Los embeddings, explicados
Un embedding es una lista de 1.024 números que resume de qué trata un texto. Dos textos sobre la misma idea obtienen listas parecidas aunque no compartan ninguna palabra. Eso permite a Rubrica buscar por significado en lugar de por palabra clave.
Cada punto es un fragmento de un documento del curso, colocado según su significado. El punto resaltado es una pregunta. Las líneas van a los ocho fragmentos que el asistente lee antes de responder. Los vectores reales tienen 1.024 dimensiones; aquí se dibujan tres.
Qué hace
- Encuentra el párrafo que responde a "¿cómo se calcula el flujo de caja libre?" aunque la diapositiva diga "free cash flow".
- Funciona entre idiomas: material en inglés, preguntas en español.
- Se queda dentro de tu curso. Un fragmento de otro curso o de otra institución nunca es candidato.
Qué no es
- No escribe. Mistral Large escribe; el embedding solo encuentra.
- No entiende. Mide lo cerca que están dos significados, nada más.
- No se queda con tu texto. El texto vive en la base de datos; el vector es un índice que apunta a él.
- No es una búsqueda por palabra clave. Para "artículo 14.3" o una cifra exacta se usa directamente el texto almacenado.
Los modelos
Los tres son de Mistral AI (París) y se sirven desde infraestructura de la UE bajo condiciones de API que excluyen el entrenamiento con datos de clientes. No usamos modelos de OpenAI, Anthropic ni Google para tu contenido de aprendizaje.
| Modelo | Qué hace en Rubrica | Dónde se ejecuta |
|---|---|---|
| Mistral Large | Redacción y razonamiento: respuestas del asistente, cuestionarios, rúbricas, informes 360, contenido de diapositivas, consejos en la clase en directo. | Mistral AI, servido desde la UE |
| Pixtral 12B | Lectura de imágenes y páginas escaneadas adjuntas a un curso o a los apuntes de un estudiante. | Mistral AI, servido desde la UE |
| mistral-embed | Conversión de fragmentos y preguntas en vectores para poder encontrar el párrafo correcto. | Mistral AI, servido desde la UE |
Las valoraciones de compañeros y jurado nunca llegan a ningún modelo como votos individuales. Solo salen agregados de la base de datos, por diseño del propio esquema.
Por qué es útil para un profesor
- Crea a partir de tu propio material. Cuestionarios, criterios de evaluación, una página del curso y presentaciones (exportables a PPTX) redactados a partir de tus lecturas, no de internet.
- Mide el aula mientras das clase. Los alumnos marcan el pulso desde el móvil; el asistente lee la señal y sugiere cuándo frenar o seguir adelante.
- Evalúa con objetividad. Libro de calificaciones, jurado de proyectos con agregados anónimos e informes 360 que combinan cuestionarios, valoraciones entre compañeros y rúbricas.
- Respuestas que puedes comprobar. Cada respuesta fundamentada nombra el archivo del que procede.
Por qué es útil para un estudiante
- Tus apuntes se convierten en un tutor. Sube tus propios apuntes y haz preguntas; las respuestas salen de tu material, no de un modelo genérico.
- Exámenes y flashcards de lo que has estudiado de verdad. Generados a partir de tus documentos, acotados a ti.
- Privado por defecto. Tus apuntes son solo tuyos, salvo que decidas publicarlos en la comunidad.
- Solo UE, siempre. Rubric Student funciona en un modo que rechaza cualquier modelo no europeo, incluso como alternativa de respaldo.
Biblioteca y respuestas fundamentadas
La Biblioteca del curso, los adjuntos en el chat y las respuestas fundamentadas en tus documentos forman parte de los planes Pro e Institución. Las instituciones de la beta privada los tienen incluidos. Cada fragmento indexado se guarda en el espacio de tu institución en nuestra base de datos europea, y nada de ello se comparte con otras instituciones ni se usa para mejorar ningún modelo.
Base de datos en Fráncfort, Alemania Inferencia de IA en la UE Nunca se usa para entrenar
Las garantías detrás de todo esto
Dónde viven tus datos, quién puede verlos y qué nos comprometemos a cumplir por escrito.