← Todas las noticias

IBM publica el lenguaje de marcado LLMON y los modelos preliminares Granite 4.1 LLMON: instrucciones y datos como bloques direccionables

IBM publicó el 12 de noviembre de 2026, en un blog de Hugging Face, el lenguaje de marcado LLMON y dos modelos preliminares experimentales basados en Granite 4.1. Según IBM, reducen notablemente la tasa de éxito de ataques en pruebas estáticas de inyección indirecta de prompts como OPI, y su capacidad general es equiparable a la de Granite 4.1 Instruct.

Publicado Actualizado
Portada de la noticia original — IBM publica el lenguaje de marcado LLMON y los modelos preliminares Granite 4.1 LLMON: instrucciones y datos como bloques direccionables
Portada de la noticia originalNoticia original ↗

Qué ha cambiado

Según un blog de Hugging Face publicado por IBM el 12 de noviembre de 2026, el equipo presentó LLMON (LLM Object Notation), un lenguaje de marcado, y publicó dos modelos preliminares experimentales: granite-4.1-3b-LLMON-preview y granite-4.1-8b-LLMON-preview. Estos modelos parten de los checkpoints base de Granite 4.1, no de los modelos Instruct ya publicados, y aprenden a leer y escribir LLMON durante el posentrenamiento. El blog explica la idea: las plantillas de chat habituales solo indican al modelo a qué rol pertenece un fragmento, mientras que LLMON especifica además qué es cada fragmento y cómo se relacionan entre sí; en un turno de conversación, las instrucciones, los datos y las restricciones se convierten en bloques direccionables por separado, y un bloque exec declara sobre qué datos se ejecuta qué instrucción, con qué requisitos y dónde se escribe la salida. LLMON usa seis delimitadores implementados como tokens especiales reservados, en lugar de caracteres normales como llaves y comillas, para marcar la estructura; los fragmentos que no son invocados por un bloque de ejecución solo sirven como material de lectura. El blog afirma que, en la prueba OPI, LLMON resistió un 47% más de ataques que el mejor modelo de frontera probado y un 95% más que el mejor modelo de código abierto, y que en ASB y StruQ se observa una tendencia similar; estas pruebas miden inyección indirecta de prompts estática. El blog también aclara que se trata de un comportamiento aprendido, no de una regla garantizada por imposición. Los modelos se publican como vista previa experimental y el blog indica explícitamente que no son aptos para entornos de producción.

Impacto para desarrolladores

Para los desarrolladores, este lanzamiento cambia menos la elección de modelo que la forma de construir los mensajes. Si se adopta LLMON, cada componente del prompt debe nombrarse explícitamente y especificar si lo vincula un bloque de ejecución, lo que en la práctica traslada al código de la aplicación las convenciones de rol que antes se concentraban en el prompt del sistema. La integración tiene al menos dos implicaciones. Primero, los modelos preliminares LLMON incluyen su propia plantilla de chat; basta con construir la lista de messages como de costumbre y llamar a apply_chat_template para renderizar los bloques LLMON; sin embargo, la fuente no indica si los frameworks de inferencia de terceros y las pasarelas admiten esta plantilla y los tokens reservados, por lo que un servicio propio debe verificar por su cuenta la compatibilidad del tokenizador y la plantilla. Segundo, el blog afirma que la mayoría de los equipos con canalizaciones basadas en JSON no necesitan reescribir nada, ya que su herramienta de conversión pasa de JSON a LLMON y viceversa sin pérdidas y permite etiquetas personalizadas, y luego se puede ajustar un LoRA sobre un modelo LLMON. Esto implica que existe una posible migración gradual de las canalizaciones de datos estructurados ya existentes, pero la equivalencia tras la conversión debe verificarse por cuenta propia. Sobre el coste de inferencia, el blog afirma que los ID de bloque se toman fijamente de un conjunto que un tokenizador codifica como un solo token y que direccionar un bloque cuesta siempre dos tokens; esto solo describe el coste de direccionamiento según la fuente y no implica una reducción del coste total del contexto. En seguridad, los beneficios que presenta el blog solo cubren la inyección estática, y sus autores dicen estar mejorando la resistencia frente a ataques adaptativos de varios turnos, que es la forma de amenaza más habitual en los bucles de herramientas de los agentes. Para aplicaciones de RAG y de llamada a herramientas que insertan documentos recuperados o respuestas de herramientas directamente en el contexto, esta distinción merece una evaluación aparte; pero la fuente no ofrece detalles de pruebas generales más allá de la comparación con Granite 4.1 Instruct.

Integración y evaluación

Recomendación uno: usar la tasa de éxito de ataques de inyección indirecta como umbral de entrada para decidir si probarlo. El cambio clave de esta información es la separación explícita entre instrucciones y datos, y que los fragmentos no invocados no actúan como órdenes. Una opción es inyectar un conjunto fijo de muestras de ataque en los prompts y datos de recuperación del actual Granite 4.1 3B u 8B, y medir por separado el modelo Instruct original y la vista previa LLMON; las métricas serían la tasa de éxito de los ataques y la tasa de finalización de tareas sobre el mismo lote de muestras. Esta comparación solo tiene sentido cuando la carga de trabajo incluye documentos, páginas web o respuestas de herramientas externas que se insertan en el contexto; si todas las entradas provienen de fuentes de confianza, la diferencia medible en seguridad podría ser pequeña. Recomendación dos: tratar la introducción del vínculo exec como una decisión de diseño en la capa de aplicación. Una opción es dividir primero el prompt actual en Mellea o en la capa de plantilla en partes nombradas como instruction, data y requirement, y luego ver si el modelo ejecuta según los bloques exec. El requisito es contar con un entorno de evaluación que pueda asumir la reescritura del código de construcción de prompts, y la métrica es si la tasa de respuestas correctas y la proporción de fragmentos irrelevantes arrastrados a la respuesta en el mismo conjunto de tareas se mantienen iguales o mejoran respecto a la versión original. El blog afirma que la capacidad general es equiparable a la de Granite 4.1 Instruct, pero esto debe comprobarse en las propias tareas y no debe tomarse directamente como conclusión. Recomendación tres: cuando haya llamadas a herramientas o bucles de agentes, incluir ataques adaptativos de varios turnos en la evaluación. La fuente reconoce que las pruebas actuales solo miden inyección estática, por lo que un buen resultado en pruebas estáticas no equivale al mismo resultado frente a ataques de varios turnos; la métrica podría ser la tasa de ejecución cuando se insertan instrucciones maliciosas en respuestas de herramientas a lo largo de varios turnos consecutivos. Todo lo anterior son análisis y recomendaciones basados en la fuente, no conclusiones verificadas.

Límites y cuestiones pendientes

Ninguno de los dos modelos preliminares LLMON aparece por ahora en el catálogo en línea de KimiSeek; la descripción de su disponibilidad en este artículo se refiere únicamente al lanzamiento por parte de IBM y Hugging Face y no a este sitio. El blog los califica explícitamente de vista previa experimental, no aptos para producción; la resistencia a la inyección de prompts es un comportamiento aprendido durante el entrenamiento y los propios autores insisten en que no es una garantía impuesta. Su comparación publicada sobre resistencia a la inyección se centra en tres tipos de pruebas estáticas de inyección indirecta de prompts: OPI, ASB y StruQ; la resistencia a ataques adaptativos de varios turnos sigue en mejora, y la comparación de capacidad general solo se hace contra Granite 4.1 Instruct. La fuente no ofrece los términos de licencia, los requisitos de memoria de GPU o despliegue, ni el soporte de frameworks de inferencia de terceros, y tampoco menciona precios de API; todo esto debe verificarse por cuenta propia antes de adoptarlos.

Ilustraciones de la noticia original

Ilustración de la noticia original 1 — IBM publica el lenguaje de marcado LLMON y los modelos preliminares Granite 4.1 LLMON: instrucciones y datos como bloques direccionables
Ilustración de la noticia original 1Noticia original ↗
Ilustración de la noticia original 2 — IBM publica el lenguaje de marcado LLMON y los modelos preliminares Granite 4.1 LLMON: instrucciones y datos como bloques direccionables
Ilustración de la noticia original 2Noticia original ↗
Ilustración de la noticia original 3 — IBM publica el lenguaje de marcado LLMON y los modelos preliminares Granite 4.1 LLMON: instrucciones y datos como bloques direccionables
Ilustración de la noticia original 3Noticia original ↗

Tres minutos hasta la primera llamada

Crea una cuenta y una clave de API. El coste de las llamadas se descuenta de tu saldo. 30 % de descuento en tu primera recarga. Recarga ¥500, paga ¥350, recibe ¥500 de saldo. Recarga ¥1000, paga ¥850, recibe ¥1000 de saldo La recarga mínima sigue siendo de ¥10, adecuada para pruebas.

Fuentes y proceso editorial

LLMON:一种面向 LLM 的原生标记语言,现已用于 Granite 4.1 3B 与 8B

La IA ayudó con el análisis y la traducción de las fuentes citadas, seguidos de controles automáticos. Las recomendaciones no son resultados de pruebas. Consulta el catálogo actual para precios y disponibilidad.