Quién es Hayk Grigorian y qué es TimeCapsuleLLM
Hayk Grigorian es un estudiante de informática del Muhlenberg College (Pensilvania, Estados Unidos) que creó TimeCapsuleLLM, un modelo de lenguaje entrenado desde cero solo con textos publicados en Londres entre 1800 y 1875 [1][2]. La idea es sencilla: si el modelo nunca ha leído nada posterior a 1875, no puede «disfrazarse» de victoriano, simplemente lo es. Grigorian lo explica así en su repositorio: si ajustas un modelo ya entrenado con internet, ese conocimiento moderno no desaparece; si entrenas desde cero, el modelo no finge ser antiguo [1].
El proyecto es de código abierto (licencia MIT), cuenta con la supervisión académica del profesor Hamed Yaghoobian y publica sus modelos y datos en Hugging Face [1][3].

Las versiones del modelo, con datos del propio repositorio
La versión anterior de este artículo hablaba de «7.000 textos» y decía que todo se entrenó con una tarjeta gráfica doméstica. Las cifras del repositorio son estas [1]:
| Versión | Datos de entrenamiento | Parámetros | Base | Hardware |
|---|---|---|---|---|
| v0 | ~187 MB (50 archivos) | 16 M | nanoGPT | RTX 4060, i5-13400F, 16 GB RAM |
| v0.5 | ~435 MB | 123 M | nanoGPT | El mismo equipo doméstico |
| v1 | ~6,25 GB | 700 M | Phi 1.5 de Microsoft (arquitectura) | GPU A100 alquilada |
| v2 | 90 GB en bruto, 136.344 documentos | 1.200 M | Arquitectura tipo Llama | GPU H100 alquilada |
La corrección importa: el equipo doméstico sirvió para las primeras versiones pequeñas. Los modelos que de verdad dicen algo con sentido se entrenaron con GPU de centro de datos alquiladas. Sigue siendo accesible para un investigador o una universidad, pero no es «cualquier PC gamer». El repositorio no indica fechas de cada versión y anuncia que ya trabaja en una v3 que irá más allá de Londres [1].
El autor también es honesto con los resultados: v0 producía frases de época pero incoherentes, y de v0.5 dice que aún tenía una tasa alta de alucinaciones factuales y que en las respuestas aparecía ruido del escaneo, como la marca «Digitized by Google» [1].
El caso «1834 en Londres»
La historia que hizo famoso el proyecto en agosto de 2025: Grigorian escribió al modelo v1 el inicio «It was the year of our Lord 1834» y el texto generado hablaba de calles de Londres «llenas de protestas y peticiones» y mencionaba a Lord Palmerston [1]. Él pensó que era casualidad, buscó y encontró que en 1834 hubo protestas reales [2].
Los hechos históricos encajan en lo general: 1834 es el año de la Ley de Enmienda de la Ley de Pobres, que provocó una fuerte oposición en Inglaterra [4], y Palmerston era entonces ministro de Asuntos Exteriores [5]. Pero conviene no exagerar. El texto del modelo es confuso, mezcla frases sin mucho sentido y no establece ninguna relación causal clara. Lo que demuestra es que un modelo pequeño puede asociar un año con el clima político y con un nombre propio relevante porque esas palabras aparecen juntas en miles de documentos de la época. No demuestra que «reconstruya» la historia ni que sus datos sean fiables.

Cómo se construye una cápsula del tiempo de texto
El repositorio describe el proceso en pasos [1]:
- Reunir textos de dominio público del periodo y lugar elegidos: libros, documentos legales, periódicos.
- Limpiar encabezados, notas modernas y errores de OCR. Un poco de metadato del siglo XXI basta para contaminar el resultado.
- Entrenar un tokenizador propio con esos textos, para que el vocabulario refleje el inglés de la época.
- Entrenar el modelo desde cero, sin partir de uno preentrenado con internet.
Con la v2, el autor añadió informes de sesgo del propio corpus: de pronombres, geográfico y temporal [1]. Es una buena práctica que pocos proyectos comerciales publican.
Límites que conviene tener presentes
- Representa a quien escribía, no a toda la sociedad. Los textos que sobreviven del siglo XIX son sobre todo de autores, prensa e instituciones. Hackaday señala que no está claro hasta qué punto un modelo así puede ser preciso en detalles cotidianos, porque esos documentos recogen menos trivialidades que el internet actual [6].
- Sigue alucinando. Que suene a época no significa que diga la verdad. Hay que verificar cada nombre, fecha y hecho con fuentes externas.
- No es el único. El propio repositorio enumera otros modelos «de época», como Ranke-4B, entrenado con datos históricos hasta distintos años de corte, o TypewriterLM, con texto anterior a 1913 [1].
¿Qué puede aprender una empresa de esto?
No hace falta entrenar un modelo desde cero para aprovechar la lección. Yo la resumo así: lo que un modelo sabe depende de lo que lee, y lo que no está en sus datos no lo puede inventar con fundamento. Para una empresa, eso se traduce en tres hábitos útiles:
- Curar las fuentes que das a tu asistente: manuales vigentes, políticas aprobadas, catálogo actual. Mejor pocas y buenas que todo el disco compartido.
- Acotar en el tiempo: retirar documentos obsoletos para que no responda con precios o normas de hace dos años.
- Verificar por entidades: separar en cada respuesta los nombres, cifras y fechas, y comprobarlos antes de publicar.
Si quieres ver cómo se aplica este criterio a agentes de trabajo reales, lo explico en la guía de agentes de IA en empresas, y los riesgos éticos de los datos de entrenamiento en ética en IA aplicada.
Fuentes y referencias
Fuentes consultadas el 3 de noviembre de 2026.
- [1] GitHub: haykgrigo3/TimeCapsuleLLM, repositorio y documentación del proyecto, consultado en noviembre de 2026.
- [2] CO/AI: Student's AI model accidentally reconstructs real 1834 London protests through adjacent historical data, agosto de 2025.
- [3] Hugging Face: colección TimeCapsuleLLM 1800-1875 London, consultado en noviembre de 2026.
- [4] Wikipedia: Poor Law Amendment Act 1834, consultado en noviembre de 2026.
- [5] Wikipedia: Henry John Temple, 3rd Viscount Palmerston, consultado en noviembre de 2026.
- [6] Hackaday: Living in the LLM past, 9 de febrero de 2026.
