Un año entero del BOE para el corpus: 45 millones de tokens legales sin derechos de autor

Durante la noche, mientras la GPU afinaba el modelo, hemos descargado doce meses del Boletín Oficial del Estado por su API de datos abiertos: de noviembre de 2025 a octubre de 2026.

Qué contiene

• Solo las secciones normativas: disposiciones generales (leyes, reales decretos, órdenes) y otras disposiciones (resoluciones, convenios). Fuera quedan nombramientos, oposiciones, anuncios y justicia, que son listas con datos personales y poco valor lingüístico.
• 9.200 documentos, unos 45 millones de tokens, 83 MB comprimidos. Cada documento lleva su identificador, fecha, sección, departamento y enlace al original.
• Correos y teléfonos eliminados antes de guardar, por si algún anexo los incluía.

Por qué importa

Las disposiciones oficiales no tienen derechos de autor, por el artículo 13 de la Ley de Propiedad Intelectual. Es el único corpus grande en español del que podemos decir sin matices que su uso es libre, y además es justo el lenguaje que necesitan despachos, gestorías y administraciones. Entra en la mezcla de entrenamiento del modelo propio desde el ensayo de esta madrugada, y servirá para una versión del asistente especializada en normativa.

El descargador respeta una petición por segundo y se puede relanzar mes a mes; completar un año ha llevado unas ocho horas en segundo plano.