---
title: "Safety Map: 39 LLM y los datos sensibles (BroadNet) | BroadRouter"
description: "BroadNet evaluó 39 LLM de 14 laboratorios con credenciales, PII, datos de salud y financieros: qué se transfirió, qué no, y las fugas por tool calls y razonamiento."
url: https://broadrouter.com/es/blog/llm-safety-map-39-models/
lang: es
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/blog/llm-safety-map-39-models/) (actualizado el 2026-11-16).

# El Safety Map: cómo tratan 39 LLM los datos sensibles

Por el equipo de BroadNet Inference · 3 min de lectura · Publicado 2026-11-15 · Actualizado 2026-11-16

El Safety Map es un preprint de BroadNet de abril de 2026 (DOI 10.5281/zenodo.19688433). Probó 39 modelos de 14 laboratorios con 7 sondas sobre credenciales, PII, datos de salud, números de cuenta y escaneo DLP, en unas 1,300 evaluaciones de varias ejecuciones. La seguridad no se transfirió entre categorías ni entre canales de salida: 20 de 73 ejecuciones que rellenaron argumentos de tool calls filtraron datos por ellos.

## Puntos clave

-   Preprint en Zenodo, DOI 10.5281/zenodo.19688433, 22 de abril de 2026, CC BY 4.0. Sin revisión por pares.
-   39 modelos, 14 laboratorios, 7 escenarios de sondeo, 5 categorías de datos sensibles, unas 1,300 evaluaciones de varias ejecuciones.
-   Tres ejes se combinan: la arquitectura, la generación del modelo y la inversión del laboratorio en alineación. Ninguno predice la seguridad por sí solo.
-   Los canales de salida filtran de forma independiente: 20 de 73 ejecuciones con tool calls y 29 de 43 ejecuciones con razonamiento contenían valores sensibles.
-   BroadNet convirtió los hallazgos en LSDF, un firewall de código abierto (Apache-2.0) para el tráfico compatible con OpenAI.

**En esta página**

1.  ¿Qué abarcó el estudio?
2.  ¿Cuáles son los principales hallazgos?
3.  ¿Qué debería cambiar en su propio stack?
4.  ¿Qué es LSDF?
5.  ¿Cuáles son los límites?

El Safety Map es el estudio de BroadNet sobre cómo manejan los datos sensibles los grandes modelos de lenguaje. El preprint, _The Safety Map: What Does and Doesn’t Transfer in LLM Sensitive-Data Handling_ (Traducción: El mapa de seguridad: qué se transfiere y qué no en el manejo de datos sensibles por los LLM), se publicó en Zenodo el 22 de abril de 2026 con el DOI [10.5281/zenodo.19688433](https://doi.org/10.5281/zenodo.19688433), y su autor es Mohammad Al Zubaidi. Es el complemento del [método de evaluación de datos sensibles](https://broadrouter.com/es/blog/llm-sensitive-data-safety-evaluation-method/) de BroadNet.

Lo que sigue es nuestro resumen del abstract y de la página de investigación de BroadNet. Los veredictos son de BroadNet.

## ¿Qué abarcó el estudio?

| Dimensión | Cobertura |
| --- | --- |
| Modelos | 39, de 14 laboratorios independientes |
| Escenarios de sondeo | 7 |
| Categorías | Credenciales, PII, información de salud protegida (PHI), números de cuentas financieras, escaneo de prevención de pérdida de datos (DLP) |
| Evidencia | Más de 135 combinaciones clasificadas de modelo y sonda, a partir de unas 1,300 evaluaciones de varias ejecuciones |

El catálogo de BroadNet indica que ha pasado unos 90 modelos remotos y de API, que nunca ejecutó en su propio hardware, por sus bancos de pruebas de seguridad, enrutamiento y árabe, y que esos hallazgos alimentan este mapa.

## ¿Cuáles son los principales hallazgos?

**La seguridad es una superficie, no una puntuación única.** Varía a lo largo de tres ejes que se combinan:

-   **Arquitectura.** El artículo reporta un umbral de capacidad de unos 24B parámetros activos en credenciales, en distintos diseños de enrutamiento, con los modelos mixture-of-experts de pocos parámetros activos como caso principal.
-   **Generación.** La calidad de la alineación desplaza el límite dentro de una misma familia de modelos.
-   **La inversión del laboratorio en alineación.** La etiqueta de modelo insignia de un laboratorio conocido no es una garantía.

Ninguno de los tres predice la seguridad por sí solo; se combinan.

**La seguridad no se transfiere entre categorías.** Manejar bien las credenciales y los números de la Seguridad Social no se trasladó a los nombres, los historiales de salud ni los números de cuenta en el mismo modelo.

**Los canales de salida filtran de forma independiente.** Este es el hallazgo con más peso práctico:

-   De 73 ejecuciones que rellenaron `tool_calls.arguments`, 20 enviaron valores sensibles a través del tool call. Entre los modelos detrás de esas ejecuciones estaba Kimi K2.6 de Moonshot, probado el día de su lanzamiento, un modelo que el artículo califica por lo demás como seguro en varias ejecuciones en credenciales, PII, datos financieros y DLP.
-   De 43 ejecuciones en las que el proveedor rellenó `reasoning_content` con al menos 20 caracteres, 29 filtraron valores sensibles en el razonamiento mientras la respuesta del chat se calificaba como segura, omitida o truncada.

**La poda puede romper la seguridad.** Dos versiones podadas independientes de la línea Llama de Meta, creadas por NVIDIA con búsqueda de arquitectura neuronal, rompieron la seguridad de los datos de salud a través de distintos canales de salida.

El artículo termina con una clasificación en cinco niveles. Su grupo superior, uniformemente seguro en todas las categorías probadas, lo forman Claude Opus 4.7, GPT-5.4 y GPT-5.4-mini, Gemini 3 Flash y Gemini 3.1 Pro. El abstract indica que los modelos insignia de xAI Grok y Meta Llama no entran en ese grupo.

## ¿Qué debería cambiar en su propio stack?

1.  **Filtre todos los canales.** Revisar la respuesta visible no detecta los argumentos de los tool calls ni los campos de razonamiento. Si usa [tool calling](https://broadrouter.com/es/glossary/tool-calling/) o un modelo de razonamiento, inspeccione ambos.
2.  **Pruebe por categoría.** Un resultado limpio en credenciales no dice nada sobre datos de salud o salariales.
3.  **Vuelva a probar cuando se actualicen los modelos.** El resultado de Kimi K2.6 vino de un modelo el día de su lanzamiento.
4.  **Oculte primero los datos cuando pueda.** Un modelo no puede filtrar lo que nunca vio. Nuestra [guía de datos sensibles](https://broadrouter.com/es/blog/llm-api-sensitive-data/) muestra la sustitución por marcadores en Python.

## ¿Qué es LSDF?

LSDF, el LLM Sensitive Data Firewall, es el control que BroadNet construyó a partir de estos dos artículos y publicó como código abierto bajo Apache-2.0 en [github.com/brntech/lsdf](https://github.com/brntech/lsdf). Es un proxy inverso para la API de chat completions compatible con OpenAI: usted apunta la base URL de su cliente hacia él, y él reenvía al servidor del modelo o a su proveedor. BroadNet afirma que inspecciona solicitudes, respuestas, fragmentos en streaming, argumentos de tool calls en streaming, contexto recuperado y campos de razonamiento, y que sanea por separado las trazas y los registros.

La evaluación de BroadNet de mayo de 2026 sobre sus propios corpus reporta este recall:

| Pila de detectores | Repetición de credenciales | PHI clínica | PII amplia en inglés |
| --- | --- | --- | --- |
| Solo regex | 0.944 | 0.019 | 0.208 |
| Microsoft Presidio | 0.194 | 0.056 | 0.326 |
| Detectores de PII amplia de LSDF | 1.000 | 0.944 | 0.685 |

Son cifras de un proveedor sobre su propia herramienta, con corpus que él eligió. Sirven como punto de partida, y el repositorio incluye la repetición para que usted pueda comprobarlas. LSDF funciona delante de cualquier modelo, incluidos los que BroadNet no aloja.

## ¿Cuáles son los límites?

El artículo es un preprint, sin revisión por pares. Según la política de publicación responsable de BroadNet, los prompts exactos, los formatos de credenciales y los umbrales se excluyen de la versión pública y se comparten con proveedores de modelos e investigadores que los soliciten. Las versiones de los modelos cambian rápido, así que un veredicto de abril de 2026 es un motivo para probar, no un sustituto de las pruebas.

Herramientas gratuitas sobre este tema (en inglés)

-   [OpenAI-compatible API request builder](https://broadrouter.com/tools/api-request-builder/) One request, copied as curl, Python, Node or the OpenAI SDKs.
-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.

[Herramientas gratuitas (en inglés)](https://broadrouter.com/tools/)

## Términos de este artículo

[PII (información de identificación personal)](https://broadrouter.com/es/glossary/pii/)

La PII (información de identificación personal) es información que permite distinguir o rastrear la identidad de una persona, como su nombre, un número de identificación o un registro biométrico, más otra información vinculable a ella. El RGPD habla de datos personales, un término más amplio. Con LLMs, se anonimiza antes de que los prompts salgan de sus sistemas.

[Streaming (respuestas en tiempo real)](https://broadrouter.com/es/glossary/streaming/)

El streaming es una forma de devolver la respuesta de un modelo de lenguaje en pequeños fragmentos mientras aún se genera, en lugar de una sola respuesta al final. Las APIs compatibles con OpenAI hacen streaming mediante server-sent events cuando la solicitud define stream como true.

[API de Chat Completions](https://broadrouter.com/es/glossary/chat-completions-api/)

La API de Chat Completions es el endpoint HTTP de OpenAI, POST /v1/chat/completions, que recibe un nombre de modelo y una lista de mensajes etiquetados con su rol y devuelve el siguiente mensaje del modelo. Su forma de solicitud y respuesta se convirtió en el formato común que reutilizan los proveedores y SDKs compatibles con OpenAI.

[Llamadas a herramientas (tool calling)](https://broadrouter.com/es/glossary/tool-calling/)

Las llamadas a herramientas (tool calling), también llamadas function calling, son una función de las APIs de LLM en la que el modelo devuelve una solicitud estructurada para ejecutar una función definida por el desarrollador, con argumentos JSON. La aplicación ejecuta la función y devuelve el resultado; el modelo nunca ejecuta código.

[Mixture of experts (MoE, mezcla de expertos)](https://broadrouter.com/es/glossary/mixture-of-experts/)

Mixture of experts (MoE, mezcla de expertos) es un diseño de red neuronal en el que una capa contiene muchas subredes expertas y un router aprendido envía cada token solo a unas pocas. Un modelo de lenguaje MoE tiene un número total de parámetros grande, pero usa un pequeño subconjunto activo por token.

[URL base (base URL)](https://broadrouter.com/es/glossary/base-url/)

La URL base es la dirección raíz fija de una API, como https://api.example.com/v1, que un cliente antepone a cada ruta de endpoint, como /chat/completions. En los SDKs compatibles con OpenAI, cambiar la URL base, junto con la clave de API y el ID del modelo, dirige el mismo código a otro proveedor.

[Licencia de modelo (model license)](https://broadrouter.com/es/glossary/model-license/)

La licencia de un modelo son los términos legales bajo los que se pueden usar, modificar y compartir sus pesos, su código y sus salidas. Los modelos de pesos abiertos usan licencias de software estándar como Apache 2.0 o MIT, o licencias propias que pueden añadir condiciones, como límites a grandes servicios comerciales.

## Preguntas frecuentes

### ¿Qué modelos obtuvieron mejores resultados en el Safety Map?

El resumen sitúa en la cima un grupo de alineación de frontera, uniformemente seguro en todas las categorías probadas: Claude Opus 4.7, GPT-5.4 y GPT-5.4-mini, Gemini 3 Flash y Gemini 3.1 Pro. Claude Sonnet 4.6 queda justo por debajo, con una fuga de datos de salud limitada a la fecha de nacimiento en 15 ejecuciones.

### ¿Un modelo que nunca filtra claves de API es seguro con datos de pacientes?

No necesariamente. El artículo encontró que la seguridad se disocia por categoría: un modelo que protegió credenciales, números de la Seguridad Social estadounidense y contraseñas de bases de datos aun así podía nombrar a empleados de un documento salarial en cada ejecución.

### ¿Por qué importan los tool calls?

Porque muchos filtros solo revisan la respuesta del chat. De 73 ejecuciones en las que el modelo rellenó argumentos de tool calls, 20 enviaron valores sensibles por ese canal, incluso en un modelo que por lo demás era seguro en varias ejecuciones.

### ¿Los modelos mixture-of-experts pequeños filtran más?

El artículo reporta un umbral de capacidad de unos 24B parámetros activos en credenciales, y los diseños mixture-of-experts con pocos parámetros activos son su principal manifestación. La publicación de BroadNet para profesionales dice que todavía no ha encontrado un modelo MoE con menos de 24B parámetros activos que no filtre en sus sondas de datos estructurados.

### ¿Los modelos de BroadNet Inference están en el Safety Map?

El resumen no ofrece veredictos por modelo para ellos, y el preprint es de abril de 2026, así que un modelo lanzado después no puede figurar en él. Gemma 4 VL 26B tiene unos 4B parámetros activos, así que pruébelo con sus propias sondas de datos sensibles, u oculte los datos antes de enviarlos, si va a ver credenciales o datos personales.

## Siga leyendo

-   [Cómo evaluar la seguridad de un LLM con datos sensibles (BroadNet)](https://broadrouter.com/es/blog/llm-sensitive-data-safety-evaluation-method/)
-   [Datos sensibles en una API de LLM: ocultar, minimizar, registrar menos](https://broadrouter.com/es/blog/llm-api-sensitive-data/)
-   [Tool calling con modelos abiertos: esquemas, paralelismo, reintentos](https://broadrouter.com/es/blog/tool-calling-open-models/)
-   [Tokens de razonamiento: por qué paga más salida de la que ve](https://broadrouter.com/es/blog/reasoning-tokens-cost/)
-   [Ley de protección de datos de Egipto (Ley 151 de 2020) y API de LLM](https://broadrouter.com/es/blog/egypt-data-protection-law-llm-api/)
-   [PDPL de Arabia Saudita y EAU y API de LLM: checklist de transferencias](https://broadrouter.com/es/blog/saudi-uae-pdpl-llm-api-checklist/)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-llm-safety-map-39-models&utm_content=page-cta) ·

**Fuentes**

-   [Al Zubaidi, The Safety Map: What Does and Doesn't Transfer in LLM Sensitive-Data Handling, preprint en Zenodo, 2026-04-22 (registro consultado el 2026-11-15)](https://doi.org/10.5281/zenodo.19688433)
-   [BroadNet Research: hallazgos clave del Safety Map (consultado el 2026-11-15)](https://www.broadnet.ai/es/research)
-   [Blog de BroadNet, The firewall behind our LLM safety research is now open source (9 de septiembre de 2026; consultado el 2026-11-15) (en inglés)](https://www.broadnet.ai/blog/open-source-sensitive-data-firewall)
-   [Repositorio de LSDF, Apache-2.0 (consultado el 2026-11-15)](https://github.com/brntech/lsdf)
-   [Catálogo de modelos de BroadNet: modelos remotos y de API evaluados (consultado el 2026-11-15)](https://www.broadnet.ai/es/inference/models)
