El Léxico Griego de Thayer, reconstruido a partir de los escaneos de 1889 — verificado entrada por entrada contra la página

Respuesta corta: El Greek–English Lexicon de Thayer (Edición corregida de 1889) es de dominio público, pero toda copia digital abierta de él tiene pérdidas. La mayoría desciende de una transcripción defectuosa; las que no, tienen pérdidas a su propia manera. Publifye lo reconstruyó a partir de los escaneos de las páginas: 716 páginas, 5,870 entradas, transcritas dos veces y cotejadas con un 98.91% de coincidencia a lo largo de 856,793 tokens, resolviendo los puntos disputados sobre las imágenes de las páginas, y pasando una segunda familia de modelos no relacionada como testigo independiente. Ya está disponible en Darash.

El Léxico Griego-Inglés de Thayer ha sido de dominio público durante más de un siglo, y no pudimos encontrar un texto digital de primera clase en ningún lugar en abierto. Lo decimos así deliberadamente: es una afirmación sobre una búsqueda documentada, no una prueba de inexistencia. Rastreamos todos los hábitats naturales antes de empezar —el ecosistema de aplicaciones bíblicas, software bíblico comercial, la comunidad de datos abiertos en GitHub, el ámbito académico continental, Perseus, las bibliotecas de investigación, Wikisource— y registramos por qué falló cada candidato.

Los fallos tienen una huella digital distintiva. Evaluamos a cada candidato en una entrada, βάπτισμα, contra la página impresa, que dice …Acts i. 22; x. 37; xviii. 25; [xix. 3]…. Cada dataset abierto y descargable de Thayer que probamos lo representa como Acts 18:25; (); —se omitió la referencia entre corchetes, dejando su puntuación huérfana. Ese error se cometió una vez, hace décadas, y los datasets que lo arrastran son los que la gente descarga hoy. No es una sutileza de formato: Thayer usa corchetes para marcar sus propias adiciones a Grimm, por lo que un texto que los omite borra la línea divisoria entre el trabajo de ambos hombres —un dataset abierto que medimos conserva 726 corchetes donde la página tiene 17,540.

Las copias alojadas en la web tampoco forman una sola familia, y vale la pena decirlo con claridad en lugar de dejar estar una versión más simplista: Blue Letter Bible conserva ese corchete. Pierde otras cosas: el sq. de Thayer y su asterisco final, la marca con la que indica que cada aparición de la palabra en el Nuevo Testamento está citada en la entrada. Ningún testigo digital que probamos preserva todo, que es exactamente la razón por la que cotejarlos no puede reconstruir la página. Y varios datasets ni siquiera son Thayer, sino conjuntos de glosas y esquemas con su nombre. En formato legible por máquina, el único Thayer completo que existía era un escaneo de tinta sobre papel: la Edición corregida de 1889 de Harper & Brothers, 716 páginas de cuerpo con texto denso en griego e inglés a dos columnas.

Así que lo reconstruimos a partir de los escaneos de las páginas. Todo. He aquí cómo, porque el cómo es la razón por la que se puede confiar en el resultado —y es la misma disciplina detrás de todo lo que ofrece Darash.

El modelo no paraba de recordar el Thayer equivocado

La transcripción comenzó de la manera obvia: mostrarle una página a un modelo de visión y obtener el texto. Falló de una forma inesperada y reveladora: la protección contra memorización del modelo saltaba continuamente. La digitalización defectuosa de Thayer, ampliamente replicada, está por todos los datos de entrenamiento de cada modelo, por lo que cuando el modelo veía una página real de 1889, reconocía algo lo bastante cercano a un texto memorizado y se negaba a transcribir para evitar recitarlo.

Piense en lo que eso significa: la versión corrupta de este libro es tan omnipresente que una IA no puede mirar el original sin verse perseguida por la copia. Ese es el problema condensado en una imagen. Es sugerente más que probado, pero las negativas a responder se concentran dentro de κύριος y χάρις, entre las entradas más citadas del libro y, por tanto, las más copiadas.

La salida fue la división en teselas (tiling): cortar cada columna en hasta dieciséis fragmentos, porque un fragmento más corto coincide con menos frecuencia con uno memorizado. Cuatro rutas de transcripción en orden progresivo —página completa, luego columna, luego teselas, y finalmente una segunda familia de modelos totalmente independiente—, asignando a cada página la ruta más económica que funcionara. Las páginas que ningún motor pudo procesar se transcribieron a mano; cada archivo manual contiene el comando exacto de recorte que generó la vista, de modo que un revisor pueda reproducir con precisión lo que vio el transcriptor.

Dos pasadas, un tercer testigo y jueces pagados para derribarlo

Cada página se transcribió luego dos veces por rutas diferentes —página completa frente a columna por columna— y se cotejaron ambas pasadas: 98.91% de concordancia a lo largo de 856,793 tokens en 685 páginas. Ambas pasadas corresponden al mismo modelo con una estructura de prompt distinta, y somos cautos sobre lo que eso aporta: es corroboración, no independencia. Dos ejecuciones de un mismo modelo pueden equivocarse con absoluta seguridad juntas, y una de ellas lo hizo: escribió [where donde la página dice [here, porque suena más natural en inglés. Así que se ejecutó una familia de modelos genuinamente independiente como tercer testigo; tiende a cometer errores distintos, y el suavizado de cada una aparece como una discrepancia. El acuerdo no es la verdad, pero el desacuerdo es un hallazgo: el cotejo redujo la cola de revisión de 716 páginas a 16 páginas más una lista clasificada de puntos concretos.

Luego vino la parte que la mayoría de los proyectos de digitalización omiten. Ningún modelo hizo este trabajo en solitario, y a ninguno se le pidió que evaluara su propio trabajo. El pipeline funcionó como un conjunto de agentes independientes con tareas en conflicto: una familia de modelos transcribiendo, otra no relacionada leyendo las mismas páginas como testigo, ejecutores aplicando correcciones, un agente de QA de producción que extrajo las 5,870 entradas del servicio en producción y auditó lo que realmente se estaba sirviendo, y cinco rondas de jueces adversarios —con instrucciones de derribar las afirmaciones, no de confirmarlas, y de concluir con una declaración de dónde no habían mirado o ver su veredicto descartado. Uno se negó a aceptar nuestros propios datos derivados como prueba de que no se había perdido ninguna entrada del diccionario, con el argumento correcto de que no se puede auditar algo utilizando un artefacto construido a partir de ello. En su lugar, recurrió a tres señales que la transcripción nunca tocó —los encabezados impresos en las páginas, una prueba de lagunas alfabéticas cuya propia exhaustividad midió primero, y un tercer modelo como lector independiente— y no pudo encontrar ninguna entrada perdida mediante ninguna de ellas.

Los jueces encontraron defectos reales. El más destacado: una página donde la tinta del escaneo parecía ἐνπ- en lugar de ἐντ-, lo que hizo saltar un cursor de coincidencia —y siete entradas desaparecieron silenciosamente dentro de su vecina, haciendo que un artículo corto creciera hasta los 8,295 caracteres. Una línea de resumen había informado de esto como out of order: 33, lo que parece un detalle menor de ordenación. Era una pérdida de datos. Un recuento no es una verificación —esa frase está ahora grabada en el proyecto.

La regla rectora

Una regla rigió cada reparación: nunca escribir un carácter que no esté en la página. Solo se permitía una corrección donde el mapeo no implicara juicio alguno, o donde la lectura correcta se tomara visualmente de la imagen de la página y se registrara como tal. Todo lo demás se mantuvo marcado. Hay un dígito en una referencia a Josefo que ningún ojo humano pudo resolver en el escaneo; se conserva como "?", porque un signo de interrogación honesto supera a una suposición confiada.

No se escatimó nada en esto. Las páginas que ningún motor devolvía se cortaron en hasta dieciséis fragmentos y luego se leyeron a mano. Se procesó una segunda copia física de las mismas planchas estereotípicas a 600 dpi para que cuatro dígitos en disputa pudieran resolverse comparando el entintado de dos impresiones distintas —porque en planchas idénticas una diferencia de glifo solo puede ser un daño, nunca una variante. Se ejecutaron jueces hasta que dejaron de encontrar cosas, y luego una vez más. Y la razón por la que el párrafo anterior termina con un signo de interrogación en lugar de un dígito es que el esfuerzo se dedicó a ser precisos, no a dar la apariencia de estar terminados.

Así que no es el 100%, y no diremos que lo sea. Cuando el operador preguntó exactamente eso —¿está al 100%?—, el agente de QA que auditaba el servicio en vivo respondió no, y enumeró seis defectos. Se corrigieron. El residuo restante se mide y publica en lugar de redondearse para disimularlo: 0.19% de discrepancia de tokens en las páginas leídas dos veces, un dígito de Josefo todavía como "?", y una pasada de verificación que es exhaustiva pero no uniforme. Un corpus que afirma ser perfecto te está diciendo que ha dejado de buscar.

Por último, cada una de las 5,870 entradas se leyó por completo contra la transcripción de sus propias páginas —entradas gigantes restituidas íntegramente, desórdenes de bloques en dos páginas reubicados donde el impresor realmente los colocó— hasta que se cumplieron las invariantes: cero entradas duplicadas, cero entradas vacías, cero omisiones silenciosas, conservación del texto probada de principio a fin, cada entrada demostrablemente un fragmento literal, ordenado y sin solapamientos de las páginas de donde fue extraída, y cada entrada portando el sha256 de su propio texto impreso para que una definición se pueda verificar contra una página.

Lo que esto no es, son 716 páginas cotejadas línea por línea contra las imágenes a simple vista, y la distinción importa lo suficiente como para manifestarla: la vista humana se dirigió a las discrepancias, a los puntos a los que nos remitieron los jueces y a páginas de muestra —no a cada línea del libro. En las trece páginas que el escáner capturó dos veces por casualidad, y que por tanto se transcribieron de forma independiente dos veces, la discrepancia de tokens con texto griego se sitúa en el 0.19% —alrededor de dos por página, principalmente acentos, iota suscrita y asimilación συν-/συγ-. Ese es el margen de error honesto.

Por qué una empresa bíblica hace esto

No por amor a las humanidades digitales. Tuvimos que hacer esto simplemente para poder ofrecer Thayer a la gente: no encontramos ningún texto de primera calidad para licenciar, comprar o tomar prestado. Cuando lo que ofrece el ecosistema abierto son textos con pérdidas y conjuntos de glosas con ese nombre, la única forma de poner el libro real en manos de los lectores es hacerlo existir.

Y porque la confianza en un motor de investigación no es una afirmación de marketing: es una propiedad del pipeline que lo alimentó. Cuando tu asistente de IA lee el griego contigo a través de Darash y cita a Thayer, la cita tiene que ser Thayer —el texto de 1889, no un conjunto de glosas con su nombre. Hasta donde llegó nuestro rastreo documentado de fuentes, este es el único Thayer digital de primera calidad disponible en abierto; y si alguien nos muestra uno mejor, será un buen día, no uno malo. Se incorporó a Darash el 2 de septiembre de 2026, retenido hasta que cada entrada sobrevivió a la verificación, porque un Thayer que no es Thayer no ayuda a nadie.

El mismo estándar rige para el resto del patrimonio —los léxicos, la morfología, las 4,200+ published editions—, y es el estándar que aportamos cuando construimos para iglesias, también. El rigor no es una característica que hayamos añadido. Es la empresa.

En cifras

Preguntas frecuentes

¿El Léxico Griego de Thayer es de dominio público?

Sí. El Greek–English Lexicon of the New Testament de Joseph Henry Thayer fue publicado por primera vez por Harper en 1887 —su prefacio está fechado en 1886, de donde proviene la fecha citada habitualmente— y corregido en 1889. Ambos están libres de derechos de autor desde hace mucho tiempo. El problema no son los derechos, sino la calidad de las copias digitales.

¿Por qué no son fiables las versiones gratuitas en línea de Thayer?

La mayoría de las descargables descienden de una única digitalización temprana con defectos compartidos demostrables (referencias entre corchetes omitidas, puntuación huérfana, entradas fusionadas). Las que no, presentan pérdidas de otras formas —abreviaturas omitidas, asteriscos finales omitidos— y ninguna de las copias que probamos preserva todo lo que contiene la página impresa. Varias son compendios o listas de glosas en lugar de contener en absoluto el texto de Thayer.

¿Dónde puedo utilizar el Thayer reconstruido?

Dentro de Darash, junto con BDB, LSJ y Abbott-Smith, a través de cualquier asistente de IA compatible con MCP como Claude o Cursor. darash.publifye.pro ofrece una prueba gratuita de todo el corpus.

¿Cómo se verificó la precisión?

Dos pasadas de transcripción por rutas diferentes cotejadas token por token, una tercera pasada de una familia de modelos no relacionada como testigo independiente, revisores adversarios con instrucciones de derribar la afirmación de que no se perdieron entradas, pruebas de encabezados y de lagunas alfabéticas que no compartían ninguna infraestructura con la transcripción, y una lectura final de cada entrada —resolviendo los puntos en disputa directamente sobre la imagen de la página.

---

Lee el griego con el auténtico Thayer: conecta tu asistente de IA a Darash — prueba gratuita, nada que instalar.

Escrito por Jørn André Halseth, fundador de Publifye AS — diez años publicando Biblias y construyendo las imprentas en las que se producen, editor de 4,200+ ediciones bíblicas y autor de Darash, Junifye, Lexifye y Tringine. Acerca de · Contacto