Ir al contenido principal

Glosario de IA Models & Architecture

¿Qué es el fine-tuning en IA?

← Todos los términos del glosario
En pocas palabras

Seguir entrenando un modelo ya preentrenado con un conjunto de datos más pequeño y específico para que se comporte como necesitas.

Explicación

El fine-tuning parte de un modelo ya preentrenado con grandes volúmenes de datos generales y lo sigue entrenando con un conjunto pequeño de ejemplos de tu dominio o tarea. Cambian los pesos del modelo, así que el nuevo comportamiento queda dentro del modelo y no hay que escribirlo en cada prompt. Sirve para enseñar un formato, un estilo, un vocabulario o una tarea concreta que el prompting por sí solo no consigue de forma estable. Es una alternativa al prompt engineering cuando hace falta más control, y lo habitual es combinarlo con la recuperación de información, no sustituirla.

Cómo funciona

Partes de un modelo base y de un conjunto de ejemplos: entradas emparejadas con las salidas que quieres. El entrenamiento ajusta el modelo para que, ante entradas parecidas, dé salidas parecidas.

El fine-tuning completo actualiza todos los pesos del modelo, y eso es caro en modelos grandes. Los métodos eficientes en parámetros, como LoRA, congelan los pesos originales y entrenan solo unos pocos parámetros extra. Así se necesita mucha menos memoria y cómputo, y puedes tener varias versiones adaptadas de un mismo modelo base.

El resultado hay que evaluarlo con un conjunto de prueba aparte y compararlo con el modelo base. Sin esa comparación es difícil saber si el fine-tuning ha servido.

¿Fine-tuning, prompting o RAG?

  • El prompting cambia las instrucciones, no el modelo. Es la opción más barata y lo primero que conviene probar.
  • La generación aumentada por recuperación (RAG) da al modelo información actual y concreta en el momento de la consulta. Es la herramienta adecuada cuando falta conocimiento o este cambia.
  • El fine-tuning cambia cómo se comporta el modelo: formato, tono, terminología o una tarea concreta que debe hacer bien siempre. No es buena forma de añadir datos que cambian a menudo.
  • Muchos sistemas en producción combinan las tres: un modelo ajustado para el comportamiento, recuperación para el conocimiento y prompts para la tarea concreta.

Cuándo tiene sentido

  • Ya has probado prompting y recuperación, y el modelo sigue fallando de forma repetida y fácil de describir.
  • Tienes suficientes ejemplos buenos y representativos de la salida que buscas, y derecho a usarlos.
  • La tarea es lo bastante estable como para que lo aprendido no se quede viejo enseguida.
  • Un modelo pequeño ajustado podría sustituir a uno grande y general, con menos coste o latencia.
  • Tienes evaluaciones para medir la mejora y detectar regresiones.

Preguntas frecuentes

¿Qué diferencia hay entre preentrenamiento y fine-tuning?

El preentrenamiento enseña a un modelo lenguaje o patrones generales a partir de enormes volúmenes de datos, y lo hace una vez el proveedor del modelo. El fine-tuning parte de ese modelo y lo sigue entrenando con un conjunto mucho más pequeño y dirigido. Ese segundo paso es mucho más barato y es el que suelen hacer las propias organizaciones.

¿Es mejor el fine-tuning que RAG?

Resuelven problemas distintos. RAG aporta conocimiento actual o privado en el momento de la consulta; el fine-tuning cambia el comportamiento, el estilo o la destreza del modelo en una tarea concreta. Si el problema es que el modelo no sabe algo, empieza por RAG; si lo sabe pero no se comporta como necesitas, plantéate el fine-tuning.

¿Qué es LoRA?

LoRA (low-rank adaptation) es un método de fine-tuning eficiente en parámetros. Congela los pesos preentrenados y entrena unas matrices pequeñas añadidas dentro de las capas del modelo. Reduce la memoria y el cómputo necesarios y hace práctico tener muchos adaptadores por tarea sobre un mismo modelo base.

¿Cuántos datos hacen falta para hacer fine-tuning?

Depende del modelo, del método y de lo lejos que esté la tarea de lo que el modelo ya sabe hacer. Importan más la calidad y la representatividad que el volumen: un conjunto modesto de ejemplos limpios y coherentes suele ganar a uno grande y ruidoso. Lo fiable es empezar con poco, evaluar y añadir datos donde el modelo siga fallando.

¿Qué riesgos tiene el fine-tuning?

Un modelo ajustado puede perder parte de sus capacidades generales, aprender errores o sesgos de los datos de entrenamiento o memorizar información sensible. También exige mantenimiento: cuando el modelo base se actualiza o se retira, puede que tengas que repetir el ajuste. El gobierno del dato y la evaluación reducen estos riesgos.

Guías de decisión que usan este término

Dónde aparece en Thinkia

Para seguir leyendo

Fuentes

Actualizado: 2026-10-21

¿Quieres ver cómo se aplica en tu organización?

Habla con un experto en IA