Explicador en lenguaje claro
Fine-tuning o prompting
¿Cuándo conviene hacer fine-tuning y cuándo basta con el prompt?
El prompting cambia la entrada: instrucciones, ejemplos, documentos recuperados, todo con los pesos congelados, instantáneo y reversible. El fine-tuning cambia los pesos: entrenamiento extra con tus datos, a menudo mediante pequeños adaptadores LoRA, más lento y más pegajoso. La regla práctica: prompting más recuperación para el conocimiento y los comportamientos puntuales, fine-tuning para la forma, cuando necesitas un estilo, formato o habilidad consistente horneada en miles de llamadas. La mayoría de los sistemas en producción nunca lo necesita.
Revisado por última vez el
Leer es el camino lento. Empieza con una lección gratis que puedes operar ahora mismo.
Empieza gratis: Del internet a tu respuesta →Gratis, sin código, sin registro.
Y después ve más a fondo: Fine-tuning vs. prompting Bloqueada
Lo que la gente entiende mal
- El fine-tuning sirve para enseñar hechos nuevos. Es poco fiable para el conocimiento; la recuperación dentro del prompt es el arreglo para los hechos.
- El prompting es la opción amateur. Los mejores sistemas en producción son sobre todo prompts, ejemplos y recuperación sobre un modelo congelado.
- El fine-tuning reescribe todo el modelo. El fine-tuning moderno suele entrenar un adaptador pequeño sobre pesos congelados.
Dónde lo ves en productos reales
- Los creadores de asistentes personalizados son configuración de prompt, sin tocar pesos.
- Las APIs de fine-tuning de los proveedores existen para los casos de formato consistente.
- Los bots de marca con una voz fija en millones de respuestas son el fine-tune clásico.
Preguntas frecuentes
- ¿Cuándo vale la pena de verdad el fine-tuning?
- Cuando necesitas un formato, un tono o una habilidad estrecha de forma consistente y a mucho volumen, y el prompt se te sigue desviando. Compra fiabilidad y prompts más cortos. No agrega conocimiento de forma fiable, y te ata a una versión de modelo que después tienes que mantener.
- ¿Qué es LoRA?
- Una forma de hacer fine-tuning entrenando un conjunto pequeño de pesos extra junto al original congelado, en vez de actualizarlos todos. Es mucho más barato, entra en hardware modesto, y ese archivo adaptador chico se puede poner y quitar según la tarea.
- Si quiero que el modelo conozca mis documentos, ¿hago fine-tuning?
- Normalmente no. El retrieval es la mejor herramienta: deja los documentos fuera del modelo y trae los relevantes al prompt. Siguen siendo editables, las respuestas pueden citarlos, y corregir un dato equivocado es una edición y no un reentrenamiento.
Explicadores relacionados
Más en Cómo se entrenan los modelos
Una idea a la vez, en tu correo
Lecciones y explicadores nuevos, escritos como están escritas estas páginas. De vez en cuando, no a diario, y nunca una secuencia de venta.
Primero te enviamos un enlace de confirmación. Puedes darte de baja con un clic, cuando quieras. Privacidad.
Parte de See How AI Works, un curso interactivo gratuito, donde aprendes cómo funciona la IA moderna operándola, no viendo videos.