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.
No te quedes en leerlo. Opera tú mismo el mecanismo en una lección interactiva corta.
Míralo funcionar: Fine-tuning vs. prompting →Gratis, sin código, sin registro.
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.
Explicadores relacionados
Parte de See How AI Works, un curso interactivo gratuito, donde aprendes cómo funciona la IA moderna operándola, no viendo videos.