Fine-tuning vs. prompting
¿Cuándo cambias los pesos en vez de cambiar el prompt?
La idea que hay dentro
La misma tarea con un mejor prompt vs. unos pocos pesos de adaptador (intuición de LoRA).
Después de esta lección
Puedes explicar cuándo usar prompting vs. fine-tuning (LoRA) y el equilibrio de costes.
Adónde lleva
Dentro de esta lección
Ese es el escenario real de la lección, en pausa. Reclama tu pase para operarlo.
Mira cómo funciona la IA de verdad, de principio a fin.
Esta lección es solo una parada del arco completo. Desbloquéalo todo y consérvalo de por vida.
Lo que obtienes
- El camino principal de 34 lecciones, una ruta que sí se termina, de una palabra a los agentes
- Rutas por objetivo para usar IA en el trabajo y construir funciones con IA
- Labs de jefe que te hacen aplicar un acto entero, no solo reconocerlo
- Repaso espaciado que trae cada idea de vuelta antes de que la olvides
- Memoria del curso: cada término definido, con enlaces a donde aparece por primera vez
- Una tarjeta de capacidades para compartir cuando termines el camino principal
- Acceso de por vida en cualquier dispositivo, con todas las lecciones futuras incluidas
No son videos para mirar. Predices, operas la máquina y luego lo demuestras. Por eso se queda.
99 lecciones y retos interactivos. Sin videos, sin código.
Pase de lanzamiento gratis: acceso de por vida, sin tarjeta
¿Nuevo por aquí? Las primeras lecciones son gratis para probar. Empieza con la lección 0.1
Qué muestra esta lección
La misma tarea con un mejor prompt vs. unos pocos pesos de adaptador (intuición de LoRA).
La pregunta con la que abre
¿Cuándo cambias los pesos en vez de cambiar el prompt?
El recorrido, en palabras de la propia lección
- ¿Modelo demasiado formal? Añade un prompt, o haz fine-tuning de los pesos. Abre un chat nuevo para ver cuál se queda.
- Recurre primero al prompt; haz fine-tuning solo cuando sea necesario.
- El prompt se despegó; los pesos editados quedaron. Solo el fine-tuning se queda.
- Un prompt vive solo en la ventana de contexto de este chat (de 4.2), un chat nuevo empieza en blanco, así que desaparece. El fine-tuning cambia los pesos mismos, y los pesos SON el modelo, por eso se conservan.
- Prompting. Algo puntual es barato e instantáneo, solo di lo que quieres, sin entrenamiento, sin costo.
- Fine-tuning. Grabar el estilo en los pesos significa que nunca tienes que repetir la instrucción. En la práctica eso significa reunir cientos de conversaciones de ejemplo con el estilo que quieres y correr entrenamiento extra sobre ellas, lo que empuja los pesos de forma permanente.
- Usa el prompt primero; haz fine-tuning solo cuando el comportamiento deba quedarse.
- Un prompt solo entra en la ventana de contexto, así que desaparece en el próximo chat. El fine-tuning recolorea los pesos mismos, y los pesos SON el modelo, así que el cambio perdura.
- Tu bot de soporte sigue respondiendo en el formato equivocado, aunque detallaste el formato en el system prompt. Un compañero dice que hagas fine-tuning. ¿Es la decisión correcta?
- Normalmente todavía no. Un prompt vive en el context window, así que primero exprímelo más: agrega ejemplos del formato exacto, y si necesitas una garantía dura, restringe la salida a un schema. Recurre al fine-tuning solo cuando el prompting no logre sostener el comportamiento de forma fiable y necesites grabarlo en los pesos para cada llamada.
La idea clave
Compara el coste y el efecto.
Qué puedes hacer después de esta lección
Puedes explicar cuándo usar prompting vs. fine-tuning (LoRA) y el equilibrio de costes.
¿Prefieres leer primero? Esta lección tiene un explicador de compañía: Fine-tuning o prompting
Este es el resumen escrito. La lección en sí es interactiva: arriba predices, arrastras y operas el mecanismo, y la revelación te responde.