Laboratorio de elección de modelo
¿Qué modelo deberías usar? El más grande no siempre es la decisión correcta.
La idea que hay dentro
Elige según tus restricciones: calidad, latencia, costo, privacidad, tamaño de contexto, uso de herramientas.
Después de esta lección
Puedes elegir un modelo para una tarea sopesando calidad, latencia, costo, privacidad, tamaño de contexto y uso de herramientas.
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
Elige según tus restricciones: calidad, latencia, costo, privacidad, tamaño de contexto, uso de herramientas.
La pregunta con la que abre
¿Qué modelo deberías usar? El más grande no siempre es la decisión correcta.
El recorrido, en palabras de la propia lección
- Toca una tarea. El modelo que mejor encaja se ilumina; los que no, se atenúan.
- Sin conexión en un teléfono. Elige el modelo que usarías primero.
- No hay un único mejor modelo. Haces coincidir su perfil con tus restricciones.
- Cada tarjeta muestra los mismos seis ejes. Barra más larga = mejor en ese eje.
- Todas las puntuaciones aquí son ilustrativas, no puntajes reales de modelos, pero las compensaciones que muestran sí son reales.
- Frontier tiene la mejor calidad, pero vive en la nube. Sin señal no puede correr en absoluto.
- Un modelo en la nube es un instinto razonable, suele responder mejor. Pero una restricción dura no es una preferencia que puedas cambiar por calidad: o supera el piso o queda fuera.
- Exacto: solo el modelo en el dispositivo corre sin red. Pierde en calidad bruta, pero es el único que supera la restricción dura, así que es la única opción real.
- ¿Qué es una restricción dura frente a una preferencia blanda?
- Una preferencia blanda (un poco más de calidad, un poco menos de costo) se compensa con las demás: las sopesas. Una restricción dura (tiene que correr sin conexión, los datos no pueden salir del dispositivo, tiene que responder en menos de 200ms) es una puerta: si no la cumple, el modelo queda fuera, por bueno que sea el resto de su perfil. Revisa siempre las puertas primero y luego sopesa el resto.
- Frontier aquí significa el nivel insignia de GPT / Claude / Gemini; Small es el nivel mini / flash.
- Puedes hacer coincidir un modelo con una tarea compensando seis ejes, no persiguiendo un número de leaderboard. El modelo más grande es solo una columna de la tabla.
- Y el único puntaje que de verdad trata sobre tu tarea es tu propio eval set (lección 7.10 / 7.3). Aquí haces una preselección por perfil; decides con tus propios evals sobre tus propios datos.
- Un segundo eje en la elección de modelo: los modelos cerrados (a los que solo llegas por la API de un proveedor, como los modelos frontier de GPT y Claude) suelen liderar en calidad pura y no requieren hospedaje, pero tus datos salen de tu perímetro y no puedes inspeccionarlos ni alojarlos tú. Los modelos de pesos abiertos (Llama, Mistral, DeepSeek, gpt-oss y compañía) los puedes descargar, correr en tu propio hardware, hacerles fine-tuning y auditarlos, cambiando algo de capacidad pico por control, privacidad y un costo predecible. Rara vez la decisión es cuál es mejor, es: ¿necesitas calidad frontier, o control sobre dónde corre esto?
- Estás etiquetando millones de tickets de soporte baratos y alguien insiste en el modelo frontier más potente para la mejor calidad. ¿Es la decisión correcta?
- Probablemente no: haz coincidir el perfil con la tarea, no con el leaderboard. El trabajo masivo y fácil lo dominan el costo y la velocidad, donde un modelo pequeño gana por mucho, así que la calidad del modelo frontier aporta poco mientras multiplica la factura. Guarda el modelo grande para las decisiones de verdad difíciles.
La idea clave
Puedes emparejar un modelo con una tarea sopesando seis ejes, no persiguiendo un número de leaderboard.
Qué puedes hacer después de esta lección
Puedes elegir un modelo para una tarea sopesando calidad, latencia, costo, privacidad, tamaño de contexto y uso de herramientas.
Este es el resumen escrito. La lección en sí es interactiva: arriba predices, arrastras y operas el mecanismo, y la revelación te responde.