Paso 15 de 22
Fine-tuning
Adapta un modelo abierto a tus datos, tu tono o tu tarea. El fine-tuning corrige el estilo y habilidades concretas a bajo coste. Es una mala forma de añadir datos; eso es tarea de la recuperación.
Por Andrew Miller · Comprobado el 19 oct 2026 · Cómo hacemos las reseñas
Cómo elegir
- Una GPU y poco presupuesto: herramientas de LoRA pensadas para la eficiencia.
- Entrenamiento reproducible en varias GPUs: frameworks basados en configuración.
- Estilos de imagen y personajes: entrenadores de LoRA para modelos de difusión.
Qué tener en cuenta
Las preguntas que distinguen las opciones, por orden de importancia.
01
Primero LoRA o QLoRA; el fine-tuning completo, solo con un motivo
LoRA entrena pequeños pesos adaptadores sobre un modelo congelado; QLoRA hace lo mismo con un modelo cargado en 4 bits, así que cabe en mucha menos memoria. El fine-tuning completo actualiza todos los pesos y solo compensa cuando el comportamiento del modelo tiene que cambiar mucho. Prueba primero LoRA: es más barato, permite iterar más rápido y el adaptador se puede poner y quitar en el momento de servir el modelo. Los servicios gestionados como Together AI usan LoRA por defecto por la misma razón.
02
Memoria de GPU, calculada antes de alquilar
La memoria decide qué GPU, y cuántas, necesitas. Las estimaciones publicadas por LlamaFactory para un modelo de 7B sirven como regla general: unos 120 GB para fine-tuning completo en precisión mixta, 60 GB en bf16 puro, 16 GB para LoRA y 6 GB para QLoRA en 4 bits. Escala más o menos con el número de parámetros y deja margen para secuencias largas. Las afirmaciones de velocidad y VRAM de los proveedores, como el doble de rapidez con un 70% menos de memoria de Unsloth, conviene tomarlas como límites superiores que varían según el modelo.
03
Los métodos de entrenamiento que de verdad vas a necesitar
SFT (fine-tuning supervisado con respuestas de ejemplo) cubre la mayor parte del trabajo de estilo y formato. Los métodos de preferencias como DPO, KTO y ORPO enseñan al modelo cuál de dos respuestas es mejor. Los métodos de RL como GRPO recompensan las respuestas correctas en tareas verificables como matemáticas o código. Comprueba que la herramienta admite el método que necesitas ahora y el que probablemente necesitarás después: LlamaFactory, por ejemplo, remite a los usuarios de GRPO a otro proyecto, mientras que TRL, Axolotl y Unsloth lo admiten directamente.
04
Una GPU o muchas
La eficiencia en una sola GPU y la escala en varias son problemas distintos. Unsloth se construye en torno a hacer caber un entrenamiento en una sola tarjeta. Axolotl trata FSDP2, DeepSpeed, varios nodos y el paralelismo de secuencias como funciones de primer nivel, lo que importa cuando un modelo o un contexto ya no cabe en una GPU. TRL hereda DDP, DeepSpeed y FSDP de Accelerate. Si esperas ir más allá de una GPU, elige una herramienta cuyo camino distribuido esté documentado y no sea un añadido de última hora.
05
Configuración, código o interfaz
Las herramientas basadas en YAML (Axolotl, LlamaFactory) hacen que los entrenamientos sean reproducibles y fáciles de compartir; muchas fichas de modelos publican la configuración exacta de Axolotl. Las bibliotecas (TRL, Transformers) dan control total del bucle de entrenamiento para investigación o pipelines poco habituales, a cambio de más código. Las interfaces (LlamaBoard de LlamaFactory, Unsloth Studio, AI Toolkit) bajan la barrera para experimentar. Elige pensando en quién volverá a lanzar el trabajo dentro de seis meses.
06
Cobertura de modelos y rapidez con los nuevos
Una herramienta solo sirve si admite el modelo base que quieres, incluida su plantilla de chat y sus partes de visión. Transformers suele recibir antes las nuevas arquitecturas y las herramientas de entrenamiento lo siguen; LlamaFactory enumera más de 100 modelos de lenguaje y de visión y lenguaje. Revisa en el registro de cambios lo rápido que se admitieron los últimos grandes modelos abiertos, no solo la lista actual.
07
Ruta de exportación hacia tu stack de servicio
Entrenar es la mitad del trabajo. Comprueba que el resultado se puede fusionar y exportar en el formato que carga tu motor de inferencia: Safetensors para vLLM y SGLang, GGUF para llama.cpp y Ollama. Unsloth exporta directamente a GGUF; los servicios gestionados como Together AI te dejan descargar los pesos o servirlos en un endpoint dedicado. Un entrenamiento que no puedes servir de forma barata es un desperdicio.
08
Licencia de la herramienta y del modelo base
La mayoría de frameworks de esta lista son Apache 2.0 o MIT, pero la interfaz opcional Studio de Unsloth es AGPL-3.0, lo que importa si la integras en un producto. La restricción más importante suele ser el modelo base: su licencia se traslada a tu fine-tuning, incluidas las restricciones de uso o las normas sobre el nombre.
En qué se diferencian las opciones
Las opciones se dividen en cuatro familias. Las bibliotecas de entrenamiento (TRL, Transformers) son código de Python que montas tú; reciben antes los nuevos métodos y dan control total, pero el ajuste de memoria y la configuración distribuida corren de tu cuenta. Los frameworks de recetas (Axolotl, LlamaFactory) envuelven esas bibliotecas en configuraciones YAML o una interfaz web, de modo que un entrenamiento es un archivo y un comando; Axolotl se inclina por la escala en varias GPUs y LlamaFactory por la amplitud de modelos y una interfaz sin código. Las herramientas centradas en la eficiencia (Unsloth) reescriben kernels de GPU para que quepan modelos más grandes en una sola tarjeta.
Dos casos aparte completan el panorama. AI Toolkit entrena LoRAs para modelos de difusión de imagen y vídeo, un trabajo distinto del ajuste de un modelo de lenguaje. Las APIs de fine-tuning gestionado, como la de Together AI, eliminan por completo las GPUs: subes los datos, pagas por token de entrenamiento y obtienes un endpoint o pesos descargables, a cambio de menos métodos (GRPO, por ejemplo, queda fuera de su servicio gestionado) y menos control.
8 herramientas comparadas
Ordenadas por nuestra nota. Abre cualquier reseña para ver las fuentes, los precios y el veredicto completo.
| Herramienta | Nota | Nuestro veredicto | Ideal para | Precio |
|---|---|---|---|---|
| Hugging Face Transformersrepo | 4.8/5 | Casi todas las herramientas de modelos abiertos leen el código de sus modelos de Transformers, lo que la hace imprescindible de conocer y rara vez lo que usas para servir. | Desarrolladores e investigadores de Python que trabajan con modelos abiertos a cualquier nivel. | Gratuito y de código abierto con licencia Apache 2.0. Hugging Face vende por separado planes del Hub e inferencia alojada. |
| Unslothrepo | 4.6/5 | Unsloth convierte una sola tarjeta de 24 GB en un equipo de fine-tuning creíble, y deja de ser la opción obvia en cuanto llega el segundo servidor. | Particulares y equipos pequeños que hacen fine-tuning de modelos abiertos con hardware de GPU limitado. | Gratuito. Biblioteca principal con Apache 2.0; interfaz Studio con AGPL-3.0. Existen niveles de pago Pro y Enterprise para entrenamiento multi-GPU y multinodo; los precios no están publicados. |
| TRLrepo | 4.5/5 | TRL es el código de post-entrenamiento que envuelven las herramientas de fine-tuning más amables; ve directamente a él cuando lo que necesitas cambiar es el propio bucle de entrenamiento. | Ingenieros e investigadores de ML que construyen pipelines de post-entrenamiento a medida. | Gratuito y de código abierto con licencia Apache 2.0. |
| Together AIherramienta | 4.5/5 | Together ejecuta modelos abiertos en todas las fases con una sola factura, desde una recarga de $15 en la API hasta un clúster H100 reservado, y su hardware dedicado cuesta menos de lo que cobran los proveedores especializados. | Equipos que trabajan con modelos abiertos y quieren pasar de las llamadas a la API al fine-tuning y a sus propias GPU con un solo proveedor. | Prepago, primera compra mínima de $15, sin prueba gratuita. Por 1M de tokens, p. ej. gpt-oss-120B $0.15 de entrada / $0.60 de salida, Kimi K3 $3 / $15; lotes hasta un 50% más baratos. Endpoints dedicados: H100 $5.49/hora, B200 $8.99/hora. Clústeres de GPU: H100 $3.99/hora bajo demanda, $1.99 interrumpible. Fine-tuning desde $0.34 por 1M de tokens. |
| Axolotlrepo | 4.3/5 | Axolotl es adonde va el ajuste fino cuando una GPU deja de bastar: un fichero YAML, todas las estrategias de paralelismo y una curva de aprendizaje a la altura. | Profesionales que ejecutan ajustes finos repetibles, sobre todo en varias GPU. | Gratuito y de código abierto con la licencia Apache 2.0. |
| LlamaFactoryrepo | 4.3/5 | LlamaFactory convierte el fine-tuning en un formulario web para más de 100 modelos abiertos, algo que encaja mejor con experimentos que con un pipeline de producción con versiones fijadas. | Quienes quieren hacer fine-tuning de muchos modelos abiertos distintos a través de una interfaz gráfica. | Gratuito y de código abierto bajo licencia Apache 2.0. |
| Roboflowherramienta | 4.3/5 | Roboflow lleva a un equipo de fábrica o almacén de una carpeta de fotos a un modelo de detección que funciona más rápido que nada, siempre que alguien desactive su derecho por defecto a usar tus imágenes. | Equipos de operaciones, fabricación y producto que necesitan un modelo propio de detección de objetos o inspección sin construir un pipeline de ML. | Gratis (10 créditos/mes); Core desde $39/mes (20 créditos) hasta $1399/mes (500 créditos), de $3.90 a $2.86 por crédito; Enterprise a medida. Inferencia autoalojada gratis en todos los planes. |
| AI Toolkitrepo | 4.2/5 | AI Toolkit es donde suele llegar primero el soporte para un nuevo modelo abierto de imagen o vídeo, y da por hecho que tú pones la GPU y la paciencia. | Creadores que entrenan LoRA para modelos abiertos de imagen y vídeo. | Gratuito y de código abierto con licencia MIT. Ostris Cloud alquila GPU preconfiguradas por segundos, desde 0,71 $/hora (A40 48 GB) hasta 2,99 $/hora (RTX PRO 6000 96 GB). |
Lado a lado
Las especificaciones que importan en este paso. Comprobado el 19 oct 2026; confírmalo en la web del proveedor antes de decidirte.
| Herramienta | Interfaz | Métodos | LoRA / QLoRA / completo | Varias GPUs | Hardware | Licencia |
|---|---|---|---|---|---|---|
| Hugging Face Transformers | Biblioteca de Python (Trainer) | Entrenamiento supervisado | Completo; LoRA mediante PEFT | DDP, DeepSpeed, FSDP | Dispositivos con PyTorch | Apache 2.0 |
| Unsloth | Biblioteca de Python, interfaz Studio, escritorio | SFT, DPO, GRPO, GSPO, preentrenamiento | LoRA, QLoRA, completo, FP8 | Admitido (configuración en la documentación) | GPUs de NVIDIA, AMD e Intel | Núcleo Apache 2.0; Studio AGPL-3.0 |
| TRL | Biblioteca de Python + CLI | SFT, DPO, KTO, GRPO, reward | LoRA/QLoRA mediante PEFT, completo | DDP, DeepSpeed, FSDP (Accelerate) | GPUs con PyTorch, AWS Trainium | Apache 2.0 |
| Together AI | API gestionada | SFT, DPO (GRPO en un producto aparte) | LoRA (por defecto), completo | Gestionado | GPUs de Together | De pago, por token de entrenamiento |
| Axolotl | Configuración YAML + CLI | SFT, DPO, KTO, ORPO, GRPO, reward | LoRA, QLoRA, completo, QAT | FSDP2, DeepSpeed, varios nodos | NVIDIA (Ampere+), AMD | Apache 2.0 |
| LlamaFactory | Interfaz web + CLI con YAML | SFT, RM, PPO, DPO, KTO, ORPO, SimPO | LoRA, QLoRA de 2 a 8 bits, congelado, completo | DeepSpeed, FSDP, Megatron | NVIDIA, AMD, Ascend NPU | Apache 2.0 |
| AI Toolkit | Configuración YAML + interfaz web | Entrenamiento de LoRA para difusión | LoRA (modelos de imagen y vídeo) | No publicado | Normalmente una GPU de gama alta | MIT |
Dónde encaja esta etapa
- Pipeline de generación de imágenes: empezaríamos con AI Toolkit.
- Tu propio modelo con fine-tuning: empezaríamos con Unsloth, Axolotl.