Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

Modelo de decisión

Un modelo de decisión (decision model) es un modelo creado para devolver una respuesta tipada, como una opción de una lista, una puntuación según una rúbrica o una probabilidad de sí o no, en lugar de generar texto libre.

Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas

Los agentes dedican gran parte de su tiempo a pequeñas valoraciones: qué equipo se encarga de este ticket, si este mensaje es spam, si este paso debe necesitar aprobación humana. Un modelo de chat puede responderlas, pero contesta en prosa que el código tiene que analizar, y no da una medida fiable de su grado de seguridad. Un modelo de decisión está hecho para esa tarea acotada.

Cómo funciona

Envías al modelo la evidencia (un fragmento de texto, JSON o una imagen) y una o más preguntas tipadas. TypeSafe, que llama a su modelo Jev un modelo "System One", describe tres tipos de pregunta: una elección entre una lista de opciones, una puntuación según una rúbrica y la probabilidad de que una afirmación sea cierta. La respuesta vuelve como valores con probabilidades, así que el código puede compararlos con un umbral y actuar, o pasar el caso a una persona cuando la confianza es baja. Otros ejemplos son Laya y GLiNER2.5-Decide.

Dónde encaja

Los usos típicos son el enrutamiento de LLM, el triaje, las comprobaciones de seguridad antes de una llamada a herramienta y decidir si un agente continúa. Convive con los guardrails y la salida estructurada: la salida estructurada hace que un modelo de texto rellene un esquema, mientras que un modelo de decisión está diseñado desde el principio en torno a la respuesta tipada.

Límites

Las etiquetas se leen de la petición en lugar de estar entrenadas, lo que las hace flexibles, pero la precisión en tus categorías no está garantizada. Prueba un modelo de decisión con una muestra etiquetada de tus propios datos antes de fiarte de sus puntuaciones.

Términos relacionados

Enrutamiento de LLM
El enrutamiento de LLM (LLM routing) es la práctica de enviar cada petición al modelo de lenguaje más adecuado para ella, a menudo un modelo barato para prompts fáciles y uno más potente para los difíciles, para equilibrar coste, velocidad y calidad.
Salida estructurada
La salida estructurada (structured output) es una función de las API que hace que la respuesta de un modelo de lenguaje siga un formato que defines, normalmente un JSON schema, para que el código pueda analizarla de forma fiable en lugar de extraer datos de texto libre.
Guardrails (IA)
Los guardrails (barreras de protección) son comprobaciones en tiempo de ejecución colocadas alrededor de un modelo de lenguaje que inspeccionan entradas y salidas y las bloquean, reescriben o redirigen, para que una aplicación no se salga del tema, evite contenido dañino y cumpla reglas que el modelo por sí solo no mantendría de forma fiable.
Modelo de lenguaje pequeño
Un modelo de lenguaje pequeño (SLM, small language model) es un modelo de lenguaje con relativamente pocos parámetros, normalmente unos pocos miles de millones o menos, creado para funcionar en un portátil, un teléfono o una sola GPU a menor coste que un modelo grande.
LLM-as-a-judge
LLM-as-a-judge (LLM como juez) es un método de evaluación en el que un modelo de lenguaje potente califica las salidas de otro modelo o aplicación, usando una rúbrica, una respuesta de referencia o una comparación lado a lado, en lugar de revisores humanos o junto a ellos.

Fuentes