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

Fine-tuning

El fine-tuning (ajuste fino) es un entrenamiento adicional de un modelo preentrenado con un conjunto de datos más pequeño y específico de una tarea, para que el modelo adopte una habilidad, un formato, un tono o un dominio concretos sin entrenarlo desde cero.

También llamado: finetuning

Por Divya Sharma · Comprobado el 16 nov 2026 · Cómo hacemos las reseñas

Un modelo preentrenado ha aprendido lenguaje general a partir de un corpus muy grande. El fine-tuning toma esos pesos y sigue entrenándolos con ejemplos que eliges tú: tickets de soporte respondidos como los responde tu equipo, código con el estilo de la casa o notas médicas en un formato fijo. El bucle de entrenamiento es el mismo que en el preentrenamiento; la diferencia es que partes de un modelo que ya funciona y no de pesos aleatorios, así que necesitas muchos menos datos y menos cómputo.

Tipos de fine-tuning

El fine-tuning supervisado entrena con pares de entrada y salida deseada. El ajuste por preferencias, como el RLHF o la DPO, entrena con cuál de dos respuestas prefirieron las personas. El fine-tuning completo actualiza todos los pesos; los métodos eficientes en parámetros como LoRA entrenan un pequeño complemento y dejan congelado el modelo base, lo que reduce la memoria y te permite tener muchos adaptadores para un mismo modelo base.

Cuándo usarlo

El fine-tuning es bueno para enseñar comportamiento: un formato de salida coherente, una tarea de clasificación acotada, una voz de la casa, o conseguir que un modelo pequeño haga un trabajo concreto tan bien como uno más grande. Es una mala forma de añadir datos que cambian a menudo, porque el conocimiento queda congelado en el momento del entrenamiento y es difícil de inspeccionar. Para eso, la generación aumentada por recuperación suele ser el mejor primer paso, y muchos equipos prueban un prompting cuidadoso antes que cualquiera de los dos.

Límites

Necesitas ejemplos limpios y representativos, un conjunto de evaluación apartado del entrenamiento y un plan para reentrenar cuando se actualice el modelo base. Un modelo también puede olvidar habilidades generales si se entrena demasiado con un conjunto estrecho. La guía de la fase de fine-tuning recoge herramientas como Unsloth y Axolotl.

Términos relacionados

LoRA
LoRA (low-rank adaptation, adaptación de bajo rango) es un método de fine-tuning que congela los pesos originales de un modelo y entrena pequeñas matrices de bajo rango añadidas a sus capas, de modo que cambian muchos menos parámetros y se necesita mucha menos memoria de GPU.
Fine-tuning supervisado
El fine-tuning supervisado (SFT, supervised fine-tuning) sigue entrenando un modelo preentrenado con ejemplos de prompts emparejados con las respuestas que quieres. Es el primer paso habitual para convertir un modelo base en uno que sigue instrucciones.
RLHF
El RLHF (reinforcement learning from human feedback, aprendizaje por refuerzo a partir de feedback humano) ajusta un modelo de lenguaje con clasificaciones humanas de sus respuestas: un modelo de recompensa aprende esas preferencias y luego el aprendizaje por refuerzo empuja al modelo hacia las respuestas que puntúan bien.
Direct preference optimization
La direct preference optimization (DPO, optimización directa de preferencias) es una forma de alinear un modelo de lenguaje con las preferencias humanas entrenándolo directamente con pares de respuestas preferidas y rechazadas, con una función de pérdida sencilla de tipo clasificación en lugar de un modelo de recompensa y aprendizaje por refuerzo.
Preentrenamiento
El preentrenamiento (pretraining) es la primera y mayor etapa del entrenamiento de un modelo, en la que aprende patrones generales de un conjunto de datos muy grande y sin etiquetar, normalmente prediciendo el siguiente token, antes de cualquier ajuste para una tarea concreta.
Fine-tuning eficiente en parámetros
El fine-tuning eficiente en parámetros (PEFT, parameter-efficient fine-tuning) adapta un modelo preentrenado entrenando solo un pequeño número de parámetros nuevos o seleccionados y dejando el resto congelado. Reduce la memoria, el cómputo y el almacenamiento que exige el fine-tuning completo.

Fuentes