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 fundacional

Un modelo fundacional (foundation model) es un modelo grande entrenado con datos amplios a gran escala que se puede adaptar a muchas tareas posteriores distintas, mediante prompts o fine-tuning, en lugar de construirse para una sola tarea.

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

El término lo acuñaron en 2021 investigadores de Stanford en un largo informe sobre las oportunidades y los riesgos de estos modelos. Usaron ejemplos como BERT, DALL-E y GPT-3, y eligieron la palabra "foundation" (cimiento) para subrayar que muchas aplicaciones se construyen sobre una misma base.

Por qué importa

La mayoría de los productos de IA actuales no entrenan su propio modelo. Parten de un modelo fundacional y lo adaptan, escribiendo prompts, añadiendo recuperación o haciendo fine-tuning con sus propios datos. Una sola ejecución costosa de preentrenamiento puede servir para miles de usos.

Modelo fundacional frente a LLM

Un modelo de lenguaje grande es un tipo de modelo fundacional. El término es más amplio: los modelos de imagen, audio, vídeo y los modelos multimodales también pueden ser modelos fundacionales, siempre que se entrenen de forma amplia y después se adapten.

Límites

Los autores de Stanford advierten de la homogeneización: como tantos sistemas comparten la misma base, cualquier defecto o sesgo del modelo fundacional lo heredan todos los que se adaptan a partir de él. El término también describe cómo se usa un modelo y no un tamaño o una arquitectura fijos, así que las etiquetas varían entre empresas.

Términos relacionados

Modelo de lenguaje grande
Un modelo de lenguaje grande (LLM, large language model) es una red neuronal con miles de millones de parámetros, entrenada con grandes cantidades de texto para predecir el siguiente token, lo que le permite redactar, responder preguntas, resumir y seguir instrucciones.
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.
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.
Modelo base
Un modelo base (base model) es un modelo de lenguaje recién salido del preentrenamiento, antes del ajuste por instrucciones o del entrenamiento con feedback humano. Continúa el texto que se le da en lugar de seguir instrucciones o mantener una conversación.
Modelo multimodal
Un modelo multimodal es un modelo de IA que puede recibir, y a veces producir, más de un tipo de datos, como texto, imágenes, audio o vídeo, dentro de un único modelo y no mediante sistemas separados.
Modelo de frontera
Un modelo de frontera (frontier model) es uno de los modelos de IA de uso general más capaces disponibles en un momento dado, normalmente de un laboratorio con mucha financiación. El término es relativo y también aparece en las políticas de seguridad de la IA.

Fuentes