Glosario de IA · Modelos
Fine-tuning
En una frase
El fine-tuning (ajuste fino) es volver a entrenar un modelo de IA ya preentrenado con un conjunto pequeño de ejemplos propios, para que se especialice en una tarea, un formato o un estilo concretos sin empezar de cero.
También se llama: ajuste fino · afinado de un modelo · reentrenamiento · fine tuning
¿Qué es el fine-tuning?
Entrenar un LLM desde cero exige cantidades enormes de texto y de cálculo, al alcance de muy pocas empresas. El fine-tuning parte de un modelo que ya sabe escribir y le da una segunda formación, corta y específica, con ejemplos de lo que quieres que haga.
Llévalo a tu empresa
La IA de UTIO, por API
Desde 29 €/mes + IVA
Para desarrolladores y agencias que montan sus propios productos.
Ver el API de IASe parece a contratar a alguien con experiencia y enseñarle cómo se trabaja en tu empresa: no le enseñas a hablar, le enseñas tu formato de presupuesto o cómo clasificáis las incidencias.
Lo que el fine-tuning hace bien es cambiar el comportamiento: el formato de salida, el tono, la manera de clasificar. Lo que hace mal es memorizar datos que cambian. Para eso está RAG.
Relacionado con este término
API de IA
- Transcripción, voz, texto, imagen, OCR y embeddings
- Claves por cliente con tope de gasto
- Monedero prepago: recarga mínima de 50 €
Desde 29 €/mes + IVA Cuenta con panel, más consumo
Ver el API de IACómo funciona
- Reunir ejemplos. Pares de entrada y salida ideal: «este correo» → «esta categoría», «estos datos» → «este resumen». Suelen ser cientos o miles, revisados a mano.
- Entrenar. El modelo procesa los ejemplos y ajusta sus parámetros para acercar sus respuestas a las ideales. Técnicas como LoRA ajustan solo una pequeña parte de los parámetros, lo que abarata mucho el proceso.
- Evaluar. Se prueba con ejemplos que el modelo no ha visto, para comprobar que generaliza y no solo repite.
- Desplegar el modelo ajustado y vigilarlo: si la tarea cambia, hay que repetir el ajuste.
El fine-tuning se usa mucho para especializar modelos pequeños. Un SLM afinado puede igualar en una tarea concreta a un modelo mucho mayor.
Ejemplo
Una empresa de mantenimiento de ascensores de Valencia recibe incidencias por correo y las clasifica en doce tipos internos, con su prioridad. Un modelo genérico acierta la mayoría, pero confunde categorías que solo distinguen sus técnicos, como «parada en planta» y «parada entre plantas».
Con unos cientos de incidencias ya clasificadas por el equipo, un fine-tuning enseña al modelo esa distinción. Después clasifica con el criterio de la casa. Los datos de cada edificio, como la dirección o el contrato, no se le enseñan: se consultan aparte.
El fine-tuning en UTIO
Para la mayoría de pymes no hace falta afinar un modelo. Los agentes de UTIO se adaptan a tu negocio con tu base de conocimiento y con las instrucciones que configuras, y cuando cambia un precio basta con actualizar el documento.
Si desarrollas tu propia solución con el API de IA, puedes elegir el nivel de modelo para la generación de texto y crear embeddings para montar tu propio RAG. Antes de plantearte un fine-tuning, prueba con buenas instrucciones y buenos ejemplos: suele resolver más de lo que parece, y te ahorra mantener un modelo propio dentro de tu agente de IA.
Preguntas frecuentes
¿Fine-tuning o RAG: qué necesito?
Si quieres que el modelo conozca tus datos (precios, horarios, catálogo), casi siempre RAG: los busca en cada pregunta y basta con actualizar el documento. Si quieres que el modelo cambie su forma de responder (un formato fijo, un tono, una clasificación muy específica), el fine-tuning puede ayudar. A menudo se combinan.
¿Cuántos ejemplos hacen falta para un fine-tuning?
Depende de la tarea y del modelo. Para ajustar un formato o un estilo pueden bastar unos cientos de ejemplos bien hechos; para tareas difíciles, miles. Importa más la calidad y la coherencia de los ejemplos que la cantidad.
¿El fine-tuning hace que el modelo deje de inventarse cosas?
No por sí solo. Puede mejorar el formato y la precisión en la tarea entrenada, pero el modelo sigue generando texto probable. Para respuestas basadas en hechos concretos, lo eficaz es darle las fuentes en cada consulta y pedirle que no responda sin ellas.
Términos relacionados
- RAG
RAG (generación aumentada por recuperación) es una técnica que hace que un modelo de lenguaje busque primero en tus documentos los fragmentos relevantes y redacte la respuesta a partir de ellos, en lugar de contestar solo de memoria.
- Entrenamiento de un modelo
El entrenamiento de un modelo es el proceso en el que un modelo de IA aprende a partir de un dataset: se le muestran ejemplos, se mide cuánto se equivoca y se ajustan sus parámetros, una y otra vez, hasta que sus respuestas son buenas.
- Dataset
Un dataset (conjunto de datos) es una colección organizada de ejemplos, como textos, audios, imágenes o registros, que se usa para entrenar, ajustar o evaluar un modelo de IA. Su calidad condiciona directamente lo que el modelo aprende.
- SLM (small language model)
Un SLM (small language model) es un modelo de lenguaje con muchos menos parámetros que un LLM. Sabe menos de todo, pero responde más rápido, cuesta menos y puede ejecutarse en un servidor modesto, un portátil o incluso un móvil.
- Parámetros de un modelo
Los parámetros de un modelo son los valores numéricos internos, sobre todo los pesos de una red neuronal, que se ajustan durante el entrenamiento y guardan lo aprendido. Su número se usa como medida aproximada del tamaño del modelo.
Actualizado el