Glosario de IA · Modelos
Parámetros de un modelo
En una frase
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.
También se llama: parámetros de IA · pesos del modelo · weights · número de parámetros
¿Qué son los parámetros de un modelo?
Imagina una mesa de mezclas con miles de millones de ruedas. Al principio todas están en una posición al azar y el sonido es ruido. Entrenar consiste en girar cada rueda un poquito, millones de veces, hasta que la música suena bien. Esas ruedas son los parámetros, y su posición final es todo lo que el modelo sabe.
Llévalo a tu empresa
Agentes de IA para atender a tus clientes
Desde 49 €/mes + IVA
Voz, WhatsApp y email con la línea incluida: agente, números y CRM en la misma cuota.
Ver planes y preciosEn una red neuronal, los parámetros son sobre todo los pesos de las conexiones entre neuronas, más unos valores de ajuste llamados sesgos (aquí, un término técnico sin relación con el sesgo en IA). El modelo no guarda frases ni documentos: guarda estos números.
Relacionado con este término
Agentes UTIO
- Atienden 24/7 en 26 idiomas
- Montarlo tú cuesta 0 €: se crea leyendo tu web
- Prueba de 14 días sin tarjeta
Desde 49 €/mes + IVA
Ver planes y preciosCómo funciona
- Al entrenar, los parámetros cambian. Cada ejemplo del dataset empuja un poco sus valores para reducir el error. Ver entrenamiento de un modelo.
- Al usar el modelo, los parámetros quedan fijos. Cada respuesta es el resultado de operar la entrada con ellos. Ver inferencia.
El número de parámetros se ha convertido en la forma corta de describir el tamaño de un modelo. Como referencia histórica, GPT-3 (2020) tenía 175.000 millones. Muchos fabricantes ya no publican la cifra de sus modelos más recientes, y el tamaño ya no lo explica todo: arquitecturas como mixture of experts solo activan una parte de los parámetros en cada respuesta.
El tamaño tiene consecuencias prácticas. Cada parámetro ocupa memoria: con 16 bits por parámetro, un modelo de 7.000 millones necesita unos 14 GB solo para cargarse. Técnicas como la cuantización reducen esa precisión para que quepa en equipos más modestos, a cambio de perder algo de calidad.
Ejemplo
Una clínica veterinaria de Gijón quiere un asistente que clasifique los mensajes de los clientes: urgencia, cita, recetas u otros. Prueba un modelo grande de propósito general y uno pequeño. Para esta tarea concreta, el pequeño acierta casi igual, responde antes y cuesta menos por mensaje.
Para redactar respuestas largas y matizadas a dudas sobre tratamientos, en cambio, el modelo grande se nota. La lección: el número de parámetros es un dato orientativo, no una nota de calidad.
Cómo te afecta en tu empresa
No necesitas elegir modelos por su número de parámetros para atender a tus clientes. Lo que importa es que la respuesta sea correcta, rápida y con tus datos.
En los agentes de UTIO, como el agente de voz o el agente de WhatsApp, el modelo va incluido y no tienes que compararlos. Si desarrollas con el API de IA, eliges el nivel de modelo (básico, estándar o superior): una forma práctica de decidir cuánta capacidad necesita cada tarea sin entrar en cifras de parámetros.
Preguntas frecuentes
¿Qué significa 7B o 70B en un modelo de IA?
Es el número de parámetros en miles de millones (la «B» viene de billion en inglés, que equivale a mil millones). Un modelo 7B tiene unos 7.000 millones de parámetros; uno 70B, unos 70.000 millones.
¿Más parámetros significa un modelo mejor?
No necesariamente. Más parámetros dan más capacidad, pero la calidad depende también de los datos y de cómo se entrenó. Un modelo pequeño bien entrenado puede superar a uno grande en tareas concretas, y además responde más rápido y cuesta menos.
¿Qué diferencia hay entre parámetros e hiperparámetros?
Los parámetros los aprende el modelo solo durante el entrenamiento. Los hiperparámetros los fija una persona antes de entrenar, como el número de capas o la velocidad de aprendizaje. Ajustes como la temperatura de una respuesta tampoco son parámetros del modelo, sino opciones de uso.
Términos relacionados
- Modelo de IA
Un modelo de IA es el programa que resulta de entrenar un algoritmo con datos: un conjunto de parámetros aprendidos que, al recibir una entrada nueva, produce una salida, como una predicción, una etiqueta, un texto o una imagen.
- LLM
Un LLM (large language model, modelo de lenguaje grande) es un modelo de IA entrenado con enormes cantidades de texto para predecir la siguiente palabra. Esa capacidad le permite redactar, resumir, traducir, clasificar y conversar.
- Cuantización
La cuantización es una técnica que guarda los parámetros de un modelo de IA con números de menor precisión, por ejemplo de 16 bits a 8 o 4 bits. El modelo ocupa menos memoria y suele responder más rápido, a cambio de una pérdida de calidad que puede ser pequeña.
- Mixture of experts (MoE)
Mixture of experts (MoE, mezcla de expertos) es una arquitectura de modelo de IA dividida en varias subredes llamadas expertos. Para cada token, un enrutador activa solo unos pocos, así el modelo puede ser muy grande sin usar todo su cálculo en cada paso.
- 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.
Actualizado el