Fine-tuning: qué es en la IA

El fine-tuning es un pequeño ajuste sobre un modelo enorme

Un modelo de lenguaje llega a ti ya entrenado. El preentrenamiento leyó un corpus de billones de tokens; Meta reportó más de 15 billones para Llama 3. Después, el post-entrenamiento lo convirtió en un asistente. Qué es un LLM explica ambas etapas.

El fine-tuning es una tercera etapa, mucho más pequeña, que ejecutas tú mismo. Le das al modelo entre unos cientos y unos miles de ejemplos exactos de la entrada y la salida que quieres, y lo entrenas un poco más con eso. La guía de fine-tuning de OpenAI dice que las mejoras claras suelen verse a partir de 50 a 100 ejemplos. Los parámetros se desplazan ligeramente hacia producir por defecto tu tipo de respuesta.

La diferencia de escala lo explica todo. Quince billones de tokens frente a unos cientos de ejemplos: el fine-tune no puede añadir conocimiento relevante, porque no hay suficiente cantidad para mover la aguja de lo que el modelo sabe. Lo que sí puede hacer es mover la aguja de cómo responde el modelo, porque un formato consistente repetido unos cientos de veces es exactamente el tipo de patrón que un pequeño ajuste capta.

El fine-tuning cambia cómo responde un modelo, nunca lo que sabe

La línea que hay que trazar es comportamiento frente a conocimiento.

El fallo con el que la gente tropieza es la cuarta fila. Hacen fine-tuning con su centro de ayuda esperando un modelo que conozca su producto. Obtienen un modelo que escribe con la voz del centro de ayuda e inventa los datos del producto con soltura, porque el entrenamiento le enseñó la forma de las respuestas, no la sustancia. El trabajo de conocimiento le corresponde a la recuperación, y qué es RAG explica cómo funciona eso.

Por qué el fine-tuning se hace a propósito en modelos baratos

Nadie hace fine-tuning del modelo más caro de una familia para una tarea acotada. El objetivo es lograr que un modelo pequeño y barato haga una sola cosa tan bien como la hace el modelo de frontera con un prompt largo, y luego ejecutar el barato millones de veces.

Los números sobre cada extremo son puntajes del Artificial Analysis Intelligence Index, leídos el 2026-09-17, y la línea es la brecha de precio por millón de tokens. Un Llama 4 Maverick de propósito general puntúa 9 frente a Claude Sonnet 5 con 38; la apuesta de un fine-tune es que, en una tarea acotada, esos 29 puntos se puedan cerrar con un ahorro de 127 veces. A los precios de lista de OpenRouter consultados el 2026-08-20, una respuesta estándar de 1000 tokens de entrada y 500 de salida cuesta $0.0006 en Maverick y $0.007 en Sonnet 5, según el índice de costo de modelos de IA, así que un clasificador de soporte que se ejecuta 100.000 veces al mes cuesta $60 con el primero y $700 con el segundo. Si el Maverick ajustado iguala a Sonnet en esa única tarea, el ajuste se paga solo en el primer mes. Esa aritmética, y no la calidad general del modelo, es para lo que sirve el fine-tuning.

El método que abarató esto es LoRA, publicado en 2021, que entrena un pequeño conjunto de parámetros añadidos en vez del modelo completo. Con su sucesor de 4 bits, QLoRA (Dettmers et al., 2023), un modelo de 7000 millones de parámetros se ajusta en una sola tarjeta gráfica de consumo de 24 GB. El fine-tuning completo del mismo modelo implica actualizar cada parámetro en varias GPU de centro de datos.

Un prompt, la recuperación o un modelo distinto resuelven la mayoría de los casos antes de entrenar nada

El fine-tuning es la última opción, no la primera, porque cada una de estas alternativas resuelve los casos comunes con una fracción del esfuerzo y se puede cambiar en un minuto.

1. Un mejor prompt con ejemplos. Tres ejemplos de la salida que quieres dentro del prompt logran la mayor parte del beneficio de formato y tono de un fine-tune, sin ningún entrenamiento. Ingeniería de prompts para principiantes explica el patrón.
2. Recuperación. Si la brecha es de conocimiento, ninguna cantidad de ajuste la cierra. Sube los documentos o activa la búsqueda.
3. Un modelo distinto. Los modelos difieren en su voz por defecto. Un modelo que ya escribe como quieres gana a uno ajustado que no lo hace; un espacio de trabajo multimodelo convierte esto en una prueba de un clic.

Recurre al fine-tuning cuando el prompt haya crecido hasta una página de reglas que el modelo sigue olvidando, cuando la tarea se ejecute a un volumen donde la longitud del prompt sea dinero real, o cuando necesites que se devuelva un formato de forma fiable diez mil veces sin una sola desviación. Son necesidades reales. También son raras.

¿Se puede hacer fine-tuning dentro de un chat de IA?

En general no, y Whizi no es la excepción. Los productos de chat para consumidores, Whizi incluido, no ofrecen fine-tuning; es una función para desarrolladores en las API de los proveedores y en modelos de pesos abiertos. Lo más parecido dentro de una app de chat son las instrucciones fijas. En Whizi, esas viven en un proyecto: las instrucciones personalizadas por proyecto se aplican a cada conversación de ese proyecto, que es como consigues tono y formato consistentes en todo un cuerpo de trabajo sin entrenar nada. Cómo usar Proyectos explica la configuración.

Esa es la decisión correcta para la mayoría. Una instrucción de proyecto es un prompt que escribes una vez y editas cuando cambian las reglas. Un fine-tune es un modelo que reentrenas cada vez que cambian las reglas. Para todo el que no esté ejecutando una tarea acotada a gran escala, el prompt gana en costo, velocidad de cambio y en que puedes leerlo.

La regla de decisión: haz fine-tuning cuando la misma tarea acotada se ejecute a un volumen donde importe que un modelo barato se pague solo. En todo lo demás, escribe la instrucción.