Fine-tuning (ajuste fino)

Entrenar más un modelo preentrenado con tus propios datos para que domine un estilo, formato o tarea específicos.

Merece la pena cuando necesitas un tono o formato de salida consistentes que el prompting no consigue por sí solo. Para incorporar conocimiento nuevo, el RAG suele salir más barato y es más fácil de mantener al día.

Recursos relacionados

Ajuste Práctico de LLM

Guía práctica y con enfoque hands-on para el ajuste fino de modelos grandes: cubre métodos eficientes en parámetros como LoRA y QLoRA junto con el ajuste fino tradicional. Recorre la preparación de datasets, ajuste de hiperparámetros y métricas de evaluación con ejemplos de código reales; ideal para ingenieros de ML que quieren adaptar modelos base a dominios específicos sin el coste de entrenar desde cero.