Cuándo el ajuste fino supera al prompting
Use el ajuste fino para tareas específicas, formatos personalizados o para acortar prompts, no para enseñar datos nuevos.
Cuándo el ajuste fino supera al prompting es una lección gratuita de AI Agents en CoddyKit. Esta es la lección 1 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de AI Agents, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de AI Agents incluye 4 lecciones en total.
Primero el prompting, después el fine-tuning
Agote siempre las opciones de prompting antes de recurrir al fine-tuning:
- Un prompt del sistema mejor
- Ejemplos few-shot
- Descripciones de herramientas
- Un modelo mejor
- Salidas estructuradas / Pydantic
- RAG
- ... DESPUÉS, fine-tuning
Cuándo resulta útil el fine-tuning
- Formato o estilo específico: su lenguaje de salida YAML personalizado
- Dominio limitado: medicina, derecho, revisiones de código
- Latencia: prompts breves (sin ejemplos few-shot) → inferencia más rápida
- Coste: prompts más breves → menos tokens facturados
- Persona coherente: voz del personaje, tono de marca
Cuándo perjudica el fine-tuning
- Enseñar datos: RAG es mejor. Los modelos ajustados olvidan datos
- Razonamiento general: los modelos de frontera ya destacan en esta tarea
- Actualizaciones frecuentes: volver a entrenar es lento
- Conjuntos de datos diminutos: menos de 100 ejemplos rara vez producen una mejora apreciable
Fine-tuning de modelos cerrados
OpenAI y Anthropic ofrecen APIs de fine-tuning:
# OpenAI:
client.fine_tuning.jobs.create(
training_file='file-abc',
model='gpt-4o-mini-2024-07-18'
)Fine-tuning de modelos abiertos
Con Llama/Mistral/Qwen, usted controla todo. Herramientas:
- Unsloth: la más rápida y con bajo consumo de VRAM
- Axolotl: basada en configuración y completa
- LLaMA-Factory: alternativa desarrollada por un equipo chino
- HuggingFace TRL: oficial y flexible
Fine-tuning completo frente a PEFT
Hay dos enfoques:
- Completo: actualiza todos los pesos. Es costoso (necesita una gran cantidad de VRAM).
- PEFT / LoRA: entrena pequeñas capas adaptadoras. Es 100 veces más barato y ofrece una calidad similar para la mayoría de las tareas.
Coste del fine-tuning (OpenAI)
Aproximado (mediados de 2025):
- Entrenamiento: 0,003 $ por cada 1K tokens
- Inferencia con el modelo ajustado: algo más cara que con el modelo base
- Decenas de miles de ejemplos: entre 20 y 200 $ de coste total de entrenamiento
Coste del fine-tuning (autoalojado)
Una hora con 8xH100: aproximadamente 100 $ con Lambda Labs. Una LoRA sobre Llama 70B con 10 000 muestras: entre 50 y 150 $ en total.
Regla general sobre el volumen de datos
- 50 ejemplos: útiles solo para el estilo o el formato
- 500 ejemplos: mejoras significativas
- Más de 5 000 ejemplos: nueva capacidad sustancial
- Más de 50 000 ejemplos: beneficios decrecientes en relación con la calidad del conjunto de datos
¿De dónde proceden los datos?
- Trazas de producción (con correcciones)
- Generación sintética mediante un modelo más potente
- Etiquetado humano
- Conjuntos de datos públicos
Decisión entre fine-tuning, RAG y prompting
| Objetivo | Mejor enfoque |
|---|---|
| Datos nuevos | RAG |
| Formato nuevo | Fine-tuning (o un prompt sólido) |
| Estilo nuevo | Fine-tuning |
| Mejor razonamiento | Un modelo más potente |
| Menor coste o latencia | Un modelo más pequeño + fine-tuning |
Evaluación antes y después
Compare siempre el modelo ajustado con el modelo base en SU conjunto de evaluación. A veces el ajuste empeora el resultado; prepárese para descartarlo.
La mejor razón para aplicar ajuste fino
¿Cuál es la MEJOR razón para aplicar ajuste fino?
Resumen
Pruebe primero con prompts; aplique ajuste fino solo por razones específicas de formato, estilo o dominio. Use PEFT/LoRA para reducir costes. Evalúe siempre antes y después.
Aprende AI Agents con un tutor de IA — gratis
Escribe y ejecuta código real en tu navegador, obtén ayuda instantánea de un tutor de IA disponible 24/7 y continúa donde lo dejaste en la web o en la aplicación.
- Cursos
- 60
- Lecciones
- 239
Preguntas frecuentes
¿La lección «Cuándo el ajuste fino supera al prompting» es gratis?
Sí — el texto completo de «Cuándo el ajuste fino supera al prompting» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de AI Agents, actualiza a CoddyKit PRO. El curso de AI Agents incluye 4 lecciones en total.
¿Qué aprenderé en «Cuándo el ajuste fino supera al prompting»?
Use el ajuste fino para tareas específicas, formatos personalizados o para acortar prompts, no para enseñar datos nuevos. Practicas AI Agents con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar AI Agents?
No se requiere experiencia previa. AI Agents en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 1 de 4.
¿Cuánto tiempo toma la lección «Cuándo el ajuste fino supera al prompting»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de AI Agents?
Sí. Cada lección de AI Agents incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Cuándo el ajuste fino supera al prompting
- Recopilación de datos: trayectorias y reproducción de trazas
- LoRA y QLoRA para un ajuste eficiente en costes
- Evaluación de modelos ajustados frente al modelo base