Ajuste fino (fine-tuning)

Preentrenar un gran modelo de lenguaje exige enormes cantidades de datos y de cálculo. El ajuste fino parte de ese resultado y gasta solo una pequeña fracción del esfuerzo. Das al modelo ejemplos, como preguntas con la respuesta ideal, tickets de soporte con la contestación correcta o textos con una voz concreta, y sus pesos se desplazan para que esas salidas sean más probables. La mayoría de los asistentes se hacen así: un modelo base se ajusta con instrucciones y a menudo se afina más con preferencias mediante RLHF.

El ajuste fino completo actualiza todos los pesos y requiere hardware serio. Los enfoques más baratos actualizan solo un pequeño complemento, como hace LoRA, o entrenan sobre una copia cuantizada del modelo. La calidad de los datos pesa más que la cantidad: unos pocos miles de ejemplos limpios y coherentes suelen superar a un millón desordenado. Los riesgos son el olvido, cuando el modelo pierde habilidades generales, el sobreajuste, cuando memoriza sus ejemplos, y los defectos heredados, porque los errores o sesgos de los datos acaban siendo comportamiento.

Conviene preguntarse si de verdad hace falta. Un prompt de sistema claro, unos ejemplos dentro del prompt o la recuperación de documentos (RAG) suelen resolver el problema sin entrenar nada. El ajuste fino compensa cuando necesitas un formato o un tono constante a gran escala, un prompt más corto para ganar velocidad o un comportamiento que la redacción sola no consigue. Los modelos de pesos abiertos puede ajustarlos cualquiera que tenga los pesos; los cerrados, solo mediante el servicio de su creador. Una costumbre relacionada es compartir variantes: como las versiones ajustadas de un modelo base conservan su arquitectura, las comunidades publican muchas para programación, narrativa, traducción o vocabulario especializado y las comparan en clasificaciones públicas. Leer la ficha del modelo base, de los datos usados y de la licencia indica qué cambió y qué puedes hacer con el resultado.

NeverNo no ofrece una forma de ajustar un modelo, y su catálogo no indica cómo se ajustó cada uno. Lo que sí puedes hacer es modificar el comportamiento en el prompt, con las instrucciones que escribas: cambian lo que el modelo lee y dejan intactos sus pesos.

Los modelos de pesos abiertos son los que otros ajustan y republican, y los modelos privados del catálogo son de esa clase. Qwen 3.5 35B, un modelo privado y gratuito de Alibaba que lee imágenes y te deja elegir si razona, es uno de ellos. Privado significa que lo sirven proveedores elegidos porque no conservan las solicitudes; la página de transparencia dice con claridad que NeverNo no puede inspeccionar sus servidores.