¿Qué es un modelo de lenguaje grande y cómo funciona?
La guía en lenguaje claro sobre la tecnología detrás de ChatGPT, Claude y toda IA que parece entenderte.
Un modelo de lenguaje grande (LLM) es un tipo de IA entrenada con enormes cantidades de texto para poder leer, escribir, resumir y responder preguntas en lenguaje natural. Funciona aprendiendo patrones entre miles de millones de palabras, luego prediciendo la siguiente palabra, oración o idea más útil. Piensa en ello como el autocompletado que fue a la universidad.
¿Qué significa realmente "grande"?
Grande se refiere a dos cosas simultáneamente: el tamaño de los datos de entrenamiento y el número de "parámetros" dentro del modelo. Los parámetros son configuraciones internas ajustables, un poco como pequeños controles, que el modelo ajusta durante el entrenamiento para mejorar en predecir texto. Se estima que GPT-4 tiene cientos de miles de millones de parámetros, por lo que ejecutar estos modelos requiere una potencia informática seria.
Más parámetros no siempre significan un modelo más inteligente. Los investigadores han descubierto que conjuntos de datos cuidadosamente curados y más pequeños pueden producir modelos sorprendentemente capaces con una fracción del tamaño. La etiqueta "grande" se está convirtiendo más en una convención que en una regla estricta.
¿Cómo funciona realmente el entrenamiento?
El entrenamiento es el proceso de mostrar al modelo una cantidad enorme de texto y hacer que adivine repetidamente la siguiente palabra, luego ajustar esos controles internos cada vez que se equivoca. Hazlo miles de millones de veces y el modelo comienza a captar gramática, hechos, estilos de razonamiento e incluso tono.
El método dominante detrás de los LLMs modernos se llama arquitectura de transformador, introducida en un artículo histórico de 2017. Los transformadores utilizan un mecanismo llamado "atención" que permite al modelo ponderar qué tan relevante es cada palabra en una oración para todas las demás palabras, permitiéndole comprender el contexto en lugar de solo el orden de palabras.
Después de ese entrenamiento inicial, la mayoría de los modelos comerciales pasan por un segundo paso llamado RLHF (aprendizaje reforzado con retroalimentación humana). Evaluadores humanos califican las respuestas del modelo, y esas puntuaciones enseñan al modelo a ser más útil y menos dañino.
¿Qué puede hacer realmente un LLM?
En la práctica, un LLM bien entrenado puede redactar correos electrónicos, explicar jerga médica, escribir código, traducir idiomas y resumir documentos largos. Un ejemplo real: una consulta médica en el Reino Unido utilizó un LLM para redactar cartas de seguimiento de pacientes, reduciendo el tiempo administrativo aproximadamente a la mitad, porque el modelo podía convertir los puntos clave de un médico en prosa completa y legible en segundos.
Lo que no puede hacer de forma fiable es razonar desde primeros principios, acceder a información en vivo (a menos que se le dé una herramienta para buscar en la web) o garantizar precisión factual. Los LLMs a veces "alucina", lo que significa que afirman con confianza cosas que simplemente son incorrectas. La investigación de Anthropic sobre el comportamiento del modelo cubre por qué sucede esto y cómo los desarrolladores intentan reducirlo.
¿En qué se diferencia un LLM de un motor de búsqueda?
Un motor de búsqueda encuentra y clasifica páginas que ya existen. Un LLM genera nuevo texto desde cero, extrayendo de patrones que absorbió durante el entrenamiento. La búsqueda te da una lista de fuentes; un LLM te da una respuesta sintetizada sin garantía de que apunte a la evidencia original.
Los dos se combinan cada vez más. Herramientas como la generación aumentada por recuperación (RAG) permiten a un LLM obtener documentos en vivo antes de responder, mezclando lo mejor de ambos enfoques.
¿Cuánto cuesta usar uno?
| Modelo / servicio | Nivel gratuito | El nivel de pago comienza en |
|---|---|---|
| ChatGPT (OpenAI) | Sí, GPT-4o mini | ~$20/mes para Plus |
| Claude (Anthropic) | Sí, Claude 3 Haiku | ~$20/mes para Pro |
| Gemini (Google) | Sí, Gemini 1.5 Flash | ~$20/mes para Advanced |
| Acceso API (crear el tuyo propio) | Créditos de uso en el registro | Pagar por token (fracción de centavo) |
Para la mayoría de usuarios ocasionales, los niveles gratuitos cubren tareas cotidianas. Los usuarios frecuentes o desarrolladores que pagan por token (un token es aproximadamente tres o cuatro caracteres de texto) pueden acumular costos rápidamente con documentos largos.
¿Hay trampas de privacidad que deba conocer?
Sí, y son importantes. Cuando escribes un aviso en un LLM comercial, ese texto se envía a los servidores del proveedor. Muchos proveedores declaran en sus términos que pueden usar tus conversaciones para mejorar modelos futuros a menos que optes activamente por no hacerlo. Los controles de privacidad de OpenAI te permiten desactivar el uso de datos de entrenamiento, pero la configuración no está activada por defecto para todos los usuarios.
No pegues datos personales, registros de pacientes, detalles financieros o información comercial confidencial en un LLM público a menos que hayas verificado cuidadosamente los términos de procesamiento de datos del proveedor.
Preguntas frecuentes
¿Un modelo de lenguaje grande es lo mismo que inteligencia artificial general?
No. Un LLM es un sistema especializado entrenado en predicción de texto. La inteligencia artificial general (AGI) significaría un sistema que puede aprender y razonar en cualquier dominio como un humano, algo que los investigadores consideran un problema abierto y sin resolver.
¿Puede un LLM aprender nuevos hechos después de su lanzamiento?
No por sí solo. Un LLM estándar tiene una "fecha de corte de conocimiento", la fecha en que terminaron sus datos de entrenamiento, y no se actualiza cuando suceden nuevos eventos. Algunos sistemas añaden herramientas de búsqueda en vivo en la parte superior para eludir este límite.
¿Por qué un LLM a veces inventa cosas?
Porque es fundamentalmente un motor de finalización de patrones, no un verificador de hechos. Si el patrón de una oración apunta fuertemente hacia una respuesta que suena plausible, el modelo la produce, incluso cuando no existe evidencia confiable. La investigación en este problema de alucinación es activa en los principales laboratorios.
