EXPLICACIÓN EN LENGUAJE SENCILLO
¿Qué es un modelo de lenguaje grande?
De predecir la siguiente palabra a ser un asistente útil: la idea es más simple de lo que sugiere el nombre.
Los modelos de lenguaje grandes son la tecnología detrás de los asistentes de IA más capaces de hoy. Esta página explica qué son, cómo funcionan sin entrar en las matemáticas y por qué entender lo básico te convierte en un usuario más agudo y eficaz.
Un modelo de lenguaje grande (LLM, por sus siglas en inglés) es un tipo de IA entrenada con una enorme colección de texto para predecir la palabra, frase u oración más útil a partir de un prompt. Durante el entrenamiento, el modelo ajusta miles de millones de parámetros internos para captar patrones del lenguaje: gramática, datos, estilos de razonamiento e incluso código. En la inferencia, genera las respuestas token por token, eligiendo cada palabra según el contexto. El resultado es un sistema que puede redactar, razonar, traducir y responder preguntas sin haber sido programado explícitamente para ninguna de esas tareas.
Publicado
Lección gratis · sin crear cuentaConoce a Claude¿Por qué Claude?6 minEmpezar la lección gratisCONCEPTOS CLAVE
Cómo funciona un modelo de lenguaje grande
Cuatro ideas explican la mayor parte de lo que hacen los LLM, y casi todo lo que sorprende a la gente de ellos.
Predicción del siguiente token
En esencia, un LLM aprende a predecir la palabra (o token) más plausible dada toda la secuencia anterior. Esa única tarea, aplicada a una escala enorme, produce un lenguaje sorprendentemente capaz.
Entrenamiento con texto
Antes de que hables con un LLM, este ya procesó una porción enorme de texto escrito: libros, artículos, código, conversaciones. Ajustó sus pesos internos para encajar con los patrones de esos datos.
Parámetros, no reglas
A diferencia de los sistemas de IA antiguos basados en reglas escritas a mano, los LLM guardan el conocimiento como miles de millones de pesos numéricos. Ningún ingeniero escribió «el cielo es azul»; el modelo lo dedujo de patrones presentes en millones de ejemplos.
Capacidades emergentes
Habilidades como traducir, resumir y razonar en varios pasos no se programaron por separado. Surgieron como efecto secundario de volverse muy bueno prediciendo texto a gran escala.
POR DENTRO
Entrenamiento frente a inferencia: dos fases muy distintas
El entrenamiento es el proceso costoso, y que se hace una sola vez, de construir el modelo. Un conjunto de datos de texto enorme pasa una y otra vez por una red neuronal. Cada vez que el modelo se equivoca al adivinar la siguiente palabra, sus pesos se corrigen un poco para acertar mejor. Tras incontables iteraciones, los pesos se estabilizan en algo que recoge una comprensión amplia del lenguaje.
La inferencia es lo que ocurre cuando escribes un mensaje. El modelo toma tu prompt, lo hace pasar por esos pesos ya fijos y genera una respuesta palabra por palabra. En esta etapa no se aprende nada: aplica lo que ya sabe. Esto importa porque el modelo no puede actualizar su conocimiento sobre la marcha a partir de tu conversación.
Entre el entrenamiento en bruto y un asistente pulido, la mayoría de los modelos pasan por un ajuste fino adicional con retroalimentación humana. Personas valoran las respuestas según su utilidad y precisión, y el modelo se ajusta para preferir las mejor valoradas. Eso es lo que convierte a un predictor de texto en algo que se siente como un asistente atento y no como el autocompletado de un buscador.
LÍMITES REALES
Por qué los LLM a veces se equivocan
Entender cómo fallan te hace mejor usuario y te ayuda a detectar errores antes de que importen.
Alucinación
Cuando un LLM no tiene conocimiento fiable, puede generar igualmente una respuesta que suena plausible. Aprendió que el texto fluido y seguro se premia, así que el silencio o un «no lo sé» pueden resultarle poco naturales.
Fecha de corte del conocimiento
Los datos de entrenamiento tienen una fecha de corte. Los hechos, estudios o acontecimientos posteriores simplemente no existen en los pesos del modelo, a menos que se le dé una herramienta para consultarlos.
Límites de contexto
Todo LLM tiene una ventana de contexto: la cantidad de texto que puede mantener en su memoria de trabajo a la vez. La información fuera de esa ventana es invisible para el modelo mientras genera una respuesta.
Reconocer patrones, no razonar
Los LLM son excepcionalmente buenos reconociendo y extendiendo patrones. Ante problemas nuevos que exigen un razonamiento realmente original, pueden tropezar o equivocarse con total seguridad, de maneras que un lector atento detectaría rápido.
HABILIDAD PRÁCTICA
Por qué el prompt importa más de lo que la mayoría cree
El modelo con el que hablas es fijo; sus pesos no cambian entre conversaciones. Lo que sí puedes cambiar es el prompt: el contexto, las instrucciones y los ejemplos que le das. Un prompt vago obliga al modelo a adivinar tu intención. Uno específico acota el abanico de respuestas posibles hacia lo que realmente necesitas.
Por eso la ingeniería de prompts es una habilidad real y no una moda. Darle al modelo un rol («eres un abogado tributarista que revisa esta cláusula»), un formato («responde en tres viñetas») o ejemplos resueltos («esta es una buena respuesta a una pregunta similar») mejora de forma sistemática la calidad del resultado. No estás engañando al modelo; estás reduciendo su incertidumbre sobre cómo luce una buena respuesta.
Entender que el modelo predice los siguientes tokens más útiles también explica por qué es sensible a la redacción. Dos prompts que para ti significan lo mismo pueden activar patrones muy distintos en el modelo. La conclusión práctica: cuando una respuesta no da en el blanco, replantea en lugar de repetir.
Entender los LLM es la base. Usarlos bien es la habilidad.
Leer sobre la predicción del siguiente token da buen contexto. Pero practicar técnicas de prompts, trabajar con ejemplos reales y desarrollar intuición sobre lo que funciona es lo que convierte la comprensión en capacidad. El currículo de Nightschool AI es práctico desde la primera lección.
Preguntas frecuentes
¿Qué significa LLM?
LLM son las siglas en inglés de large language model, es decir, modelo de lenguaje grande. «Grande» se refiere a la escala tanto de los datos de entrenamiento como del número de parámetros internos del modelo. «Modelo de lenguaje» describe lo que hace: modela la probabilidad de secuencias de texto, que en la práctica significa predecir las palabras más útiles a partir de un prompt.
¿En qué se diferencia un LLM de un buscador?
Un buscador indexa documentos existentes y recupera los más relevantes para tu consulta. Un LLM genera texto nuevo prediciendo cómo sería una respuesta útil, apoyándose en patrones incorporados a sus pesos durante el entrenamiento. El buscador encuentra; el LLM compone. Muchos asistentes de IA hoy combinan ambos: el modelo genera mientras una capa de recuperación le da acceso a información actual.
¿Por qué alucinan los LLM?
La alucinación ocurre porque los LLM están optimizados para producir texto fluido y plausible, no para verificar datos antes de responder. Cuando el modelo no tiene una señal fiable en sus datos de entrenamiento, aun así puede generar una respuesta que suena segura al extender el patrón que parece más probable. Contrastar las respuestas de un LLM con fuentes fiables es una buena práctica siempre que la exactitud sea crítica.
¿Puede un LLM aprender de nuestra conversación?
No, no en tiempo real. Los pesos del modelo están fijos durante la inferencia. Tu conversación puede almacenarse y usarse en futuras rondas de entrenamiento según la política del proveedor, pero el modelo con el que hablas ahora mismo no se actualiza mientras escribes. Algunos sistemas simulan memoria al insertar resúmenes de conversaciones previas en la ventana de contexto, lo cual no equivale a aprender de verdad.
¿Qué es un token?
Un token es la unidad que los LLM procesan y predicen. En inglés, un token suele ser una palabra o un fragmento común de palabra; una palabra larga puede dividirse en varios tokens. Los LLM generan texto un token a la vez, eligiendo cada uno según el contexto acumulado. Las ventanas de contexto y el uso facturable suelen describirse en tokens y no en palabras o caracteres.
¿Cuál es la diferencia entre un LLM y un asistente de IA como Claude?
Un LLM es el modelo subyacente: la red neuronal entrenada. Un asistente de IA como Claude es un LLM más una capa de ajuste fino, entrenamiento en seguridad y, con frecuencia, herramientas adicionales como la búsqueda web o la ejecución de código. Piensa en el LLM como el motor y en el asistente como el vehículo terminado: la misma tecnología de base, moldeada para ser útil y segura en el uso diario.
¿Los LLM más grandes siempre rinden mejor?
No necesariamente. La escala ayuda, pero la calidad de los datos de entrenamiento, la técnica de ajuste fino y la tarea concreta importan al menos tanto. Los modelos más pequeños y bien ajustados suelen superar a los más grandes en tareas acotadas. El campo ha pasado de «cuanto más grande, mejor» a optimizar toda la cadena: arquitectura, datos, alineación y eficiencia de inferencia en conjunto.
¿Vale la pena aprender a escribir prompts?
Sí. Como los LLM predicen texto útil a partir del contexto, el planteamiento que les das moldea directamente lo que generan. Roles claros, formatos concretos, ejemplos resueltos y restricciones explícitas mejoran la calidad del resultado de manera constante. Escribir buenos prompts no es un parche para una herramienta limitada; es la forma de comunicar tu intención a un sistema que no puede leerte la mente.
Ponlo en práctica hoy
Saber cómo funcionan los LLM es el primer paso. El segundo es trabajar bien con ellos.