Lección 1 de 3 · 6 minutos

Cómo aprenden los modelos

Un modelo de lenguaje aprende patrones de enormes cantidades de texto y después se ajusta para seguir instrucciones.

Un modelo de lenguaje es un programa que lee texto y escribe el texto que es más probable que venga a continuación. Lo hace de poco en poco. Si le haces una pregunta, escribe una respuesta que encaja con los patrones que ha aprendido.

Los modelos aprenden en dos pasos principales. Primero viene el preentrenamiento: el modelo lee una cantidad enorme de texto, como libros, sitios web y código, y aprende a predecir la siguiente palabra. Ahí adquiere el lenguaje, los datos y los patrones de razonamiento. Después viene el ajuste: se le sigue entrenando con ejemplos de buenas respuestas, para que siga instrucciones y se comporte como un asistente útil en lugar de limitarse a continuar tu texto.

Los modelos tienen una fecha de corte de conocimiento. El entrenamiento termina en una fecha concreta, y el modelo no sabe nada de lo que pasó después. No busca información por su cuenta. Si necesitas datos recientes, tienes que dárselos al modelo, por ejemplo añadiendo un documento a tu prompt o activando una herramienta de búsqueda web.

Los modelos de razonamiento piensan antes de responder. Primero gastan tokens adicionales en resolver el problema y después escriben la respuesta. Esto ayuda con problemas difíciles, como matemáticas, código o planificación, pero tarda más y cuesta más, porque esos tokens de razonamiento cuentan como salida. En Phaseo eliges cuánto piensa un modelo con reasoning.effort (o reasoning_effort en Chat Completions), desde none hasta max. Un esfuerzo mayor ayuda con problemas difíciles y cuesta más tiempo y tokens.

Modelos de pesos abiertos y modelos cerrados. Algunos laboratorios publican los pesos de un modelo, los números que aprendió durante el entrenamiento, para que muchos proveedores puedan alojarlo. Otros mantienen los pesos en privado y solo ofrecen el modelo a través de su propia API o de socios elegidos. En Phaseo llamas a los dos tipos de la misma forma. La página de un modelo muestra su licencia en Acerca de y enumera todos los proveedores que lo alojan.

Comprueba lo que has aprendido

Preguntas a un modelo por algo que pasó la semana pasada y te da una respuesta antigua o inventada. ¿Por qué?

Ponlo en práctica

Usas un modelo de razonamiento para responder preguntas sencillas de clientes, como el horario de apertura. Las respuestas son correctas pero lentas, y cuestan más de lo que esperabas. ¿Qué podrías cambiar?

Mostrar la respuesta

Las preguntas sencillas rara vez necesitan pensar mucho. Baja reasoning.effort (o reasoning_effort), o usa un modelo que no razone. Los tokens de razonamiento cuentan como salida, así que pensar menos significa respuestas más rápidas y baratas. Reserva el esfuerzo alto para las tareas difíciles.

Idea clave

Un modelo predice texto a partir de lo que aprendió en el entrenamiento, no sabe nada posterior a su fecha de corte, y los modelos de razonamiento cambian tiempo y tokens por mejores respuestas en problemas difíciles.

Enlaces relacionados

El progreso se guarda en este navegador.

Revisado por última vez el 17 de noviembre de 2026