¿Qué es el fine-tuning?
Fundamentos, modelos y capacidades de IA
El fine-tuning consiste en tomar un modelo general y entrenarlo adicionalmente con un conjunto de datos más pequeño y específico para una tarea, de modo que funcione mejor en un caso de uso concreto. Se adapta un modelo existente en lugar de construir uno desde cero. Es más útil cuando el uso de instrucciones por sí solo no es suficientemente fiable y la misma tarea se repite a gran escala. El fine-tuning cambia el comportamiento del modelo, no los hechos actuales que conoce; para información reciente se utiliza la recuperación de datos. Es eficaz para la consistencia y el formato, pero no es una solución universal y conlleva obligaciones en materia de datos, costes y ciclo de vida.
Revisado por Jackie, Head of Learning & Development, Levellers - Última revisión: 8 de junio de 2026
Qué significa esto
Un modelo fundacional es un modelo generalista, entrenado de forma amplia para poder realizar muchas tareas de manera aceptable. El fine-tuning es como incorporar a un nuevo empleado con talento: ya tiene capacidades, pero se le forma en la manera específica en que la organización realiza una tarea concreta, para que la ejecute de forma consistente y con el estilo propio de la empresa.
Se diferencia del uso de instrucciones y de una base de conocimiento. Las instrucciones se proporcionan en tiempo de ejecución, cada vez. El fine-tuning incorpora el patrón deseado en el propio modelo, de modo que se necesitan menos instrucciones posteriormente. Una base de conocimiento, a la que se accede mediante recuperación, suministra hechos actuales. El fine-tuning moldea el comportamiento y la forma; no mantiene al modelo actualizado en cuanto a hechos. Tener clara esta distinción entre comportamiento y conocimiento es la idea más útil de todo esto.
Por qué importa
Las instrucciones tienen un límite. Para algunas tareas, ninguna formulación de instrucciones logra un comportamiento fiable y consistente, especialmente cuando la tarea es específica, se repite con frecuencia y debe seguir un formato estricto. El fine-tuning eleva ese límite: mejora la consistencia, puede reducir la longitud y el coste de las instrucciones, y hace que el comportamiento sea más predecible, lo que facilita la gobernanza.
Pero no es una solución universal. Añade gestión de datos, costes y un ciclo de vida que administrar. Para muchos problemas, una mejor instrucción o la recuperación de datos es más económica y rápida. El fine-tuning justifica su uso solo cuando el problema es genuinamente de comportamiento y de alto volumen.
Cómo funciona
Definir primero la tarea
Comienza por definir con exactitud qué significa un buen resultado para una tarea específica y concreta. Sin un objetivo claro, no es posible construir un conjunto de datos ni evaluar la mejora.
Construir un conjunto de datos de ejemplos
Se recopilan ejemplos de entradas y salidas que muestran el comportamiento deseado. El enfoque más habitual es el fine-tuning supervisado, en el que el modelo aprende a partir de pares de entrada-salida etiquetados. La calidad importa más que el volumen: un conjunto de datos más pequeño, limpio y representativo suele superar a uno más grande pero con ruido.
Métodos eficientes y basados en preferencias
El fine-tuning completo actualiza todos los parámetros del modelo y resulta costoso. Los métodos eficientes en parámetros, como LoRA, entrenan un número reducido de parámetros añadidos mientras mantienen congelados los pesos originales, lo que reduce considerablemente el coste y la memoria sin sacrificar la calidad en muchas tareas; los autores de LoRA informan de una reducción de los parámetros entrenables de hasta 10.000 veces y de la memoria GPU en aproximadamente 3 veces en comparación con el fine-tuning completo de un modelo de 175.000 millones de parámetros. Más allá del aprendizaje supervisado, los métodos basados en preferencias alinean el modelo con las respuestas preferidas por humanos. Direct Preference Optimization aprende directamente a partir de pares de preferencias sin necesidad de un modelo de recompensa separado, mientras que los métodos basados en refuerzo, como el reinforcement learning from human feedback, fueron el enfoque utilizado en los primeros modelos que seguían instrucciones. Estos métodos alinean el comportamiento y el tono, en lugar de enseñar hechos.
Evaluar y luego desplegar con cuidado
Se evalúa sobre un conjunto reservado que el modelo nunca ha visto durante el entrenamiento, para comprobar que generaliza en lugar de memorizar. El sobreajuste, en el que el modelo repite los ejemplos de entrenamiento pero falla con ejemplos nuevos, es el fallo clásico. Tras el despliegue, conviene monitorizarlo y mantener salvaguardas, ya que el comportamiento puede derivar a medida que cambian las entradas.
Qué comparten los buenos casos de uso
Los candidatos sólidos son específicos, de alto volumen, de naturaleza conductual más que factual, y medibles. Si no se puede definir una métrica, no es posible saber si el fine-tuning ha funcionado.
Instrucciones frente a fine-tuning frente a recuperación
Las instrucciones son lo más rápido de probar y lo más adecuado para tareas puntuales o variadas. La recuperación es la mejor opción cuando la necesidad son hechos actuales o específicos. El fine-tuning es la mejor opción cuando se necesita un comportamiento consistente o un formato fijo en una tarea repetitiva. Muchos sistemas reales combinan la recuperación para los hechos con el fine-tuning para el comportamiento.
Ejemplos
Clasificación de solicitudes de soporte: asignar los tickets entrantes a la cola correcta de forma consistente y a gran volumen.
Extracción: convertir un correo electrónico de un proveedor en un formulario de entrada estructurado con los mismos campos en cada ocasión.
Reescritura conforme a la imagen de marca: reescribir contenido con un estilo corporativo consistente en varios idiomas.
Clasificación de consultas de RRHH: derivar las preguntas del personal al área de política correcta de forma fiable.
Resúmenes de casos estándar: generar una estructura de resumen fija para cada caso, de modo que los pasos posteriores puedan confiar en el formato.
Malentendidos frecuentes
"El fine-tuning proporciona al modelo conocimiento actualizado." Principalmente cambia el comportamiento. Para hechos actuales, se utiliza la recuperación.
"Compite con la recuperación." Son complementarios. El comportamiento proviene del fine-tuning; los hechos, de la recuperación.
"Es solo para grandes empresas." Los métodos eficientes como LoRA han reducido el coste lo suficiente como para que equipos más pequeños con una tarea clara y específica puedan utilizarlo.
"Más datos siempre es mejor." La calidad y la representatividad superan al volumen bruto; los datos con ruido perjudican los resultados.
"Cura las alucinaciones." No es así. Un modelo con fine-tuning puede seguir produciendo resultados incorrectos con aparente seguridad, especialmente sobre hechos que nunca se le proporcionaron.
Riesgos y limitaciones
Formalización de criterios deficientes: si los ejemplos codifican decisiones erróneas, el fine-tuning hace que esos errores sean consistentes y más difíciles de detectar.
Deriva del ciclo de vida: el mundo y las entradas cambian, por lo que un modelo con fine-tuning necesita revisión y, en ocasiones, reentrenamiento.
Gobernanza de datos: los datos de entrenamiento pueden contener información personal o sensible, lo que conlleva obligaciones legales y de seguridad. La normativa de protección de datos del Reino Unido se aplica al uso de esos datos.
Coste económico: la preparación de datos, el entrenamiento, la evaluación y el mantenimiento continuo suponen tiempo y dinero. Conviene sopesarlo frente a enfoques más sencillos.
Qué hacer a continuación
Primero, comprueba si el problema es realmente de comportamiento. Si una mejor instrucción o la recuperación de datos lo resuelve, opta por esa vía. Si es genuinamente de comportamiento, define un caso de uso específico, de alto volumen y con una métrica clara. Construye un conjunto de datos de referencia con ejemplos limpios y representativos. Realiza una comparación controlada: instrucciones solas, recuperación y un modelo con fine-tuning, medidos sobre el mismo conjunto reservado. Versiona los conjuntos de datos y los modelos, y programa revisiones, porque un modelo con fine-tuning es un activo vivo, no una entrega puntual. La razón más frecuente por la que los proyectos fracasan es comenzar con los datos y las herramientas antes de definir la tarea y la métrica.
¿Tienes alguna pregunta o sugerencia, o quieres saber cómo investigamos y revisamos estas guías? Lee sobre nuestros estándares editoriales y cómo contactarnos.
Preguntas frecuentes
¿Cuál es la diferencia entre el fine-tuning y el entrenamiento desde cero?
El entrenamiento desde cero construye un modelo de la nada con un coste enorme. El fine-tuning adapta un modelo existente con un conjunto de datos más pequeño, lo que es mucho más económico y rápido.
¿Cuándo debo aplicar fine-tuning en lugar de escribir una mejor instrucción?
Cuando las instrucciones no logran un comportamiento fiable y consistente y la tarea se repite a gran escala. Si una instrucción lo resuelve, es preferible usar la instrucción.
¿El fine-tuning reemplaza a la recuperación?
No. La recuperación suministra hechos actuales; el fine-tuning moldea el comportamiento y el formato. Con frecuencia se utilizan juntos.
¿Puede el fine-tuning mejorar las salidas estructuradas?
Sí. Es muy adecuado para imponer un formato consistente, como un conjunto fijo de campos o una estructura de resumen estándar.
¿Más datos de entrenamiento siempre es mejor?
No. Los datos limpios y representativos importan más que el volumen. Los datos con ruido pueden empeorar los resultados.
¿El fine-tuning elimina las alucinaciones?
No. Un modelo con fine-tuning puede seguir produciendo resultados incorrectos con aparente seguridad, especialmente sobre hechos que no se le proporcionaron.
¿Qué es LoRA?
Un método de fine-tuning eficiente en parámetros que entrena un conjunto reducido de parámetros añadidos mientras mantiene congelado el modelo original, reduciendo el coste y la memoria.
¿Cuál es la principal razón por la que fracasan los proyectos de fine-tuning?
Comenzar sin una definición clara de la tarea y la métrica, de modo que no hay forma de construir el conjunto de datos adecuado ni de saber si ha funcionado.
Fuentes
LoRA: Low-Rank Adaptation of Large Language Models (arXiv (Hu et al.)). Foundational parameter-efficient fine-tuning method that lowers cost and memory.
Direct Preference Optimization: Your Language Model is Secretly a Reward Model (NeurIPS (Rafailov et al.)). Foundational preference-optimisation method for aligning model behaviour.
Training language models to follow instructions with human feedback (arXiv (Ouyang et al.), NeurIPS 2022). Foundational work on supervised fine-tuning and RLHF for instruction following.
Artificial Intelligence Risk Management Framework (AI RMF 1.0), NIST AI 100-1 (NIST). Governance, evaluation and monitoring framing for adapted models.
Guidance on AI and data protection (Information Commissioner's Office (ICO)). UK data protection obligations for training data used in fine-tuning.