LLM en un minuto
Un LLM no guarda una enciclopedia completa en la que busca frases literalmente de forma fiable. Aprende patrones distribuidos en sus parámetros, aunque puede memorizar algunos fragmentos del entrenamiento. Una aplicación también puede darle acceso a búsquedas y documentos: consultar esas fuentes es distinto de responder solo con el modelo entrenado.
Un LLM con un ejemplo sencillo
Después de una reunión con un cliente tienes dos páginas de notas. Quieres convertirlas en una lista de decisiones, tareas y preguntas pendientes. Un LLM puede organizar el material y mejorar su legibilidad. Si las notas indican que todavía se está negociando una fecha, no debería presentarla como confirmada. La buena estructura y la fidelidad al documento son cualidades diferentes.
Con Tool Use, una aplicación permite que el modelo solicite búsquedas, cálculos u operaciones con archivos. El software ejecuta las peticiones autorizadas. Los AI Agents utilizan esta base para elegir pasos y comprobar resultados dentro de límites. El modelo de lenguaje y el sistema que realiza las acciones son componentes distintos.
- Aportar la fuente
Incluye las notas pertinentes y señala su versión.
- Definir el encargo
Pide acuerdos confirmados, responsables y asuntos sin resolver.
- Comprobar el resultado
Contrasta cada compromiso con el documento antes de compartirlo.
La instrucción “resume para la persona responsable del proyecto y deja sin asignar las tareas que no tengan responsable” aporta más información que “haz un resumen”. Un ejemplo breve puede mostrar el formato esperado. El modelo adapta su salida a ese contexto, pero eso no demuestra que sus pesos base estén cambiando de forma permanente durante la conversación.
La misma herramienta puede clasificar consultas, simplificar una carta o proponer una fórmula para una hoja de cálculo. Que redacte bien no garantiza que calcule bien. También puede producir un resumen elegante y omitir una excepción decisiva. Hay que evaluar las tareas que se utilizarán en el negocio, en vez de convertir una respuesta sorprendente en una prueba de capacidad general.
La parte técnica, sin complicarla
El texto suele dividirse en tokens, que reciben representaciones numéricas. Muchos LLM utilizan una arquitectura Transformer, con mecanismos de attention y otras operaciones de red para procesar relaciones entre elementos. LLM describe una clase de modelo de lenguaje; Transformer nombra una arquitectura frecuente. Están relacionados, pero no son términos intercambiables.
Entrenamiento y parámetros. Entrenar consiste en ajustar pesos numéricos para mejorar un objetivo de aprendizaje. En muchos modelos generativos, una base es predecir continuaciones de texto. Otros entrenamientos pueden mejorar el seguimiento de instrucciones o tareas concretas. El número de parámetros indica una dimensión de escala, no una clasificación universal de utilidad.
Un modelo autorregresivo calcula una distribución de posibles tokens siguientes. El procedimiento de selección elige uno y la secuencia crece paso a paso. Según la configuración, no siempre se escoge únicamente el token más probable. Esta repetición puede construir un razonamiento extenso, pero también continuar una premisa errónea introducida al principio.
La Context Window limita la información que puede estar disponible en el procesamiento correspondiente. Instrucciones, mensajes anteriores, documentos y resultados de herramientas pueden ocupar espacio. El conjunto completo de entrenamiento no se vuelve a insertar con cada pregunta. Una laguna en el contexto actual es distinta de un hecho que el modelo nunca aprendió de forma fiable.
Reasoning o razonamiento. En este ámbito describe el rendimiento en tareas con pasos intermedios, como comparar, deducir o planificar. El entrenamiento y más cálculo durante el uso pueden mejorar algunas de esas capacidades. Una explicación visible de los pasos no representa necesariamente todas las operaciones internas ni demuestra pensamiento humano.
MoE y pesos abiertos. Algunos modelos emplean Mixture of Experts: un mecanismo de selección activa determinados componentes de la red para una entrada. Por eso, parámetros totales y parámetros activos son cantidades distintas. Open weights significa que se publican pesos bajo unas condiciones; no implica por sí solo que todos los datos de entrenamiento, el código y los derechos de uso sean abiertos y sin restricciones. Hay que consultar la licencia y la documentación concreta. Puedes ver ejemplos concretos en la arquitectura de DeepSeek y los modelos descargables de Qwen.
Qué cambia cuando el LLM utiliza herramientas
Una aplicación puede permitir que el modelo proponga una búsqueda o una operación de cálculo. El software ejecuta la acción autorizada y devuelve el resultado. A continuación, el modelo puede incorporarlo a la respuesta. Escribir “he consultado el catálogo” no ejecuta ninguna consulta: esa afirmación necesita un resultado real de la herramienta.
| Configuración | Información disponible | Comprobación útil |
|---|---|---|
| Sin consulta externa | Patrones aprendidos y contexto actual. | ¿La pregunta necesita datos recientes o una fuente? |
| Con un documento | Pasajes aportados y procesamiento del modelo. | ¿Cada afirmación coincide con la versión correcta? |
| Con una herramienta | Un resultado obtenido o calculado realmente. | ¿Eran correctos los datos de entrada y su interpretación? |
RAG facilita material recuperado para generar una respuesta y puede ayudar con información actual de la empresa. No reentrena automáticamente el modelo. Incluso con fuentes pueden producirse selecciones equivocadas, lecturas incorrectas y Hallucination. El proceso debe permitir reconocer que falta información, en lugar de exigir siempre una respuesta aparentemente completa.
- Selecciona tareas representativas con resultados comprobables.
- Indica qué fuente tiene prioridad y qué antigüedad es aceptable.
- Usa herramientas adecuadas para cálculos y datos cambiantes.
- Valora la exactitud factual por separado de la calidad de redacción.
- Compara el conjunto de modelo, herramientas y revisión.
Estas distinciones sirven para comparar productos de diferentes proveedores. Pregunta por los documentos, idiomas y mecanismos que requiere tu actividad. Las evaluaciones generales aportan contexto, pero no sustituyen una prueba con el trabajo real y con las correcciones que tu equipo necesitaría hacer antes de utilizar cada respuesta.
- Brown et al. · Language Models are Few-Shot Learners (2020)
- Vaswani et al. · Attention Is All You Need (2017)
- Stanford CRFM · On the Opportunities and Risks of Foundation Models
- Ji et al. · Survey of Hallucination in Natural Language Generation
- Fedus et al. · Switch Transformers
- Turpin et al. · Language Models Do Not Always Say What They Think