Modelos fundacionales

Un modelo fundacional es un modelo grande preentrenado con datos amplios para servir como base reutilizable de muchas tareas. No nace para una sola pantalla o clasificación: se adapta mediante instrucciones, herramientas, recuperación de conocimiento o entrenamiento adicional.

Un LLM es un tipo de modelo fundacional centrado en lenguaje. No todos los modelos fundacionales son LLM: también los hay de imagen, audio, video y multimodales.

Del modelo base a una aplicación

preentrenamiento amplio
        ↓
modelo fundacional
        ↓
post-training / instrucciones / herramientas / RAG
        ↓
aplicación concreta

El modelo aporta capacidades generales y patrones aprendidos. La aplicación añade el contexto actual, las reglas de negocio, las fuentes autorizadas y las acciones que puede ejecutar.

Ejes que no debes mezclar

• Base vs. instruct. Un modelo base continúa patrones; uno ajustado para instrucciones está preparado para conversar y seguir órdenes.
• General vs. especializado. Uno general cubre muchas tareas; uno especializado sacrifica amplitud para rendir mejor en un dominio o modalidad.
• Cerrado vs. pesos disponibles. En un servicio cerrado consumes una API. Con pesos disponibles puedes desplegar y adaptar, sujeto a su licencia. «Open weights» no significa automáticamente «open source».
• Una modalidad vs. multimodal. Texto, imagen, audio y video pueden entrar o salir en combinaciones distintas.
• Pequeño vs. grande. Más parámetros o costo no equivalen a mejor resultado para cada tarea; latencia y operación también importan.

Qué sí y qué no queda dentro del modelo

El entrenamiento fija patrones y conocimiento estadístico hasta un punto temporal. Tus datos actuales, permisos y estado de negocio no aparecen mágicamente. Se entregan en tiempo de inferencia mediante contexto, RAG o herramientas.

El modelo tampoco incluye por sí solo una interfaz, memoria persistente ni un sistema de permisos. Esas capacidades pertenecen a la plataforma, el producto o el harness.

Criterio práctico

Empieza por el modelo más pequeño que cumpla tus evaluaciones. Sube de capacidad sólo cuando la mejora justifique costo y latencia; considera despliegue propio sólo si control, residencia o economía a escala compensan la operación.

Temas relacionados

El Proveedor crea u ofrece el modelo; la Plataforma lo sirve. El Entrenamiento y fine-tuning explica cómo se obtiene y adapta.