---
title: "¿Qué es un LLM? Cómo funciona un modelo de lenguaje grande"
description: "Un LLM es un modelo de IA entrenado con enormes cantidades de texto para predecir la siguiente palabra. Cómo funciona, cómo se entrena y dónde falla."
url: https://proxynet.io/es/blog/what-is-a-large-language-model
date: 2026-11-18
author: "Acar Diveroli"
category: "IA"
lang: es
---

# ¿Qué es un LLM? Cómo funciona un modelo de lenguaje grande

Una responsable de marketing pega cincuenta reseñas de clientes en una ventana de chat y pide las tres quejas más comunes. Un desarrollador pide una expresión regular que reconozca números de pedido. Una estudiante pregunta por qué el cielo es azul. Los tres reciben en segundos una respuesta fluida del mismo tipo de software: un modelo de lenguaje grande (large language model, LLM), que escribe su respuesta un pequeño fragmento de texto cada vez.

Este artículo explica qué es un LLM y qué significa «grande», cómo convierte un prompt en una respuesta, cómo se entrena y con qué datos, en qué se diferencia de un chatbot, un agente de IA y un motor de búsqueda, dónde falla y qué separa a los modelos de pesos abiertos de los cerrados.

> **Nota: Respuesta breve**
>
> Un modelo de lenguaje grande (LLM) es un modelo de IA entrenado con una cantidad muy grande de texto para predecir el siguiente fragmento de texto. «Grande» se refiere a sus miles de millones de números internos, llamados parámetros, y a la enorme cantidad de texto de la que aprende. Para responder, divide tu prompt en tokens, los pasa por capas transformer que ponderan cómo se relacionan las palabras, puntúa cada posible token siguiente, elige uno y repite hasta completar la respuesta. Se preentrena sobre todo con páginas web públicas, libros y código, y después se ajusta con ejemplos y retroalimentación humana para que siga instrucciones. Escribe con fluidez, pero no comprueba los hechos, no sabe nada de lo ocurrido después del final de sus datos de entrenamiento y puede equivocarse con total seguridad.

## ¿Qué es un modelo de lenguaje grande?

Un modelo de lenguaje grande es una red neuronal entrenada con una colección muy grande de textos para predecir qué fragmento de texto viene después, y usa esa única habilidad para escribir, resumir, traducir, responder preguntas y generar código. Un modelo de lenguaje, en general, es cualquier modelo que asigna probabilidades a secuencias de palabras; las sugerencias de la siguiente palabra en el teclado de un teléfono se basan en una idea parecida a escala diminuta.

«Grande» tiene dos sentidos. El primero es el número de parámetros. Un parámetro es un número dentro del modelo, un peso que el entrenamiento ajusta una y otra vez hasta que las predicciones del modelo mejoran; todo lo que el modelo ha aprendido se guarda en esos números. El segundo es la cantidad de texto de entrenamiento. GPT-3, descrito por investigadores de OpenAI en 2020, tenía 175 mil millones de parámetros, diez veces más que cualquier modelo de lenguaje no disperso (non-sparse) anterior según sus autores, y se entrenó con 300 mil millones de tokens.

Un LLM no contiene una base de datos de hechos que consulte. Lo que «sabe» existe solo como patrones repartidos entre sus parámetros, y por eso puede explicar bien un concepto y aun así equivocarse en una fecha, un precio o una cita.

## ¿Cómo funciona un LLM?

Un LLM genera texto token a token: convierte tus palabras en números, los pasa por muchas capas que calculan cómo se relacionan las palabras entre sí, puntúa cada posible token siguiente, elige uno, lo añade al texto y repite. En orden:

1. **Dividir el texto en tokens.** Un token es una palabra o un trozo de palabra; una palabra común suele ser un solo token, mientras que una rara se corta en varios trozos. [¿Qué son los tokens en IA?](/es/blog/what-are-tokens-in-ai) muestra cómo se hace la división y por qué determina el costo y los límites.
1. **Convertir cada token en números.** Cada token se asigna a una larga lista de números, un vector, que lo sitúa en un espacio donde las palabras que se usan de forma parecida quedan cerca unas de otras.
1. **Pasar los vectores por capas transformer.** La mayoría de los LLM actuales se basan en el transformer, la arquitectura presentada en el artículo de 2017 [Attention Is All You Need](https://arxiv.org/abs/1706.03762). Su núcleo es la atención (attention): cada token mira los demás tokens del texto y pondera cuáles importan para su significado. En «el banco subió los intereses», la atención permite que «intereses» le indique al modelo que «banco» es una entidad financiera y no un asiento.
1. **Puntuar cada posible token siguiente.** La última capa da una probabilidad para cada token del vocabulario del modelo, la lista fija de tokens que conoce.
1. **Elegir uno.** El modelo toma el token más probable o elige al azar entre los probables. Un ajuste llamado temperatura (temperature) controla cuánta aleatoriedad se permite, y por eso la misma pregunta puede recibir dos respuestas redactadas de forma distinta.
1. **Añadir y repetir.** El token elegido se añade al texto y todo el ciclo vuelve a empezar, hasta que el modelo produce un token de parada o llega a su límite de longitud.

Este ciclo explica los puntos fuertes del modelo y sus puntos débiles. Escribe textos fluidos y bien estructurados porque continuar texto fluido es justo aquello para lo que se entrenó. No se detiene a comprobar si una frase es cierta, porque ningún paso del ciclo hace esa pregunta.

## ¿Cómo se entrena un LLM?

Un LLM se entrena por etapas: el preentrenamiento con un corpus de texto enorme le enseña el idioma y conocimientos generales, y después el ajuste por instrucciones y el ajuste por preferencias le enseñan a seguir peticiones y a dar el tipo de respuesta que la gente espera.

El **preentrenamiento** es autosupervisado (self-supervised), es decir, el propio texto aporta las respuestas. El modelo lee un pasaje, adivina el siguiente token, compara su predicción con el token real y ajusta un poco sus parámetros para que el token correcto sea más probable. Repetida a lo largo de cientos de miles de millones de tokens, esta etapa se lleva la mayor parte del trabajo de cómputo. El resultado es un modelo base (base model): continúa bien un texto, pero si le haces una pregunta puede limitarse a escribir más preguntas.

El **ajuste por instrucciones** (instruction tuning) sigue entrenando el modelo base con ejemplos de prompts emparejados con buenas respuestas, a menudo escritos por personas. También se llama ajuste fino supervisado (supervised fine-tuning), y convierte un modelo que continúa textos en un asistente que responde.

El **ajuste por preferencias** usa clasificaciones en lugar de respuestas escritas. Varias personas comparan distintas respuestas al mismo prompt y marcan las mejores, un modelo de recompensa independiente aprende de esas clasificaciones y el aprendizaje por refuerzo empuja al LLM hacia las respuestas que puntúan bien. Esto es el aprendizaje por refuerzo con retroalimentación humana (RLHF). En el [artículo de InstructGPT](https://arxiv.org/abs/2203.02155), de 2022, los evaluadores humanos prefirieron las respuestas de un modelo de 1,3 mil millones de parámetros ajustado así a las de GPT-3, con 175 mil millones, de modo que el tamaño por sí solo no hace útil a un modelo.

Las empresas pueden repetir una versión más pequeña de la segunda etapa con sus propios ejemplos para enseñar a un modelo un formato, un tono o una tarea concreta. Ese proceso, y cuándo supera a un prompt bien escrito, se explica en [¿Qué es el fine-tuning?](/es/blog/what-is-fine-tuning)

## ¿De dónde salen los datos de entrenamiento?

La mayor parte del texto de preentrenamiento procede de páginas web públicas, junto con libros, código, enciclopedias y otras fuentes seleccionadas o con licencia, filtradas por calidad y limpias de duplicados. El artículo de GPT-3 es una de las descripciones públicas más claras de una mezcla de entrenamiento: el 60 % de los ejemplos vistos durante el entrenamiento vino de una copia filtrada de Common Crawl, y el resto, de un conjunto de textos web, dos colecciones de libros y la Wikipedia en inglés.

Common Crawl es un archivo de páginas web que se describe a sí mismo como un [repositorio libre y abierto de datos de rastreo web](https://commoncrawl.org/) que cualquiera puede usar. Los autores de GPT-3 no lo usaron en bruto: conservaron las páginas más parecidas a textos de referencia de alta calidad y eliminaron los casi duplicados, porque los datos de rastreo sin filtrar bajaban la calidad.

Los datos web también importan después del preentrenamiento. Los equipos ajustan modelos con ejemplos de su sector y crean conjuntos de prueba que comprueban si un asistente responde bien sobre precios, productos o normas en distintos mercados. Muchos productos usan además RAG (generación aumentada por recuperación): la aplicación busca las páginas relevantes en el momento de la pregunta y se las entrega al modelo junto con la pregunta.

Esas páginas suelen cambiar según el país, así que una comprobación hecha desde una sola oficina ve solo una versión. Con los [Proxies residenciales](https://proxynet.io/es/residential-proxy), cada solicitud sale por una conexión doméstica del país y la ciudad que elijas, de modo que recopilas la página pública tal como la ve un visitante local.

Para los equipos que necesitan páginas públicas de muchos países a gran escala, nuestra página de [soluciones de extracción de datos](/es/data-scraping) presenta los pools de proxies pensados para trabajos de recopilación, y nuestro equipo de ventas puede hablar contigo sobre la extracción gestionada de páginas. Elijas el camino que elijas, recopila solo páginas públicas, respeta robots.txt y los términos del sitio, mantén un ritmo de solicitudes bajo, usa una API oficial cuando exista y deja fuera los datos personales que no necesites.

## ¿Qué diferencia hay entre un LLM, un chatbot, un agente de IA y un motor de búsqueda?

Un LLM es el modelo en sí; un chatbot es una aplicación construida alrededor de un modelo; un agente de IA es un sistema que permite a un modelo usar herramientas y avanzar paso a paso hacia un objetivo; un motor de búsqueda encuentra y ordena páginas que ya existen.

| Término | Qué es | Qué hace | Ejemplo |
|---|---|---|---|
| LLM | Un modelo entrenado | Predice el siguiente token | gpt-oss-20b |
| Chatbot | Una app basada en un modelo | Mantiene una conversación | ChatGPT, un bot de soporte |
| Agente de IA | Modelo con herramientas y un ciclo | Planifica y actúa por pasos | Un agente que reserva viajes |
| Motor de búsqueda | Un índice de páginas web | Encuentra y ordena páginas | Búsqueda de Google |

En el uso diario los límites se difuminan: los chatbots consultan un motor de búsqueda antes de responder, los motores de búsqueda muestran resúmenes escritos por IA y los agentes funcionan con los mismos modelos. Aun así, la distinción ayuda cuando algo falla, porque un dato erróneo suele venir del modelo; una fuente que falta, del paso de recuperación, y una acción equivocada, de las herramientas del agente.

## ¿Cuáles son los límites de los LLM?

Un LLM produce texto probable, no texto verificado, y la mayoría de sus límites se derivan de eso:

- **Alucinación.** El modelo puede afirmar datos falsos, inventar fuentes o citar mal un documento con total seguridad; [¿Qué son las alucinaciones de IA?](/es/blog/what-is-ai-hallucination) explica por qué ocurre y cómo reducirla.
- **Fecha de corte del conocimiento.** Sus datos de entrenamiento terminan en una fecha, así que, sin una herramienta de búsqueda, no sabe nada de hechos, precios o leyes posteriores.
- **Ventana de contexto.** El modelo solo puede tener en cuenta un número limitado de tokens a la vez, contando tu prompt, los documentos que pegues y su propia respuesta; lo que pase de ahí hay que recortarlo o resumirlo.
- **Costo por token.** Los proveedores de API cobran por token, normalmente con precios distintos para la entrada y la salida, así que los documentos largos y las respuestas largas cuestan más.
- **Sesgo.** Los patrones de los datos de entrenamiento, incluidos los estereotipos y el predominio de algunos idiomas, pasan a las respuestas.
- **Privacidad.** El texto que pegas en una herramienta de IA va a su proveedor; los datos de clientes o empleados en un prompt cuentan como datos personales según el RGPD en la UE y la KVKK de Türkiye (Ley n.º 6698 de Protección de Datos Personales), así que revisa primero las condiciones del proveedor.

## ¿Qué diferencia hay entre los modelos de pesos abiertos y los cerrados?

Un modelo de pesos abiertos (open-weight) tiene sus parámetros publicados, así que cualquiera puede descargarlo, ejecutarlo en su propio hardware y hacerle ajuste fino dentro de lo que permita la licencia; un modelo cerrado solo está disponible a través de la app o la API del proveedor. Los modelos gpt-oss de OpenAI, publicados con la licencia Apache 2.0, son un ejemplo del primer tipo, y Mistral publica tanto modelos de pesos abiertos como modelos comerciales.

Pesos abiertos no es lo mismo que código abierto. Los pesos pueden ser de uso libre mientras los datos y el código de entrenamiento siguen siendo privados, y las licencias van de permisivas a restrictivas. En la práctica, eliges entre control y comodidad: un modelo en tus propios servidores mantiene los datos dentro de la empresa y se puede modificar libremente, mientras que un modelo cerrado no necesita hardware y lo actualiza su proveedor.

Junto a LLM suelen aparecer otros dos términos. Un modelo de mezcla de expertos (MoE) divide algunas capas en muchas subredes más pequeñas y envía cada token solo a unas pocas, de modo que un modelo muy grande hace menos trabajo por token. Un modelo multimodal acepta o produce algo más que texto, como imágenes y audio, dentro del mismo modelo.

## ¿Para qué se usan los LLM?

Los LLM se usan allí donde el trabajo empieza o termina con texto. En las oficinas redactan correos, informes y descripciones de productos, y resumen documentos largos, notas de reuniones y tickets de soporte. Los equipos de atención al cliente los usan para responder preguntas rutinarias y derivar el resto a una persona, los traductores, para los primeros borradores, y los profesionales de marketing, para agrupar por temas las respuestas abiertas de las encuestas.

Los desarrolladores los usan para escribir y explicar código y para convertir peticiones en lenguaje cotidiano en consultas a bases de datos. Los analistas los usan para sacar nombres, fechas e importes de texto no estructurado. Los productos de búsqueda los usan para redactar respuestas a partir de páginas recuperadas, y los agentes, como la pieza que decide qué hacer a continuación.

## Errores frecuentes

- **Tomar la respuesta como un hecho.** La fluidez no es una prueba; comprueba nombres, cifras, fechas y citas con una fuente primaria.
- **Preguntar por hechos recientes sin una herramienta de búsqueda.** Un modelo sin recuperación responde con sus datos de entrenamiento y puede no avisar de que están desactualizados.
- **Pegar datos confidenciales o personales sin revisar las condiciones.** Lee la política de datos del proveedor y quita lo que la tarea no necesite.
- **Elegir un modelo solo por el número de parámetros.** El ajuste, los datos de entrenamiento y la propia tarea importan tanto como el tamaño.
- **Esperar la misma respuesta cada vez.** El muestreo hace que las salidas varíen; fija el formato con instrucciones claras y ejemplos.
- **Pedir cálculos o recuentos exactos en texto libre.** Dale al modelo una calculadora o una herramienta de código, o revisa tú mismo las cuentas.

## Guía de decisión

| Necesidad | Qué usar |
|---|---|
| Redactar, reescribir o resumir texto | Un asistente de chat, y luego editar el resultado |
| Respuestas sobre actualidad o precios | Un modelo con búsqueda web que muestre las fuentes |
| Respuestas a partir de tus propios documentos | Recuperación sobre esos documentos (RAG) |
| Una tarea concreta con formato fijo | Primero mejores prompts; ajuste fino si no bastan |
| Datos que no deben salir de tus servidores | Un modelo de pesos abiertos alojado por ti |
| Tareas amplias sin hardware propio | Un modelo cerrado mediante una app o una API |
| Hechos legales, médicos o financieros | Fuentes primarias; el LLM solo para borradores |

## Preguntas frecuentes

### ¿ChatGPT es un LLM?

No exactamente: ChatGPT es un chatbot, una aplicación, y los motores que tiene detrás son los modelos de lenguaje grandes GPT de OpenAI. La app añade lo que al modelo le falta por sí solo, como la interfaz de chat, el historial de conversaciones, las capas de seguridad y las herramientas.

### ¿Qué diferencia hay entre un LLM y la IA generativa?

La IA generativa es la categoría amplia de IA que crea contenido nuevo, ya sea texto, imágenes, audio, vídeo o código, y un LLM es la parte de esa categoría que trabaja con el lenguaje. Los generadores de imágenes son IA generativa, pero no son LLM. Muchos LLM recientes también leen imágenes o audio, lo que difumina la frontera.

### ¿Qué significa LLM?

En IA, LLM son las siglas de large language model, es decir, modelo de lenguaje grande. Las mismas letras, escritas LL.M., también corresponden a Master of Laws, un título de posgrado en Derecho que no tiene nada que ver con la IA.

### ¿Cómo se entrena un LLM?

Se entrena en tres grandes etapas. El preentrenamiento le enseña a predecir el siguiente token en un conjunto de texto muy grande, el ajuste por instrucciones lo entrena con ejemplos de buenas respuestas y el ajuste por preferencias usa las clasificaciones que hacen las personas de las respuestas, a menudo mediante RLHF, para que sus respuestas sean más útiles.

### ¿Un LLM puede navegar por internet?

Por sí solo, no: el modelo solo conoce sus datos de entrenamiento y lo que haya en el prompt. Una aplicación o una API puede darle una herramienta de búsqueda web. La documentación de Anthropic, por ejemplo, describe una herramienta que los desarrolladores añaden a una solicitud para que el modelo responda con información actualizada más allá de su fecha de corte del conocimiento, con citas de las páginas que usó. En ese caso el modelo lee resultados que un software buscó por él; recorrer páginas haciendo clic como lo haría una persona es lo que añaden los agentes de IA y los navegadores con IA.

### ¿Un LLM entiende lo que dice?

No hay una respuesta definitiva. Un LLM aprende los patrones estadísticos del texto, y los investigadores Emily Bender y Alexander Koller sostuvieron en un [artículo de la ACL de 2020](https://aclanthology.org/2020.acl-main.463/) que un sistema entrenado solo con la forma del lenguaje no tiene manera de aprender su significado. Otros sostienen que predecir texto tan bien exige alguna representación interna del significado. En cualquier caso, la consecuencia práctica es la misma: el modelo no tiene ninguna comprobación integrada de que lo que dice sea cierto.

## En resumen

Un modelo de lenguaje grande es una red neuronal entrenada con una cantidad muy grande de texto para predecir el siguiente token, y construye cada respuesta repitiendo esa predicción. Se preentrena sobre todo con páginas web públicas, libros y código, y después se ajusta con ejemplos y clasificaciones humanas para que siga instrucciones. Eso lo hace útil para redactar, resumir, traducir y programar, y poco fiable como fuente de información: puede alucinar, deja de aprender en su fecha de corte y solo ve lo que cabe en su ventana de contexto. Úsalo para primeros borradores rápidos, apóyalo en fuentes actuales cuando los hechos importen y deja que una persona revise todo lo que tenga que ser correcto.
