---
title: "¿Qué es el fine-tuning? Ajuste fino de LLM vs. RAG"
description: "El ajuste fino (fine-tuning) sigue entrenando un modelo con pocos ejemplos de una tarea. Cómo funciona, LoRA y SFT, los datos que pide y cuándo conviene RAG."
url: https://proxynet.io/es/blog/what-is-fine-tuning
date: 2026-11-18
author: "Acar Diveroli"
category: "IA"
lang: es
---

# ¿Qué es el fine-tuning? Ajuste fino de LLM vs. RAG

El prompt de un equipo de soporte ya ocupa tres páginas: reglas de tono, el formato JSON de las etiquetas de los tickets, treinta respuestas de ejemplo. Cada solicitud paga esos tokens, y aun así el asistente se sale del formato de vez en cuando. Un ingeniero propone hacer un ajuste fino del modelo con las respuestas anteriores del equipo; otro dice que lo que el asistente necesita es RAG. Los dos pueden tener razón, para partes distintas del problema.

En este artículo verás qué es el ajuste fino (fine-tuning), sus métodos principales (SFT, RLHF, DPO y LoRA), en qué se diferencia del prompting y de RAG, qué datos necesita, qué riesgos tiene y dónde puedes ajustar un modelo hoy.

> **Nota: Respuesta breve**
>
> El ajuste fino (fine-tuning) consiste en seguir entrenando un modelo ya entrenado con un conjunto más pequeño de ejemplos de una tarea concreta, de modo que cambian sus pesos y aprende un comportamiento: un formato, un tono, una tarea acotada como la clasificación. La mayor parte del ajuste fino de LLM es supervisado, con pares de una entrada y la salida ideal, y a menudo eficiente en parámetros: un método como LoRA entrena un pequeño complemento en lugar del modelo completo. El ajuste fino sirve poco para añadir hechos recientes; para el conocimiento que cambia o que debe citarse encaja mejor RAG (generación aumentada por recuperación). Empieza con un buen prompt, añade RAG para el conocimiento y recurre al ajuste fino para un comportamiento que los prompts no logran mantener.

## ¿Qué es el fine-tuning (ajuste fino)?

El ajuste fino es seguir entrenando un modelo ya entrenado con un conjunto más pequeño de ejemplos de una tarea concreta, para que su comportamiento se oriente hacia esa tarea. Los parámetros del modelo, los miles de millones de números (pesos) que ajusta mientras aprende, parten de donde los dejó el entrenamiento anterior, así que el ajuste fino necesita una pequeña fracción de los datos y de la potencia de cálculo originales.

El modelo de partida se llama modelo base o modelo preentrenado. En tareas de texto suele ser un modelo de lenguaje grande (LLM), un modelo entrenado con enormes cantidades de texto para predecir el siguiente fragmento de texto; nuestra guía sobre [cómo funcionan los LLM](/es/blog/what-is-a-large-language-model) explica esa primera etapa. El ajuste fino es una forma de aprendizaje por transferencia (transfer learning): lo que un modelo aprendió en una tarea se reutiliza en otra.

La receta se volvió estándar hacia 2018, cuando los autores de BERT mostraron que un único modelo preentrenado podía ajustarse para muchas tareas añadiendo solo una capa de salida. Fuera de la IA, «ajuste fino» también da nombre a un argumento de la cosmología (el ajuste fino del universo); este artículo trata solo de modelos.

## ¿En qué se diferencia el ajuste fino del preentrenamiento?

El preentrenamiento construye desde cero el conocimiento general de un modelo con un corpus de texto enorme, mientras que el ajuste fino adapta el comportamiento de ese modelo ya entrenado con un conjunto de datos mucho más pequeño y seleccionado con cuidado. En el preentrenamiento, el modelo lee libros, código y páginas web y aprende a predecir el siguiente token, una palabra o un fragmento de palabra. Es la etapa cara, y la llevan a cabo las organizaciones que crean modelos base.

Las dos etapas enseñan cosas distintas. El estudio LIMA ajustó un modelo LLaMA de 65 mil millones de parámetros con solo 1.000 prompts y respuestas elegidos con cuidado, y sus autores concluyeron que casi todo el conocimiento de los modelos de lenguaje grandes se aprende en el preentrenamiento; el ajuste fino moldea sobre todo cómo se expresa. Entre ambos está el preentrenamiento continuado (continued pretraining): más texto sin etiquetar de un dominio, con el mismo objetivo de predecir el siguiente token.

## ¿Cómo funciona el ajuste fino, paso a paso?

El ajuste fino funciona como un ciclo: defines la tarea y una prueba, preparas ejemplos, entrenas, comparas el resultado con la prueba y repites.

1. **Define la tarea y la prueba.** Reúne entradas reales con las salidas que esperas antes de entrenar; sin ellas no sabrás si el ajuste ayudó.
1. **Mide una línea base con prompts.** Ejecuta la prueba contra el modelo base con un prompt claro y algunos ejemplos. Si la supera, detente aquí.
1. **Elige un modelo base.** Un modelo alojado con un servicio de ajuste o un modelo de pesos abiertos (open-weight) que ejecutes tú.
1. **Reúne y etiqueta ejemplos.** Cada ejemplo empareja una entrada con la salida deseada y suele guardarse como JSONL, un objeto JSON por línea, sin duplicados ni datos personales.
1. **Divide los datos.** Entrenamiento, validación y un conjunto de prueba reservado que el modelo nunca ve.
1. **Entrena.** Elige ajuste fino completo o eficiente en parámetros, unas pocas pasadas por los datos (épocas) y una tasa de aprendizaje. Si la pérdida de validación sube mientras la de entrenamiento baja, el modelo está memorizando.
1. **Evalúa.** Compara la puntuación de la prueba con la línea base y revisa también las capacidades generales y la seguridad.
1. **Despliega y supervisa.** Añade los fallos reales a la siguiente ronda.

## ¿Qué son SFT, RLHF y DPO?

El SFT, ajuste fino supervisado, entrena un modelo con pares de una entrada y la salida ideal; RLHF y DPO son ajuste por preferencias (preference tuning), que aprende de los juicios de las personas sobre qué respuesta es mejor. La mayoría de los proyectos usan SFT, y el ajuste por preferencias suele venir después.

**Ajuste fino supervisado (SFT).** Los pares pueden ser una pregunta de un cliente y la mejor respuesta, o una factura y sus campos extraídos. «Supervisado» significa que cada ejemplo lleva la respuesta correcta, escrita o revisada por una persona. El ajuste por instrucciones (instruction tuning) es SFT con una mezcla amplia de tareas; convierte un modelo base que solo continúa textos en un asistente que sigue peticiones.

**RLHF**, aprendizaje por refuerzo con retroalimentación humana, se expuso en el artículo de InstructGPT de Ouyang y sus colegas (2022). Los anotadores escribieron demostraciones para el SFT de GPT-3 y después ordenaron varias salidas por prompt; un modelo de recompensa aprendió esas clasificaciones y el aprendizaje por refuerzo ajustó el modelo en función de él. Los evaluadores prefirieron InstructGPT, de 1,3 mil millones de parámetros, a GPT-3, de 175 mil millones.

**DPO**, optimización directa de preferencias (direct preference optimization; Rafailov y sus colegas, 2023), alcanza el mismo objetivo sin modelo de recompensa ni aprendizaje por refuerzo y entrena directamente con pares de una respuesta preferida y una rechazada.

## ¿Qué es LoRA y qué es el ajuste fino eficiente en parámetros?

El ajuste fino eficiente en parámetros (PEFT) congela casi todos los pesos de un modelo y entrena un número pequeño de pesos nuevos; LoRA, siglas de low-rank adaptation (adaptación de bajo rango), es su método más conocido. El ajuste fino completo, en cambio, actualiza todos los pesos y produce una copia completa del modelo para cada tarea.

LoRA, descrito por Hu y sus colegas en el [artículo de LoRA](https://arxiv.org/abs/2106.09685) (2021), mantiene congelados los pesos preentrenados y entrena solo pares de matrices pequeñas añadidas a cada capa del transformer, el diseño de red sobre el que se construyen los LLM. «Bajo rango» significa que el cambio en cada gran tabla de pesos se escribe como dos tablas estrechas cuyo producto se aproxima a él.

Frente al ajuste fino completo de GPT-3, de 175 mil millones de parámetros, los autores informan de 10.000 veces menos parámetros entrenables y tres veces menos memoria de GPU, con una calidad igual o mejor en los modelos que probaron y sin respuestas más lentas una vez que las matrices se integran en los pesos. QLoRA (Dettmers y sus colegas, 2023) guarda el modelo base congelado con precisión de 4 bits, lo que bastó para ajustar un modelo de 65 mil millones de parámetros en una sola GPU de 48 GB.

Así, un mismo modelo base puede atender varias tareas, cada una con su propio adaptador pequeño. LoRA no tiene nada que ver con LoRa, la tecnología de radio de largo alcance.

## Fine-tuning vs. RAG vs. ingeniería de prompts: ¿cuál es la diferencia?

La ingeniería de prompts (prompt engineering) cambia las instrucciones que envías, RAG cambia la información que el modelo ve en el momento de la pregunta y el ajuste fino cambia el propio modelo. Resuelven problemas distintos y a menudo se combinan.

| Pregunta | Ingeniería de prompts | RAG | Ajuste fino |
|---|---|---|---|
| ¿Qué cambia? | Las instrucciones | El contexto de cada pregunta | Los pesos del modelo |
| Datos necesarios | Unos pocos ejemplos | Un índice de documentos | Pares de entrada y salida seleccionados |
| Esfuerzo inicial | Bajo | Medio | Alto |
| Hechos recientes | Solo si los pegas | Sí, reindexando la fuente | No, requiere reentrenar |
| Muestra sus fuentes | No | Sí | No |
| Ideal para | Prototipos, tareas simples | Conocimiento que cambia | Formato, tono, tareas acotadas |

En RAG, la generación aumentada por recuperación, un recuperador (retriever) encuentra en un índice de documentos los pasajes más relevantes para una pregunta, esos pasajes entran en el prompt y el modelo responde a partir de ellos. Cuando los documentos son páginas web, la mayor parte del trabajo consiste en prepararlos, algo que tratamos en [web scraping para RAG](/es/blog/web-scraping-for-rag).

En cuanto al conocimiento, ambos se han comparado directamente: Ovadia y sus colegas (2023) encontraron que RAG superó de forma constante al ajuste fino no supervisado, tanto con hechos que el modelo había visto en el entrenamiento como con hechos totalmente nuevos. También se combinan bien, ya que un modelo ajustado puede responder con el formato de la casa a partir de los pasajes que recupera RAG.

## ¿Para qué sirve el ajuste fino y para qué no?

El ajuste fino es bueno para enseñar a un modelo cómo responder y flojo para enseñarle qué es cierto ahora mismo. Sus puntos fuertes:

- **Un formato de salida constante.** Los mismos campos JSON cada vez, o una estructura de respuesta fija.
- **Tono y estilo de la casa.** La forma en que escribe tu equipo de soporte o tu marca.
- **Clasificación y extracción acotadas.** Tus categorías de tickets, tu taxonomía de productos, los campos de un tipo de documento.
- **Prompts más cortos, modelos más pequeños.** Las instrucciones pasan a los pesos, y un modelo pequeño ajustado puede encargarse de una tarea que antes hacía uno grande.

Sus puntos débiles son los datos que cambian, como precios y políticas, mostrar de dónde viene una respuesta y las tareas difusas: si tus revisores no se ponen de acuerdo en las etiquetas, el modelo aprende el desacuerdo.

Incluso los hechos nuevos y estables son un problema. En un estudio controlado, [Gekhman y sus colegas](https://arxiv.org/abs/2405.05904) observaron que los ejemplos con hechos que el modelo aún no conocía se aprendían mucho más despacio y, una vez aprendidos, aumentaban su tendencia a alucinar, es decir, a afirmar cosas falsas con seguridad. Los modelos adquieren el conocimiento factual sobre todo en el preentrenamiento; el ajuste fino les enseña a usarlo.

## ¿Qué datos necesitas para el ajuste fino?

Necesitas ejemplos que se parezcan a las entradas reales que recibirá el modelo, cada uno emparejado con una salida que publicarías sin reparos; la coherencia importa más que el volumen. No hay una cifra universal, así que empieza con un conjunto que puedas revisar a mano, mídelo y añade ejemplos donde el modelo falle.

Los ejemplos suelen salir de cuatro fuentes:

- **Tus propios registros.** Respuestas anteriores, documentos revisados, productos categorizados, usados solo cuando tengas derecho a ello.
- **Etiquetado humano.** Personas escriben o revisan la salida correcta para cada entrada; el artículo sobre [etiquetado de datos](/es/blog/what-is-data-labeling) explica cómo funcionan estos proyectos y cómo se mide el acuerdo entre anotadores.
- **Ejemplos sintéticos.** Un modelo más grande los escribe a demanda. Copian los errores y sesgos del generador, así que conviene que personas los revisen y que el conjunto de prueba siga siendo real.
- **Texto web público.** Descripciones de productos, documentación y otros textos del dominio en los idiomas que atenderá el modelo.

Revisa la licencia del modelo base y los términos de cada fuente de datos antes de entrenar. Si los ejemplos contienen datos personales, el entrenamiento es un tratamiento según el RGPD en la UE y la KVKK de Türkiye (Ley n.º 6698 de Protección de Datos Personales), y un modelo ajustado puede repetir lo que memorizó. El Comité Europeo de Protección de Datos (CEPD) señala en su Dictamen 28/2024 que, si un modelo entrenado con datos personales es anónimo o no, debe [evaluarse caso por caso](https://www.edpb.europa.eu/news/news/2024/edpb-opinion-ai-models-gdpr-principles-support-responsible-ai_es). La protección más sencilla es dejar fuera nombres, datos de contacto y números de identificación.

## ¿Dónde entran los datos web públicos?

Los ejemplos de un dominio suelen empezar como páginas web públicas, como descripciones de productos para un modelo de categorización u ofertas de empleo para un etiquetador de habilidades, en cada idioma que atenderá el modelo. Muchos sitios cambian el idioma, la moneda y el surtido según el país del visitante, así que recopilar desde una sola ubicación da un conjunto de datos sesgado. Con los [Proxies residenciales](https://proxynet.io/es/residential-proxy), las solicitudes salen por conexiones domésticas del país y la ciudad que elijas, de modo que recopilas la versión que ven los visitantes locales. Recopila solo páginas públicas, respeta robots.txt y los términos de cada sitio, mantén un ritmo de solicitudes bajo, usa una API oficial cuando exista y comprueba si el texto puede usarse para entrenar.

Si prefieres no encargarte tú de la recopilación, puedes hablar con nuestro equipo de ventas sobre la extracción gestionada de páginas de nuestra [Web Scraping API](/es/data-scraping).

## ¿Qué riesgos tiene el ajuste fino?

El riesgo principal es acabar con un modelo que memoriza en lugar de generalizar, que pierde capacidades que tenía o que parece mejor en tus pruebas que en el uso real; un conjunto de prueba separado, que se vuelve a ejecutar tras cada ronda, detecta la mayoría de estos problemas.

- **Sobreajuste (overfitting).** El modelo se aprende de memoria los ejemplos de entrenamiento y rinde peor con entradas nuevas.
- **Olvido catastrófico (catastrophic forgetting).** Entrenar en una tarea nueva puede borrar capacidades anteriores, un problema conocido de las redes neuronales que Kirkpatrick y sus colegas abordaron en 2017.
- **Comportamiento de seguridad más débil.** Qi y sus colegas (2023) encontraron que el ajuste fino, incluso con conjuntos de datos inofensivos y de uso común, puede debilitar el entrenamiento de seguridad de un modelo.
- **Huecos en la evaluación.** Si los ejemplos de prueba se parecen al conjunto de entrenamiento o se filtran desde él, las puntuaciones favorecen al modelo.
- **Dependencia del modelo base.** Un modelo ajustado dura solo mientras se siga ofreciendo su modelo base.

## ¿Dónde puedes hacer el ajuste fino de un modelo?

Puedes hacerlo con el servicio de ajuste alojado de un proveedor o entrenando un modelo de pesos abiertos en hardware propio o alquilado, y la oferta de los proveedores cambia con el tiempo.

En un servicio alojado subes los datos de entrenamiento, el proveedor entrena y sirve el modelo ajustado y los pesos se quedan con el proveedor. La [documentación de ajuste](https://docs.cloud.google.com/vertex-ai/generative-ai/docs/models/tune-models) de Google Cloud incluye ajuste fino supervisado, por preferencias y con aprendizaje por refuerzo para algunos modelos Gemini.

Las ofertas también cierran. OpenAI anunció en mayo de 2026 que está retirando de forma gradual su ajuste fino de autoservicio: según su [página de obsolescencias](https://developers.openai.com/api/docs/deprecations), los clientes activos ya no podrán crear trabajos nuevos a partir del 6 de enero de 2027, y los modelos ajustados existentes seguirán respondiendo hasta que se retiren sus modelos base.

Con los modelos de pesos abiertos descargas pesos publicados bajo una licencia, los ajustas con LoRA o QLoRA, por ejemplo con la biblioteca de código abierto PEFT, y te quedas con el resultado, pero también te encargas del hardware y de servir el modelo.

## ¿Dónde se usa el ajuste fino?

El ajuste fino se usa allí donde una tarea se repite miles de veces con la misma forma. Los asistentes de soporte aprenden el estilo de la casa, los modelos de enrutamiento aprenden las categorías de tickets de una empresa y los flujos de procesamiento de documentos extraen los mismos campos de las facturas a un formato JSON fijo. Las tiendas online etiquetan productos con su propia taxonomía, y los desarrolladores ajustan modelos pequeños para que hagan una sola tarea en un teléfono o un portátil.

## Errores frecuentes

- **Empezar por el ajuste fino.** Un prompt claro con ejemplos, o RAG, suele resolver el problema con menos esfuerzo.
- **Enseñar datos que cambian.** Los precios, las políticas y las noticias corresponden a la recuperación.
- **No tener un conjunto de prueba reservado.** Sin él, cada entrenamiento parece un avance.
- **Volumen antes que coherencia.** Miles de ejemplos sin revisar y contradictorios enseñan las contradicciones.
- **Datos personales en el conjunto de entrenamiento.** Un modelo ajustado puede repetirlos.
- **Probar solo la tarea objetivo.** Revisa también las capacidades generales y el comportamiento de seguridad.
- **Tirar los datos.** Los modelos base se retiran, y tendrás que volver a ajustar.

## Guía de decisión

| Necesidad | Usa |
|---|---|
| Un primer prototipo | Ingeniería de prompts |
| Respuestas a partir de tus documentos actuales | RAG |
| Precios, existencias, noticias o políticas | RAG o una consulta en vivo, no ajuste fino |
| El mismo formato de salida cada vez | SFT, a menudo con LoRA, tras una línea base con prompts |
| El tono de tu casa en las respuestas | SFT con respuestas anteriores revisadas |
| Respuestas que la gente prefiere | Ajuste por preferencias (DPO o RLHF) |
| Una tarea acotada con menor costo | Un modelo más pequeño ajustado, comparado con uno grande |
| Memoria de GPU limitada | LoRA o QLoRA, no ajuste fino completo |

## Preguntas frecuentes

### ¿Debo usar fine-tuning o RAG?

Usa RAG cuando al modelo le falte conocimiento y ajuste fino cuando le falte un comportamiento. RAG encaja con datos que cambian y documentos que debes citar; el ajuste fino encaja con formatos, tono y tareas acotadas y repetidas. Muchos sistemas usan ambos.

### ¿Qué es el ajuste fino con LoRA?

El ajuste fino con LoRA congela el modelo original y entrena pequeñas matrices añadidas en cada capa que recogen el cambio que necesita la tarea. Entrena muchos menos parámetros y necesita mucha menos memoria de GPU que el ajuste fino completo, y el resultado es un adaptador pequeño que puede cambiarse según la tarea o integrarse en el modelo.

### ¿Cuántos datos necesito para hacer el ajuste fino de un LLM?

No hay una cifra fija; los ejemplos deben ser correctos, coherentes y parecidos a las entradas reales. El estudio LIMA moldeó un asistente general con 1.000 ejemplos seleccionados. Para una tarea acotada, empieza con un conjunto que puedas revisar a mano y añade ejemplos donde la prueba reservada siga fallando.

### ¿Puedo hacer ajuste fino de ChatGPT u otros modelos alojados?

Solo a través de la plataforma para desarrolladores de un proveedor y solo con los modelos que el proveedor abre al ajuste, no en las apps de chat. Google Cloud ofrece ajuste para algunos modelos Gemini, mientras que OpenAI deja de aceptar nuevos trabajos de ajuste fino de autoservicio de clientes activos el 6 de enero de 2027. Si necesitas quedarte con los pesos ajustados, la alternativa son los modelos de pesos abiertos.

### ¿Qué diferencia hay entre el ajuste fino y el preentrenamiento?

El preentrenamiento enseña a un modelo el idioma y conocimientos generales desde cero con un corpus muy grande; el ajuste fino adapta un modelo ya preentrenado con un conjunto de datos pequeño y focalizado. El preentrenamiento exige los recursos de un desarrollador de modelos, mientras que el ajuste fino está al alcance de un equipo corriente.

### ¿El ajuste fino enseña hechos nuevos al modelo?

Solo mal, y con un costo. Los modelos aprenden hechos nuevos mediante ajuste fino mucho más despacio que los conocidos y alucinan más una vez que los han aprendido. Pon los hechos en documentos que el modelo recupere y usa el ajuste fino para la forma en que responde.

## En resumen

El ajuste fino continúa el entrenamiento de un modelo existente con un conjunto pequeño de ejemplos para que aprenda un comportamiento: un formato, un tono, una tarea acotada. El SFT enseña a partir de respuestas ideales, el ajuste por preferencias a partir de las elecciones de las personas, y LoRA hace que quepa en un hardware modesto. No añade hechos nuevos de forma fiable; esa es la tarea de RAG. Empieza con un prompt, añade recuperación para el conocimiento, ajusta para el comportamiento y construye el conjunto de datos con fuentes que puedas usar, en los idiomas y países a los que servirá tu modelo.
