---
title: "¿Qué es el fine-tuning de un LLM? Entrenar o usar prompts"
description: "El fine-tuning sigue entrenando un LLM con sus propios ejemplos para que aprenda una tarea o un estilo. Cómo funciona, cuántos datos pide y cuándo supera al prompt."
url: https://broadrouter.com/es/glossary/fine-tuning/
lang: es
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/glossary/fine-tuning/) (actualizado el 2026-11-14).

# Fine-tuning (ajuste fino)

Actualizado 2026-11-14

El fine-tuning (ajuste fino) es el proceso de seguir entrenando un modelo de lenguaje preentrenado con un conjunto de datos más pequeño y específico de una tarea, como conversaciones de ejemplo, para que sus pesos cambien y realice esa tarea o estilo con más fiabilidad sin necesitar instrucciones o ejemplos largos en cada prompt.

También llamado: fine-tuning, ajuste fino, afinamiento, ajuste fino supervisado, finetuning, supervised fine-tuning, SFT, model fine-tuning

Con el prompt, usted le dice al modelo qué hacer cada vez. El fine-tuning cambia el modelo para que ya lo sepa.

## Cómo funciona

Se parte de un modelo entrenado y se le aplica más entrenamiento con sus propios ejemplos. En el fine-tuning supervisado (SFT), cada ejemplo es una conversación con la respuesta que usted quiere. La guía de OpenAI usa JSONL, “one complete JSON structure on every line” (traducción: una estructura JSON completa en cada línea), con el formato de chat:

```json
{"messages": [{"role": "user", "content": "Classify: 'card charged twice'"}, {"role": "assistant", "content": "billing"}]}
```

El trabajo de entrenamiento ajusta los pesos para que esas respuestas sean más probables y devuelve un nuevo ID de modelo. OpenAI fija el mínimo en 10 ejemplos y recomienda empezar con 50 y evaluar antes de añadir más.

El fine-tuning completo actualiza todos los pesos, lo que resulta costoso en modelos grandes. El artículo de LoRA de Hu y sus colegas califica de prohibitivamente caro desplegar copias ajustadas independientes de GPT-3, “each with 175B parameters” (traducción: cada una con 175B parámetros). Los métodos eficientes en parámetros, como [LoRA](https://broadrouter.com/es/glossary/lora/), entrenan en cambio un pequeño complemento. La [destilación](https://broadrouter.com/es/glossary/distillation/) es una idea relacionada: ajustar un modelo pequeño con las salidas de uno más grande.

## Por qué importa

-   **Prompts más cortos.** Un comportamiento que necesitaba un prompt [few-shot](https://broadrouter.com/es/glossary/few-shot-prompting/) largo puede pasar a los pesos, lo que reduce los tokens de entrada por llamada.
-   **Consistencia.** Encaja bien en clasificación, un estilo de salida fijo, traducción de dominio y la corrección de fallos al seguir instrucciones.
-   **Mantenimiento.** Un modelo ajustado queda atado a un modelo base. Cuando el base se retira, hay que volver a entrenar. La guía de OpenAI dice ahora que está cerrando gradualmente su plataforma de fine-tuning, que ya no admite usuarios nuevos, y que los modelos ajustados se seguirán sirviendo hasta que se retiren sus modelos base.
-   **Primero, medir.** Cree una [evaluación](https://broadrouter.com/es/glossary/eval/) antes de entrenar o no podrá saber si el modelo ajustado es mejor.

El fine-tuning es una mala forma de añadir datos que cambian. La recuperación los mantiene al día.

## En BroadNet Inference

La [referencia de la API](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-fine-tuning&utm_content=body#models) de BroadNet no documenta una API de fine-tuning, trabajos de entrenamiento ni la carga de pesos propios. Sí dice que a “our Arabic fine-tunes and other models on request” (traducción: nuestros fine-tunes para árabe y otros modelos bajo solicitud) se accede con un ID de modelo privado que se emite junto con el endpoint. BroadNet ofrece un modelo de este tipo bajo solicitud: un fine-tune de Cohere Transcribe Arabic para números, fechas y nombres en audio con ruido. Para el modelo público de transcripción en árabe, consulte la [guía de voz a texto en árabe](https://broadrouter.com/es/guides/arabic-speech-to-text-api/). Si necesita entrenar el suyo, un [modelo de pesos abiertos](https://broadrouter.com/es/glossary/open-weight-model/) es el punto de partida habitual; los compromisos se explican en [modelos de pesos abiertos frente a cerrados](https://broadrouter.com/es/blog/open-weight-vs-closed-models/).

## Preguntas frecuentes

### ¿Cuántos ejemplos necesito para hacer fine-tuning de un LLM?

La guía de OpenAI fija un mínimo de 10 y sugiere empezar con 50 ejemplos bien hechos y luego medir. Si 50 buenos ejemplos no cambian nada, replantee la tarea antes de añadir más.

### ¿Fine-tuning o RAG para el conocimiento de la empresa?

Normalmente, recuperación. El fine-tuning enseña bien el comportamiento y el formato, pero los datos que cambian son más fáciles de mantener al día en documentos que se recuperan en el momento de la solicitud.

### ¿Puedo hacer fine-tuning de un modelo en BroadNet Inference?

La documentación de BroadNet no incluye una API de fine-tuning. Menciona los fine-tunes propios de BroadNet para árabe, a los que se accede como endpoints privados bajo solicitud.

## Vea también

-   [LoRA (adaptación de bajo rango)](https://broadrouter.com/es/glossary/lora/) (término)
-   [Destilación de conocimiento (distillation)](https://broadrouter.com/es/glossary/distillation/) (término)
-   [Few-shot prompting (prompting con pocos ejemplos)](https://broadrouter.com/es/glossary/few-shot-prompting/) (término)
-   [Modelo de pesos abiertos (open-weight model)](https://broadrouter.com/es/glossary/open-weight-model/) (término)
-   [Evaluación de LLM (eval)](https://broadrouter.com/es/glossary/eval/) (término)
-   [API de voz a texto en árabe, paso a paso](https://broadrouter.com/es/guides/arabic-speech-to-text-api/) (guía)
-   [Modelos abiertos vs. cerrados para empresas: costo, control y riesgo](https://broadrouter.com/es/blog/open-weight-vs-closed-models/) (artículo)
-   [Cómo evaluar un LLM antes de cambiar de proveedor](https://broadrouter.com/es/blog/evaluate-llm-before-switching/) (artículo)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-fine-tuning&utm_content=page-cta) ·

**Fuentes**

-   [OpenAI, guía de fine-tuning supervisado](https://developers.openai.com/api/docs/guides/supervised-fine-tuning)
-   [Hu et al. (2021), LoRA - Low-Rank Adaptation of Large Language Models](https://arxiv.org/abs/2106.09685)
-   [Referencia de la API de BroadNet Inference, IDs de modelo y endpoints privados (en inglés)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-fine-tuning&utm_content=sources#models)
