---
title: "¿Qué son las penalizaciones de frecuencia y presencia?"
description: "Las penalizaciones de frecuencia y de presencia bajan la probabilidad de tokens ya usados para evitar repeticiones. Diferencias, rangos y repetition_penalty."
url: https://broadrouter.com/es/glossary/frequency-and-presence-penalty/
lang: es
updated: 2026-11-15
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/frequency-and-presence-penalty/) (actualizado el 2026-11-15).

# Penalización de frecuencia y de presencia

Actualizado 2026-11-15

Las penalizaciones de frecuencia y de presencia son ajustes de muestreo que bajan la puntuación de los tokens que ya están en la salida. La de presencia se aplica en cuanto un token ha aparecido; la de frecuencia crece con cada repetición. En la API de OpenAI ambas van de -2.0 a 2.0, con 0 por defecto.

También llamado: penalización de frecuencia, penalización de presencia, penalización por repetición, evitar repeticiones, frequency penalty, presence penalty, frequency\_penalty, presence\_penalty, repetition penalty

Un modelo atrapado en un bucle repite la misma frase hasta quedarse sin tokens. Las penalizaciones son una solución burda que se aplica durante el muestreo.

## Cómo funciona

Antes de sortear cada siguiente [token](https://broadrouter.com/es/glossary/token/), el servidor ajusta las puntuaciones de los tokens ya generados.

| Ajuste | Qué penaliza según la documentación de vLLM | Rango y valor predeterminado |
| --- | --- | --- |
| `presence_penalty` | Tokens “based on whether they appear in the generated text so far” (traducción: según si aparecen en el texto generado hasta ahora) | OpenAI: de -2.0 a 2.0, 0 por defecto |
| `frequency_penalty` | Tokens “based on their frequency in the generated text so far” (traducción: según su frecuencia en el texto generado hasta ahora) | OpenAI: de -2.0 a 2.0, 0 por defecto |
| `repetition_penalty` | Tokens “based on whether they appear in the prompt and the generated text so far” (traducción: según si aparecen en el prompt y en el texto generado hasta ahora) | vLLM y Hugging Face: 1.0 significa sin penalización |

Los valores positivos alejan al modelo de los tokens usados; los negativos hacen más probables las repeticiones. OpenAI dice que una penalización de frecuencia positiva reduce “the model’s likelihood to repeat the same line verbatim” (traducción: la probabilidad de que el modelo repita la misma línea al pie de la letra), y que una penalización de presencia positiva aumenta “the model’s likelihood to talk about new topics” (traducción: la probabilidad de que el modelo hable de temas nuevos). Para `repetition_penalty`, vLLM indica que los valores mayores que 1 favorecen tokens nuevos y los menores que 1 favorecen la repetición. La documentación de Hugging Face remite al artículo de CTRL para esta penalización.

```json
{"model": "...", "messages": [...], "frequency_penalty": 0.5, "presence_penalty": 0.3}
```

## Por qué importa

-   **Bucles en salidas largas.** Los agentes y los resúmenes largos pueden caer en texto repetido. Una penalización pequeña puede romper el bucle, y un límite firme de [max\_tokens](https://broadrouter.com/es/glossary/max-tokens/) acota el daño.
-   **Efectos secundarios.** Las penalizaciones actúan sobre tokens, no sobre ideas. Una penalización fuerte puede impedir que el modelo reutilice palabras que necesita, como el nombre de una variable en el código, una clave JSON o un nombre que se repite a propósito en un texto en árabe. Empiece en 0 y cambie en pasos pequeños.
-   **Solapamiento con el muestreo.** La [temperatura](https://broadrouter.com/es/glossary/temperature/) y [top-p](https://broadrouter.com/es/glossary/top-p/) también cambian la variedad. Cambie un ajuste a la vez cuando haga pruebas.

## En BroadNet Inference

La [referencia de la API de BroadNet](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-frequency-and-presence-penalty&utm_content=body) no documenta `frequency_penalty`, `presence_penalty` ni `repetition_penalty`. Pruébelos antes de depender de ellos: envíe un prompt que tienda a repetirse, con y sin el campo, y compare. Si aparece repetición en ejecuciones largas, pruebe un prompt más claro, un límite de salida más bajo, o detenga la ejecución y reanúdela desde un checkpoint; el [artículo sobre ejecuciones nocturnas de agentes](https://broadrouter.com/es/blog/overnight-coding-agent-runs/) cubre ese patrón.

## Errores comunes

-   Subir mucho las penalizaciones para corregir un problema del prompt. La repetición suele significar que el modelo no tiene un punto de parada claro.
-   Usar una penalización con salida estructurada, donde las claves deben repetirse.

## Preguntas frecuentes

### ¿Cuál es la diferencia entre la penalización de frecuencia y la de presencia?

La de presencia pregunta "¿ha aparecido este token?" y se aplica una vez. La de frecuencia pregunta "¿cuántas veces?" y crece con cada repetición. vLLM las describe como penalizaciones según si los tokens aparecen y según su frecuencia en el texto generado hasta ese momento.

### ¿repetition\_penalty es lo mismo?

No. Es un multiplicador aparte que usan vLLM y Hugging Face, donde 1.0 significa sin penalización. vLLM lo aplica a los tokens del prompt y de la salida, no solo a los de la salida.

### ¿BroadNet Inference admite estas penalizaciones?

La referencia de la API de BroadNet no documenta frequency\_penalty, presence\_penalty ni repetition\_penalty. Pruébelas antes de depender de ellas.

## Vea también

-   [Temperatura (temperature)](https://broadrouter.com/es/glossary/temperature/) (término)
-   [Top-p (nucleus sampling o muestreo de núcleo)](https://broadrouter.com/es/glossary/top-p/) (término)
-   [Token](https://broadrouter.com/es/glossary/token/) (término)
-   [Logprobs (log-probabilidades de tokens)](https://broadrouter.com/es/glossary/logprobs/) (término)
-   [Parámetro seed (semilla)](https://broadrouter.com/es/glossary/seed-parameter/) (término)
-   [Cómo dejar agentes de código trabajando de noche, con seguridad](https://broadrouter.com/es/blog/overnight-coding-agent-runs/) (artículo)
-   [Presupuesto de tokens de un agente: adónde van los tokens del bucle](https://broadrouter.com/es/blog/agent-token-budget/) (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-frequency-and-presence-penalty&utm_content=page-cta) ·

**Fuentes**

-   [Referencia de la API de OpenAI, crear chat completion (frequency\_penalty, presence\_penalty) (consultado el 2026-11-15)](https://developers.openai.com/api/reference/resources/chat/subresources/completions/methods/create)
-   [Documentación de vLLM, SamplingParams (penalizaciones de presencia, frecuencia y repetición) (consultado el 2026-11-15)](https://docs.vllm.ai/en/latest/api/vllm/sampling_params/)
-   [Keskar et al., CTRL: A Conditional Transformer Language Model for Controllable Generation, arXiv 1909.05858 (consultado el 2026-11-15)](https://arxiv.org/abs/1909.05858)
-   [Hugging Face Transformers, GenerationConfig (repetition\_penalty) (consultado el 2026-11-15)](https://huggingface.co/docs/transformers/main_classes/text_generation)
