Modelo de lenguaje grande (LLM)

Explicado fácil

LLM viene de Large Language Model, o «modelo grande de lenguaje». Es un modelo de inteligencia artificial entrenado con grandes colecciones de texto para aprender patrones de palabras y sus relaciones. Cuando recibe un mensaje, calcula qué fragmento de texto podría venir después, lo añade y repite el proceso. Así puede redactar respuestas, resumir, traducir o escribir código.

No busca necesariamente una respuesta en una base de datos ni recupera un párrafo exacto de sus datos de entrenamiento: genera una continuación a partir del contexto y de los patrones que aprendió.

Una analogía

Es como un autocompletado muy avanzado. El del móvil suele sugerir una palabra usando una frase corta; un LLM puede tener en cuenta mucho más texto y ha aprendido patrones a partir de muchos ejemplos. Aun así, su respuesta sigue siendo una predicción, no una consulta automática a una fuente fiable.

Un ejemplo

Si le pides «explícame la fotosíntesis para un niño de ocho años», el modelo genera una respuesta fragmento a fragmento. ChatGPT, Claude y Gemini son productos que usan modelos de lenguaje, junto con otras funciones; Llama es una familia de modelos. No son nombres intercambiables para el concepto de LLM.

Qué ocurre al generar una respuesta

El texto se divide en tokens, que pueden ser palabras, partes de palabras o signos. El modelo usa el mensaje y el contexto disponible para calcular una distribución de posibles tokens siguientes. Un método de generación elige uno y el proceso continúa hasta completar la respuesta o alcanzar un límite.

Cómo funciona (nivel técnico)

Muchos LLM actuales se construyen con la arquitectura transformer. En el preentrenamiento, el modelo aprende a predecir tokens a partir de ejemplos de texto; esta tarea suele ser autosupervisada, porque las propias secuencias proporcionan la señal de entrenamiento. Algunos modelos se ajustan después con ejemplos de instrucciones y preferencias humanas, pero las técnicas concretas varían. En la generación se seleccionan tokens de una distribución de probabilidad; la temperatura es uno de los parámetros que puede modificar esa selección.

Qué puede y qué no puede hacer

Un LLM puede producir texto fluido y útil, pero la fluidez no garantiza que cada afirmación sea cierta. Puede equivocarse, inventar detalles o reflejar sesgos de los datos. Tampoco tiene por defecto acceso a Internet, a tus archivos o a información posterior a su entrenamiento: eso depende de las herramientas y datos conectados al producto que estés usando.

Errores comunes

• Confundir un LLM con un buscador. Puede responder sin consultar fuentes y, por tanto, equivocarse con seguridad.
• Pensar que todos los modelos usan la misma arquitectura o se ajustan con las mismas técnicas.
• Suponer que conoce hechos recientes o puede acceder a tus documentos sin que el producto le conecte esas fuentes.
• Tratar su texto fluido como prueba de comprensión o de exactitud; conviene verificar la información importante.