Qué es un modelo de lenguaje grande (LLM)

Nota: Este documento es una traducción automática del original en inglés.

Qué es un modelo de lenguaje grande (LLM)

Un modelo de lenguaje grande (LLM) es un tipo de red neuronal entrenada con cantidades masivas de texto para que pueda comprender y generar lenguaje humano. Imagina un asistente extremadamente leído que ha absorbido miles de millones de páginas de libros, artículos, código y conversaciones. No "sabe" cosas de la manera en que lo hace una persona; en cambio, ha aprendido patrones estadísticos —qué palabras e ideas tienden a seguir a cuáles— lo bastante bien como para escribir párrafos coherentes, responder preguntas, traducir entre idiomas, resumir documentos e incluso razonar a través de problemas de varios pasos.

La propiedad definitoria (y la limitación) de un LLM es que funciona por predicción. Dado el comienzo de una frase, el modelo calcula la palabra siguiente más probable, luego la siguiente, y así sucesivamente, un token a la vez. Un token es aproximadamente una palabra o una subpalabra. Al encadenar miles de estas pequeñas predicciones, un LLM puede producir ensayos, código, poemas o análisis técnicos — todo sin estar programado explícitamente para cada tarea. Entre los LLM conocidos se incluyen GPT, Claude, Gemini y Mistral. La mayoría de los proyectos de IA en cripto que mencionan "AI" en su marketing están usando un LLM internamente, afirmando usar uno o envolviendo un LLM de terceros detrás de su propia interfaz. Comprender qué es realmente un LLM —y qué no es— es esencial para evaluar estas afirmaciones.

En resumen: un LLM es el motor detrás de la mayor parte de la IA moderna basada en texto. En la IA en cripto, la pregunta crítica no es si un proyecto "usa un LLM" sino cómo lo usa y qué valor propietario añade por encima.

Cómo funciona

Construir y usar un LLM implica varias etapas distintas. Cada etapa requiere recursos, experiencia y datos diferentes — y cada una representa un nivel diferente de profundidad de IA al evaluar un proyecto de IA en cripto.

Etapa 1: Preentrenamiento

El preentrenamiento es donde el modelo aprende los fundamentos del lenguaje. Durante esta fase, el LLM lee miles de millones de tokens — palabras y subpalabras extraídas de libros, sitios web, repositorios de código, artículos científicos y otras fuentes de texto. El modelo ajusta sus parámetros internos (pesos) para volverse cada vez más preciso al predecir el siguiente token de una secuencia.

Esta etapa es costosa. Entrenar un LLM de frontera desde cero puede requerir miles de GPU especializadas funcionando durante semanas o meses, y el modelo resultante puede tener decenas o cientos de miles de millones de parámetros. Solo un puñado de organizaciones —laboratorios de IA bien financiados— preentrenan LLM desde cero de forma rutinaria.

Etapa 2: Ajuste fino

Un modelo preentrenado es potente pero genérico. El ajuste fino (fine-tuning) acota el comportamiento del modelo entrenándolo más sobre un conjunto de datos curado y más pequeño, relevante para una tarea o dominio específicos. Por ejemplo, un LLM médico podría ajustarse sobre notas clínicas; un modelo orientado a DeFi podría ajustarse sobre documentación de contratos inteligentes y datos on-chain.

El ajuste fino requiere mucho menos cómputo que el preentrenamiento, pero aun así exige experiencia en la selección de datos, las métricas de evaluación y la evitación del olvido catastrófico (donde el modelo pierde habilidades generales mientras se especializa).

Etapa 3: Alineación y RLHF

Los LLM modernos suelen pasar por una fase de alineación después del ajuste fino. El aprendizaje por refuerzo a partir de retroalimentación humana (RLHF) es el enfoque más común: evaluadores humanos clasifican las salidas del modelo, y el modelo se entrena para preferir las respuestas que los humanos califican mejor. La alineación es lo que hace que un modelo siga instrucciones, rechace solicitudes dañinas y produzca respuestas genuinamente útiles en lugar de sinsentidos que suenan plausibles.

Etapa 4: Inferencia

La inferencia es la fase de producción — cuando un LLM entrenado recibe un prompt y genera una salida. Cada vez que un usuario envía un mensaje a un chatbot, el LLM subyacente ejecuta inferencia: lee el prompt, lo procesa a través de sus capas de parámetros y produce una respuesta token por token.

La inferencia cuesta cómputo (tiempo de GPU) pero mucho menos por consulta que el entrenamiento. La mayoría de los proyectos que "usan un LLM" solo están realizando inferencia — a menudo llamando a la API de un proveedor externo en lugar de ejecutar su propio hardware.

El pipeline de un vistazo

Etapa	Qué ocurre	Quién lo hace normalmente	Costo de cómputo
Preentrenamiento	Aprender lenguaje a partir de miles de millones de tokens	Grandes laboratorios de IA	Muy alto
Ajuste fino	Adaptar el modelo a un dominio o tarea	Laboratorios de IA, startups bien financiadas	Medio
Alineación (RLHF)	Hacer el modelo seguro y obediente a instrucciones	Laboratorios de IA	Medio
Inferencia	Generar respuestas a los prompts de los usuarios	Cualquiera con una clave de API o una GPU	Bajo por consulta

Características clave de un LLM

Varias propiedades definen qué tan capaz es un LLM en particular:

Número de parámetros — el número de pesos entrenables en el modelo. Los modelos más grandes generalmente capturan más matices pero cuestan más entrenar y ejecutar. Los recuentos de parámetros van desde unos pocos miles de millones (modelos pequeños de código abierto) hasta más de un billón (modelos de frontera).
Ventana de contexto — el número máximo de tokens que el modelo puede procesar en una sola interacción. Una ventana de contexto corta significa que el modelo "olvida" el comienzo de una conversación larga. Los LLM modernos ofrecen ventanas de contexto que van desde unos pocos miles de tokens hasta más de cien mil.
Arquitectura — la mayoría de los LLM modernos se construyen sobre la arquitectura Transformer, introducida en 2017. Los transformers usan un mecanismo llamado autoatención para ponderar las relaciones entre todos los tokens de la entrada, que es lo que les permite manejar dependencias de largo alcance en el texto.
Datos de entrenamiento — la calidad, diversidad y actualidad de los datos usados durante el preentrenamiento moldean lo que el modelo sabe. Un modelo entrenado solo con texto en inglés tendrá mal rendimiento en otros idiomas; un modelo con un corte de conocimiento en un año determinado no sabrá sobre los eventos posteriores.

Ejemplos reales de la industria

Varios LLM conocidos ilustran el rango de enfoques en el campo:

GPT (OpenAI) — un LLM multimodal de código cerrado disponible a través de una API. Muchos proyectos de IA en cripto llaman a la API de GPT para añadir funciones conversacionales o analíticas a sus productos.
Claude (Anthropic) — un LLM de código cerrado con un fuerte énfasis en la seguridad y la alineación. Como GPT, normalmente se accede a él vía API.
DeepSeek-R1 (DeepSeek) — un LLM de pesos abiertos lanzado bajo la licencia MIT. Sus fuertes capacidades de razonamiento y su disponibilidad abierta lo convierten en un modelo base popular para el ajuste fino y para proyectos de IA en cripto que quieren ejecutar modelos localmente o reclamar una integración de IA más profunda.
Mistral (Mistral AI) — una familia de modelos de pesos abiertos conocidos por su fuerte rendimiento con recuentos de parámetros más pequeños, lo que los hace prácticos para proyectos con presupuestos de GPU limitados.

Estos nombres aparecen con frecuencia en las descripciones de proyectos de IA en cripto. Cuando un proyecto dice que "usa GPT", casi siempre significa que llama a la API de OpenAI. Cuando dice que "ajustó DeepSeek", implica un compromiso técnico más profundo — aunque la afirmación sigue requiriendo evidencia verificable.

LLM de código abierto vs de código cerrado

Aspecto	Código abierto / pesos abiertos	Código cerrado
Pesos del modelo	Disponibles públicamente para descargar	Ocultos detrás de una API
Inspección	Cualquiera puede estudiar, auditar o ajustar	No es posible una auditoría externa de las partes internas
Personalización	Puede ajustarse con datos propios, ejecutarse localmente	Limitada a parámetros de la API (temperatura, system prompts)
Estructura de costos	Requiere hardware o hosting de GPU propio	Precios de API de pago por token
Ejemplos	DeepSeek, Qwen, Mistral	GPT, Claude, Gemini

Para los proyectos de IA en cripto, la distinción importa: un proyecto que ajustó un modelo de pesos abiertos y publicó los detalles del entrenamiento demuestra más profundidad de IA que uno que llama a una API cerrada sin modificación.

Por qué importan los LLM en la IA en cripto

Muchos proyectos de IA en cripto hacen referencia a los LLM en sus whitepapers, pitch decks o descripciones de producto. Las afirmaciones varían mucho:

"Construimos nuestro propio LLM" — implica preentrenamiento o un ajuste fino significativo, lo que requiere un cómputo y una experiencia sustanciales. Este es el nivel de compromiso más profundo.
"Ajustamos un LLM para DeFi" — implica una adaptación específica de dominio de un modelo base existente. Más creíble que una simple llamada a API, pero los detalles importan.
"Usamos un LLM" — a menudo significa llamar a una API externa (como la de OpenAI o Anthropic) con prompts específicos del proyecto. Este es el nivel más superficial de integración de IA.

Estos tres escenarios representan niveles fundamentalmente diferentes de profundidad de IA, y DecAIHub los evalúa en consecuencia a través de su metodología basada en evidencia.

Usar una API vs construir la tuya propia

Enfoque	Qué significa	Profundidad de IA
Llamada a API	El proyecto envía prompts a un LLM de terceros (p. ej., la API de OpenAI) y devuelve la respuesta	Baja — la IA pertenece al proveedor
Ingeniería de prompts	El proyecto diseña prompts, cadenas o pipelines de recuperación especializados sobre un LLM de terceros	Baja-media — existe lógica propietaria pero el modelo es externo
Ajuste fino	El proyecto adapta un modelo base de código abierto (DeepSeek, Mistral, Qwen) con su propio conjunto de datos	Media-alta — el proyecto posee un modelo modificado
Preentrenamiento	El proyecto entrena un modelo desde cero con sus propios datos y cómputo	Alta — propiedad total del modelo

Un API wrapper que pasa los prompts del usuario a un LLM comercial y devuelve la respuesta no es lo mismo que un proyecto que ajustó DeepSeek sobre datos de transacciones on-chain. DecAIHub distingue entre estos en el campo AI component de la ficha de proyecto.

Dónde aparece en las fichas de proyecto de DecAIHub

Al revisar la ficha de un proyecto en DecAIHub, varios campos se relacionan directamente con el uso de LLM:

AI component puede mencionar "LLM", "modelo ajustado", "ingeniería de prompts" o el nombre de un modelo específico. Este campo describe qué tipo de IA tiene realmente el proyecto, según lo verificado por los revisores de DecAIHub.
AI use case describe para qué se usa el LLM: generación, clasificación, resumen, razonamiento de agentes, etc. Un proyecto puede usar un LLM para una tarea estrecha (p. ej., análisis de intención) o como el motor central de todo un producto.
ai_score (parte de DecAI Fit) refleja qué tan bien se documenta el uso del LLM con evidencia Tier-1, Tier-2 o Tier-3. Un proyecto que afirma usar un LLM pero no aporta artefactos verificables obtendrá una puntuación baja en esta dimensión.
Banderas de AI reality (AI_0 a AI_4) indican la profundidad general de la IA verificable, que en muchos proyectos se ancla en su integración de LLM.

El objetivo nunca es penalizar a un proyecto por usar un LLM de terceros — muchos productos válidos hacen exactamente eso. El objetivo es distinguir entre los proyectos que llaman a una API de forma transparente y los que tergiversan el uso de una API como investigación de IA propietaria.

Lo que un LLM por sí solo no demuestra

Tener una clave de API de un LLM no significa que el proyecto "tenga IA". Significa que el proyecto puede llamar a la IA de otra persona.
Mencionar "GPT" o "Claude" en el marketing no demuestra un trabajo de IA propietario. Miles de aplicaciones usan la misma API.
Incluso un modelo ajustado necesita artefactos verificables: una descripción de los datos de entrenamiento, métricas de evaluación, un identificador de versión del modelo y evidencia de despliegue.
Un gran número de parámetros no garantiza un mejor modelo. La calidad del entrenamiento, la curación de datos y la alineación importan al menos tanto como el tamaño bruto.

No confundir con

Inferencia — ejecutar un LLM entrenado para producir salidas. La inferencia es un paso en el uso de un LLM, no un sinónimo del propio LLM.
Entrenamiento — el proceso de construir o adaptar un LLM. El entrenamiento produce el modelo; la inferencia lo usa.
Agente de IA — un sistema autónomo que puede usar un LLM como su núcleo de razonamiento, pero añade percepción, memoria, uso de herramientas y acción. Un LLM por sí solo no es un agente.
Procesamiento del lenguaje natural (NLP) — un campo más amplio de la informática. Los LLM son un enfoque (muy exitoso) del NLP, pero el NLP también incluye técnicas más antiguas como la extracción de palabras clave, el análisis basado en reglas y los clasificadores estadísticos.
Modelo fundacional — un término más general que incluye los LLM pero también abarca grandes modelos entrenados con imágenes, audio, video o datos multimodales. Todo LLM es un modelo fundacional, pero no todo modelo fundacional es un LLM.

Preguntas frecuentes

¿Cuál es la diferencia entre un LLM y un chatbot?

Un LLM es un modelo — un conjunto de parámetros entrenados que puede procesar y generar texto. Un chatbot es un producto construido sobre un modelo. El LLM es el motor; el chatbot es el coche. Un único LLM puede impulsar miles de chatbots diferentes, cada uno con sus propios prompts, interfaz y personalidad. A la inversa, un chatbot no necesariamente usa un LLM — los chatbots más antiguos se basaban en reglas con guion o en una simple coincidencia de patrones.

¿Todos los proyectos de IA usan LLM?

No. Muchos proyectos de IA en cripto usan otros tipos de aprendizaje automático: modelos de visión por computadora para la generación de NFT, aprendizaje por refuerzo para estrategias de trading, redes neuronales de grafos para la analítica de blockchain o ML tradicional para la detección de anomalías. El LLM es dominante en las aplicaciones basadas en texto, pero no es el único tipo de IA.

¿Qué significa ajustar un LLM?

El ajuste fino toma un LLM preentrenado y continúa su entrenamiento sobre un conjunto de datos más pequeño y curado, relevante para una tarea específica. El objetivo es especializar el modelo — por ejemplo, enseñarle a entender la terminología de DeFi, analizar contratos inteligentes o generar respuestas en un estilo particular. El ajuste fino es más rentable que el preentrenamiento desde cero, pero aun así requiere habilidad técnica, datos apropiados y recursos de cómputo.

¿Cómo se puede saber si un proyecto cripto construyó su propio LLM o usa una API?

Busca evidencia concreta: pesos de modelo publicados o un model card, datos de entrenamiento documentados, benchmarks de evaluación y una descripción del proceso de ajuste fino. Si el proyecto solo hace referencia al nombre de un modelo conocido (GPT, Claude) sin describir ninguna modificación, probablemente está usando una API. DecAIHub captura esta distinción en el campo AI component y en el tier de evidencia.

¿Qué son los LLM de código abierto?

Los LLM de código abierto (o de pesos abiertos) son modelos cuyos parámetros entrenados están disponibles públicamente para descargar, estudiar y modificar. Algunos ejemplos son DeepSeek, Qwen y Mistral. Permiten que cualquiera ajuste, despliegue e inspeccione el modelo, lo que aumenta la transparencia y posibilita la verificación independiente — ambas cualidades valiosas en el espacio de la IA en cripto.

¿Por qué importa el tamaño (parámetros) de un LLM?

Más parámetros generalmente permiten a un modelo capturar patrones más complejos del lenguaje, lo que puede mejorar el rendimiento en tareas difíciles. Sin embargo, el tamaño por sí solo no es decisivo. Un modelo más pequeño bien entrenado puede superar a uno más grande mal entrenado. Lo que más importa es la combinación de número de parámetros, calidad de los datos, metodología de entrenamiento y ajuste de alineación.

Véase también

Referencias externas

Attention Is All You Need (Vaswani et al., 2017) — el artículo original del Transformer que subyace a todos los LLM modernos.
Stanford Center for Research on Foundation Models — investigación y políticas sobre LLM y modelos fundacionales.
Hugging Face Open LLM Leaderboard — un benchmark comunitario para comparar LLM de código abierto.
Anthropic Research — artículos sobre seguridad, alineación e interpretabilidad de los LLM.
DeepSeek — familia de LLM de código abierto conocida por su fuerte razonamiento, ampliamente usada como modelo base en el ecosistema de la IA en cripto.