Vídeos complementarios

Fine-tuning en 2026: cuándo LoRA supera a RAG y cómo aplicarlo sin un clúster — vídeos complementarios

El artículo sostiene que la mayoría de los proyectos de fine-tuning todavía intentan resolver el problema equivocado, pero que aplicar LoRA a una tarea concreta adecuada es una de las acciones con mayor impacto que puede emprender un ingeniero en 2026, y ya no requiere un clúster. Estos vídeos combinan un tutorial práctico extenso con una explicación conceptual pausada de un respetado formador en ML para ayudarte a decidir tanto si conviene aplicar fine-tuning como la forma de hacerlo.

Selección principal

2:37:05

Fine-tuning de modelos LLM: curso de IA generativa

freeCodeCamp.org

Es un curso extenso que presenta primero la teoría y después el código, y cubre cuantización, LoRA, QLoRA y PEFT completo con Llama 2 y Gemma en hardware al alcance de la mayoría de los desarrolladores. Es lo más parecido en YouTube a acompañar a alguien con experiencia durante el proceso y respalda con presupuestos concretos de VRAM la afirmación del artículo de que «no necesitas un clúster».

Qué aprenderás: Podrás ejecutar de principio a fin fine-tuning con cuantización, LoRA y QLoRA en hardware que la mayoría de los desarrolladores ya posee.

Qué ver o saber antes: Python y comodidad básica con herramientas de ML; el curso se enfoca en hardware que la mayoría de los desarrolladores ya tienen.

Nota de AI Expert: Los nombres de modelos, precios y capacidades cambian rápidamente. Los modelos base del curso (Llama 2, Gemma) están desactualizados, pero las técnicas de LoRA, QLoRA y cuantización que enseña se aplican directamente a modelos actuales con pesos abiertos. Usa este curso para el patrón de decisión, luego verifica el comportamiento actual del modelo antes de adoptarlo.

Abrir página del vídeo

También merece la pena

58:45

Desarrollo de un LLM: creación, entrenamiento y fine-tuning

Sebastian Raschka

Sebastian Raschka explica con calma el lugar que ocupa el fine-tuning dentro del pipeline general de entrenamiento de un LLM: ajuste de instrucciones, fine-tuning para clasificación, métodos eficientes en parámetros y las contrapartidas señaladas por el artículo antes de recomendar LoRA. Ofrece una buena calibración inicial, sobre todo si el equipo aún debate si el fine-tuning es el paso adecuado.

Qué aprenderás: Situarás el fine-tuning dentro del pipeline general de entrenamiento y decidirás cuándo resulta preferible al prompting o a RAG.

Qué ver o saber antes: Conocimiento general de ML; es un recorrido conceptual, por lo que no se requiere configuración para seguir el código.

Nota de AI Expert: Los nombres de modelos, precios y capacidades cambian rápidamente. Usa este curso para el patrón de decisión, luego verifica el comportamiento actual del modelo antes de adoptarlo.

Abrir página del vídeo