Vídeos complementarios

Ajuste fino en 2026: un experimento de LoRA y QLoRA basado en evidencia (vídeos complementarios)

El artículo plantea un experimento de LoRA o QLoRA para 2026: justificar la adaptación en la tarea, medir los recursos de la configuración elegida de modelo y hardware y evaluar el adaptador antes de publicarlo. Los vídeos aportan orientación práctica y conceptual.

Selección principal

2:37:05
Fine-tuning de modelos LLM: curso de IA generativa

freeCodeCamp.org

El curso presenta cuantización, LoRA, QLoRA y PEFT con Llama 2 y Gemma. El curso ofrece ejemplos de consumo de VRAM para configuraciones concretas. El artículo exige mediciones del modelo y hardware elegidos; los ejemplos no prueban que cualquier tarea adecuada pueda ejecutarse sin un clúster.

Qué aprenderás: Usar el curso como ejemplo para planificar un experimento de LoRA o QLoRA y medir los recursos y resultados de la configuración elegida.

Qué ver o saber antes: Python y familiaridad básica con herramientas de ML; comprueba los recursos necesarios para el modelo y hardware elegidos antes del experimento.

Nota de AI Expert: Los modelos base del curso (Llama 2, Gemma) son ejemplos de su época. Usa los métodos como contexto y comprueba la compatibilidad del modelo, las versiones de bibliotecas, los recursos y los resultados de tu configuración; no se garantiza la aplicación directa.

Abrir página del vídeo

También merece la pena

58:45
Desarrollo de un LLM: creación, entrenamiento y fine-tuning

Sebastian Raschka

El panorama de Raschka sitúa el ajuste fino en el proceso de entrenamiento. El artículo plantea un experimento de LoRA cuando lo justifica una carencia medida respecto a la solución de referencia, con comprobación de recursos y evaluación del adaptador antes de publicarlo.

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