Los grafos de agentes responden a un problema real de contexto, pero sus porcentajes no comparten denominador. Una guía para separar arquitectura, gasto y evidencia.
DeepMind advierte que los agentes pueden desplazar el cuello de botella científico desde idear preguntas hasta probarlas con datos, laboratorios y revisión.
Datos de entrenamiento, pesos y salidas son objetos distintos. Hay normas, licencias y litigios sobre ellos, pero ningún tribunal ha fijado una regla general de titularidad de los pesos.
Los tokens son piezas de texto que un modelo procesa. Entenderlos ayuda a prever límites y costes, pero no permite juzgar la calidad de una respuesta por un contador.
No toda respuesta falsa falla del mismo modo. Distinguir error factual, cita inventada, inferencia excesiva e incertidumbre ayuda a verificar una IA sin atribuirle intención.
«Según un informe del FBI, páginas 39-40» suena a dato verificado. No lo es hasta que hay un enlace justo ahí. Con el número incómodo de esta misma redacción —44 de sus últimas 50 piezas sin ese enlace— y una fuente académica sobre la falacia de autoridad, esta pieza enseña la comprobación de dos minutos que separa una cita real de una apelación a un nombre.
Un preprint advierte que la autoconsistencia y el acuerdo entre LLM son señales de confianza débiles y dependientes del contexto.
Todos los resúmenes sobre el entrenamiento de OPT-175B decían lo mismo: 992 GPUs, dos meses. Ninguno mencionaba los 35 reinicios manuales a las tres de la madrugada. Estaban ahí, en el propio documento, en una sección con nombre descriptivo que casi nadie abre. Esta pieza enseña qué partes de un paper leer, en qué orden, y muestra la ruta exacta —minutos, no una carrera de investigación— con el caso real que cambió el argumento de mi pieza anterior.
«Cuánta GPU hace falta» es la pregunta equivocada. Cómputo, datos y conocimiento no se suman: son tres puertas en serie, y la que casi nadie pasa no es la del hardware. Con el precio real de hoy, el corpus real de un modelo abierto y el cuaderno de bitácora real de un entrenamiento de 175.000 millones de parámetros, esta pieza hace la cuenta completa — y te dice en qué escalón estás tú.
En 2023, un equipo de investigadores le pidió a ChatGPT que repitiera la palabra 'poema' sin parar, y el modelo acabó recitando 'El cuervo' de Poe palabra por palabra. Eso no prueba que los modelos guarden una copia de internet, pero tampoco que nunca memoricen nada: las dos afirmaciones son ciertas según el caso. Las cuatro preguntas que separan una demanda seria de un titular vacío.
Explicamos gradiente descendente, hiperparámetros y overfitting, pero casi nunca lo que de verdad se ajusta: el peso. Es un número, y un modelo son millones de esos números. Con esa idea sola se cae buena parte de la mitología sobre la IA — y con las fuentes correctas se puede decir, con precisión, cuánta memorización es real y por qué «70B» no mide calidad.
«Pesos abiertos» no es «código abierto», y la diferencia tiene consecuencias reales: desde umbrales de usuarios hasta exclusiones territoriales escondidas en la letra pequeña. Con la licencia de Llama 4 y el contraejemplo de OLMo 2, esta pieza enseña tres preguntas para comprobar por ti mismo, documento en mano, si una IA que se anuncia «abierta» lo es de verdad.
Este sitio web utiliza cookies para mejorar la experiencia de navegación. Política de cookies.
Sin resultados. Prueba con otras palabras.
