¿Qué es un LLM? Cómo funcionan de verdad los modelos de lenguaje

ChatGPT, Claude, Gemini y Copilot parecen productos distintos, pero bajo todos ellos hay la misma tecnología: un modelo de lenguaje de gran tamaño, o LLM (por sus siglas en inglés). Entender qué es ese modelo, y qué no, explica casi todos sus aciertos y sus fallos. Esta guía explica qué es un LLM, cómo convierte tu prompt en una respuesta, cómo se entrena, sus tipos, cómo elegir uno y los prompts que le sacan más partido.

Qué es un LLM

Un LLM es una red neuronal entrenada con muchísimo texto para una sola cosa: predecir qué fragmento de texto viene después. Dale el principio de una frase y estimará las continuaciones probables. Repite ese paso miles de veces y tendrás un correo, un resumen, una traducción o una función que funciona.

Lo de «gran tamaño» se refiere a dos cosas. Primero, a los datos de entrenamiento, que hoy suman billones de palabras entre webs, libros, código y otros textos; Meta, por ejemplo, dice que sus modelos Llama 3 se entrenaron con más de 15 billones de tokens. Segundo, al número de parámetros: los valores internos que el modelo ajusta al entrenarse y que guardan lo aprendido. GPT-2 tenía 1.500 millones de parámetros en 2019; GPT-3, 175.000 millones un año después. Muchas empresas ya no publican la cifra de sus modelos estrella, pero los modelos abiertos con pesos publicados van desde unos 1.000 millones de parámetros hasta varios cientos de miles de millones.

Los LLM son la rama de la IA generativa que se ocupa del lenguaje. Entre las familias conocidas están GPT de OpenAI, Claude de Anthropic, Gemini de Google, Llama de Meta y los modelos de Mistral, Alibaba (Qwen) y DeepSeek.

Cómo funciona un LLM: predecir el siguiente token

Un LLM no lee letras ni palabras. Un tokenizador corta antes tu texto en tokens, fragmentos que suelen ser una palabra entera o parte de una, y convierte cada uno en un número. Nuestra guía de tokens de IA lo explica en detalle.

A partir de ahí, la respuesta se construye en un bucle:

1. Leer el contexto: el modelo recibe todos los tokens de la entrada: instrucciones del sistema, conversación previa y tu último mensaje.
2. Puntuar cada opción: asigna una probabilidad a cada token de su vocabulario, normalmente decenas de miles de candidatos o más.
3. Elegir uno: escoge un token, casi siempre uno probable, pero no necesariamente el que más. Un ajuste llamado temperatura controla lo atrevida que es esa elección.
4. Repetir: el token elegido se suma al contexto y el modelo predice el siguiente, hasta terminar.

La arquitectura que lo hizo posible a gran escala es el transformer, presentado por investigadores de Google en el artículo de 2017 «Attention Is All You Need». Su idea clave es la atención: para cada token, el modelo sopesa la relevancia de todos los demás del contexto. Así deduce que en «la taza no cabía en la bolsa porque era demasiado pequeña» lo pequeño es la bolsa, y así recuerda instrucciones que le diste 2.000 palabras antes.

De ahí salen tres consecuencias prácticas:

• El mismo prompt puede dar respuestas distintas, porque cada token se elige con cierta aleatoriedad. Si importa, pregunta dos veces y compara.
• El modelo solo sabe lo que hay en sus pesos y en su contexto. No consulta ninguna base de datos salvo que la aplicación le añada búsqueda.
• Optimiza lo plausible, no lo verdadero. Casi siempre coinciden; cuando no, obtienes un error dicho con total aplomo.

Cómo se entrenan los LLM

Un asistente moderno pasa por varias fases de entrenamiento, y cada una moldea su conducta.

• Preentrenamiento: el modelo lee una inmensa colección de textos y aprende a predecir el siguiente token, ajustando sus parámetros cada vez que falla. Así adquiere gramática, datos, estilos, patrones de código y cierta capacidad de razonar. Es la parte cara: semanas o meses en miles de chips especializados. El resultado es un modelo base: continúa bien un texto, pero no sigue instrucciones de forma fiable. Hazle una pregunta y quizá responda con otras tres, porque es una continuación plausible.
• Ajuste por instrucciones: el modelo base se entrena además con ejemplos de peticiones y buenas respuestas, para que aprenda a actuar como asistente: responder, respetar el formato y parar al terminar.
• Aprendizaje a partir de valoraciones: personas (y, cada vez más, otros modelos) ordenan respuestas alternativas, y el modelo se entrena para preferir las mejores. Es el aprendizaje por refuerzo a partir de retroalimentación humana (RLHF, por sus siglas en inglés). En el artículo de OpenAI sobre InstructGPT, de 2022, las personas preferían las respuestas de un modelo de 1.300 millones de parámetros entrenado así a las de GPT-3, con 175.000 millones: prueba de cuánto importa esta fase.
• Entrenamiento en razonamiento: los modelos recientes también aprenden a resolver problemas paso a paso antes de responder, con recompensas si llegan a resultados correctos y comprobables en áreas como las matemáticas y el código.

Una consecuencia de todo ello es la fecha de corte de conocimiento. El preentrenamiento usa datos hasta cierta fecha, y el modelo ignora lo posterior salvo que la aplicación le dé búsqueda o tú le pegues la información.

LLM, chatbots e IA generativa: en qué se diferencian

Estos términos se usan como sinónimos, pero son capas de una misma estructura:

• La IA generativa es la categoría amplia: cualquier IA que crea texto, imágenes, audio, vídeo o código.
• Un LLM es el motor del lenguaje: un modelo que recibe texto y produce texto. Muchos aceptan ya imágenes, audio o archivos: son los modelos multimodales.
• Un chatbot o asistente es el producto construido alrededor del modelo. ChatGPT es una aplicación; los modelos GPT son lo que funciona dentro.

El producto añade mucho de lo atribuido a «la IA»: un prompt de sistema oculto con tono y reglas, búsqueda web, subida de archivos, ejecución de código, memoria entre chats y filtros de seguridad. Por eso un mismo modelo se comporta distinto en dos aplicaciones, y un asistente puede citar las noticias de hoy aunque el conocimiento de su modelo termine meses antes. Si a un LLM se le dan herramientas y se le deja actuar en varios pasos, se convierte en un agente de IA.

Tipos de LLM que te vas a encontrar

Casi todos los LLM se clasifican en cuatro ejes, y saber dónde está un modelo dice mucho de cómo usarlo.

• Cerrados o de pesos abiertos: los cerrados (GPT, Claude, Gemini) solo se usan mediante las aplicaciones y la API de su empresa. Los de pesos abiertos (Llama, Mistral, Qwen, DeepSeek y otros) publican sus parámetros, y cualquiera puede descargarlos, ejecutarlos y ajustarlos, según su licencia. Los abiertos dan privacidad y control; los cerrados suelen liderar en las tareas más difíciles y no requieren instalación.
• Grandes o pequeños: los modelos punteros son los más capaces y los más caros por token. Los pequeños, de uno a pocos miles de millones de parámetros, funcionan en un portátil o un móvil y resuelven bien la clasificación, la extracción y las reescrituras breves. Casi todos los proveedores venden varios tamaños por familia.
• Estándar o de razonamiento: los de razonamiento gastan tokens extra en «pensar» antes de responder. Son más lentos y caros, pero claramente mejores en matemáticas, lógica, planificación y depuración; en una reescritura rápida aportan poco.
• Solo texto o multimodales: los multimodales leen imágenes, capturas de pantalla, gráficos y a veces audio, además de texto. Así puedes fotografiar un formulario o una pizarra y preguntar sobre ellos.

Algunos modelos grandes usan un diseño llamado mezcla de expertos (mixture of experts), en el que solo se activa una parte de la red por token. DeepSeek-V3, por ejemplo, tiene 671.000 millones de parámetros en total, pero usa unos 37.000 millones por token, así que ejecutarlo sale mucho más barato de lo que sugiere su tamaño.

En qué destacan los LLM y prompts que ayudan

Los LLM rinden mejor cuando la tarea consiste en transformar lenguaje que puedes comprobar: redactar, resumir, reescribir para otro público, traducir, extraer datos estructurados de un texto desordenado, explicar un concepto al nivel que elijas, proponer ideas y escribir o revisar código. Flaquean al aportar datos de memoria sin una fuente que los respalde.

Por eso, lo más fiable es darle el material y pedirle que trabaje con él, no que recuerde:

Como el modelo genera su respuesta token a token, pedirle que exponga su planteamiento antes de la respuesta final ayuda en problemas de varios pasos. Es la idea del prompting de cadena de pensamiento, que además deja ver los errores:

También responden bien a los ejemplos. Si quieres un estilo o formato, muéstralo en vez de describirlo:

Si no quieres escribirlos desde cero, nuestro generador de prompts de IA crea una versión estructurada a partir de una línea que describa lo que necesitas.

Cómo elegir un LLM para cada tarea

Los rankings cambian cada mes y rara vez reflejan tu trabajo real. Una prueba breve con tus tareas sirve más. Repasa estas preguntas:

1. ¿Cuál es la tarea? Redacción y análisis, programación, matemáticas, comprensión de imágenes o procesamiento masivo favorecen modelos distintos. Los de razonamiento van bien con problemas difíciles; los pequeños y rápidos, con los repetitivos.
2. ¿Adónde van tus datos? Con material confidencial, mira si el proveedor entrena con lo que envías y qué permite tu plan. Los planes de empresa y las API suelen tener condiciones más estrictas; un modelo de pesos abiertos en tu propio hardware mantiene los datos totalmente en casa.
3. ¿Cuánta entrada necesitas? Informes largos o bases de código piden una ventana de contexto grande, medida en tokens.
4. ¿Cuánto cuesta con tu volumen? Con una API, calcula una petición típica y multiplica; con una suscripción, mira los límites de uso, no solo el precio.
5. ¿Necesita información actualizada? Si es así, elige una aplicación con búsqueda web o conéctalo a tus documentos con RAG.

Luego pasa tres o cuatro prompts reales por dos o tres candidatos y compara. Nuestra comparativa ChatGPT vs Claude vs Gemini es un buen punto de partida con los principales asistentes.

Lo que los LLM no pueden hacer

• Garantizar los datos: un LLM genera texto plausible, así que puede inventar fuentes, cifras y citas con total seguridad. Estas alucinaciones de la IA pueden reducirse, no eliminarse. Comprueba todo lo que importe.
• Conocer la actualidad por sí solo: sin búsqueda ni fuentes pegadas, solo sabe lo que había en sus datos hasta la fecha de corte, y quizá ni sepa cuál es.
• Recordarte entre sesiones por sí mismo: el modelo no tiene memoria. Los chats la simulan reenviando la conversación o guardando notas, y lo que queda fuera de la ventana de contexto se pierde.
• Contar y deletrear con fiabilidad: como ve tokens y no letras, tareas como contar caracteres o clavar un número exacto de palabras suelen salir algo mal. Si la aplicación lo permite, pídele que escriba y ejecute código para contar con precisión.
• Ser neutral por defecto: aprendió de textos humanos, con sus sesgos y lagunas, y su entrenamiento con valoraciones refleja las decisiones de quien lo creó.
• Explicarse con fidelidad: cuando un modelo describe su razonamiento, esa descripción también es texto generado. Sirve para detectar errores, pero no refleja fielmente cómo se produjo la respuesta.
• Sustituir el criterio profesional: en decisiones médicas, legales, financieras o de seguridad, úsalo para preparar preguntas y borradores, y luego confía en una persona cualificada y en fuentes primarias.

Piensa en un LLM como un predictor de texto muy leído al que se ha entrenado para ser útil: rápido, flexible y a menudo impresionante, pero sin ningún sentido propio de lo que es verdad. Dale el contexto adecuado, pídele que muestre su razonamiento, comprueba lo que te dice y se convertirá en una de tus herramientas más útiles.

Referencias

• Wikipedia — Modelo de lenguaje de gran tamaño
• Vaswani et al. — Attention Is All You Need (2017)
• Ouyang et al. — Training language models to follow instructions with human feedback (2022)