Cómo funcionan los modelos de lenguaje grandes · Mapas mentales

Cómo funcionan los modelos de lenguaje grandes · Mapas mentales

El lienzo interactivo de MindMap de esta explicación: cada carril, cada fila y cada flecha de arriba forma parte de un diagrama real de QueryChart que puedes abrir y editar.

Cómo leer este mapa mental

• Empieza por el tema central y sigue una rama de color para explorar sus ideas.
• Las líneas curvas muestran relaciones; las flechas aparecen cuando importa la dirección.

Training

Esta rama reúne “Pre-training is a single prediction task at massive scale: given a sentence with a word hidden, predict it. From that one task the model learns grammar, facts and reasoning patterns.”, “The model learns statistical patterns between words”, “Fine-tuning continues training on a smaller, curated dataset — customer support, code, a company's docs — to change the model's behaviour toward the desired style.”.

Tokenize

Esta rama reúne “The prompt is split into tokens”, “Tokens become numerical embeddings”.

Attention

Esta rama reúne “Attention is what lets “bank” be read as a river bank or a money bank depending on the surrounding words — the whole sentence influences every token's meaning.”.

Generate

Esta rama reúne “The model predicts the most likely next token”, “The model writes one token at a time, feeding each output back in as new input. A stop condition (end-of-text token, length limit) ends the loop.”.

Output

Esta rama reúne “Tokens are decoded back into readable text”, “The response is returned to the user”.

Conexiones entre ramas

Un LLM es un predictor del siguiente token, no un sistema de recuperación de respuestas: toda respuesta es una cadena de predicciones de un solo token.

El preentrenamiento aporta la capacidad; el ajuste fino y el prompt la dirigen hacia una tarea.

Las unidades en las que piensa el modelo son tokens, no caracteres ni palabras enteras.

La atención deja que el contexto remodele el significado, y eso es lo que hace que las mismas palabras signifiquen cosas distintas en frases distintas.

La generación es recursiva: cada token de salida se convierte en nueva entrada, y por eso las respuestas pueden ser largas, coherentes y erróneas con la misma seguridad.

Relaciones clave y conclusiones

• Un LLM es un predictor del siguiente token, no un sistema de recuperación de respuestas: toda respuesta es una cadena de predicciones de un solo token.
• El preentrenamiento aporta la capacidad; el ajuste fino y el prompt la dirigen hacia una tarea.
• Las unidades en las que piensa el modelo son tokens, no caracteres ni palabras enteras.
• La atención deja que el contexto remodele el significado, y eso es lo que hace que las mismas palabras signifiquen cosas distintas en frases distintas.
• La generación es recursiva: cada token de salida se convierte en nueva entrada, y por eso las respuestas pueden ser largas, coherentes y erróneas con la misma seguridad.

Cuándo usar este diagrama

• Explicar a un público no técnico qué hace realmente un LLM y por qué puede equivocarse con total seguridad.
• Enseñar a un equipo de producto la diferencia entre entrenamiento, ajuste fino y prompt para que pueda razonar sobre el comportamiento del modelo.
• Aterrizar una discusión sobre límites de tokens, coste y latencia en la mecánica del token a token.

Cómo funciona

1. Adapta el tema central

   Cambia el nombre del tema para adaptarlo a tu proyecto o clase.

2. Desarrolla las ramas

   Edita las ideas y añade ejemplos o notas.

3. Conecta ideas relacionadas

   Dibuja conexiones entre ramas; usa flechas cuando la dirección importe.

Preguntas frecuentes

¿Qué es un modelo de lenguaje grande?

Un modelo de lenguaje grande (LLM) es una red neuronal entrenada para predecir la siguiente palabra de una secuencia, a una escala enorme. De ese único objetivo aprende gramática, hechos, razonamiento y estilo lo bastante bien como para generar texto fluido. El nombre describe el mecanismo: es grande (miles de millones de parámetros), está entrenado sobre lenguaje y es, en el fondo, un predictor del siguiente token.

¿Por qué un LLM genera el texto token a token?

Porque su única operación es predecir el siguiente token más probable dado todo lo anterior. Después de cada predicción, ese token se añade a la entrada y el proceso se repite: es el bucle «¿Seguir generando?» del diagrama. Ese diseño recursivo es lo que permite al modelo producir texto arbitrariamente largo, y también la razón de que la salida se pueda desviar o repetir: cada paso solo ve los tokens que ya ha generado.

¿Qué diferencia hay entre el preentrenamiento y el ajuste fino?

El preentrenamiento es la fase inicial masiva: el modelo aprende patrones generales del lenguaje a partir de terabytes de texto, y de ahí sale su capacidad bruta. El ajuste fino es una fase posterior más pequeña, sobre datos curados para una tarea o un estilo concretos, que cambia cómo se comporta el modelo preentrenado. La mayoría de quienes usan LLM nunca hacen ajuste fino: escriben prompts, que dirigen el mismo modelo en tiempo de inferencia.

¿Por qué a veces los LLM dan respuestas equivocadas con tanta seguridad?

Porque el modelo optimiza el texto probable, no la verdad. No tiene ninguna base de datos interna ni comprobador de corrección; produce la continuación que encaja con sus patrones de entrenamiento. Cuando el patrón es una afirmación que suena plausible, la enuncia con seguridad. Por eso el diagrama describe el modelo como un predictor y no como un recuperador: la advertencia es una propiedad del mecanismo, no un fallo que se vaya a parchear solo con más escala.

Editar este mapa mental en QueryChart

Abre este mapa mental en un lienzo editable. Mueve ideas, añade ramas y dibuja conexiones.

Editar este mapa mental en QueryChart