Comparación de IA
RAG o fine-tuning
Usa RAG para dar al modelo datos que debe consultar y mantener al día; usa fine-tuning para cambiar cómo se comporta, como un formato, un tono o una tarea estrecha.
| Aspecto | RAG | Fine-tuning |
|---|---|---|
| Qué cambia | Lo que el modelo lee en cada llamada | Los pesos del modelo |
| Actualizar conocimientos | Editar los documentos, efecto inmediato | Volver a entrenar con datos nuevos |
| Muestra sus fuentes | Sí, puede citar los pasajes usados | No, el conocimiento está dentro del modelo |
| Trabajo previo | Un índice de búsqueda y la fragmentación | Cientos de buenos ejemplos y un entrenamiento |
Elige RAG cuando
- Las respuestas dependen de documentos que cambian
- Los usuarios necesitan ver de dónde sale una respuesta
- No todos los usuarios ven los mismos documentos
Elige Fine-tuning cuando
- Necesitas un formato o estilo constante que el prompt no mantiene
- La tarea es estrecha y tienes muchos buenos ejemplos
- Quieres prompts más cortos o un modelo más pequeño en una tarea repetida
Apréndelo con práctica
Estas lecciones gratuitas lo enseñan con órdenes para ejecutar en un laboratorio y tareas corregidas. Se leen completas sin cuenta.
Términos relacionados
- Generación aumentada por recuperación (RAG)
- RAG responde una pregunta buscando primero pasajes relevantes en tus propios documentos y dándoselos después a un modelo de lenguaje para que responda a partir de ellos.
- Ajuste fino (fine-tuning)
- El ajuste fino es seguir entrenando un modelo existente con tus propios ejemplos para que aprenda una tarea, un estilo o un formato que antes no hacía bien.
- LoRA (adaptación de bajo rango)
- LoRA es una forma de ajustar un modelo entrenando matrices pequeñas junto a sus pesos congelados, lo que necesita mucha menos memoria que reentrenarlo todo.