Modelos de lenguaje pequeños: cómo elegir y usar un SLM

Los modelos de lenguaje pequeños merecen una prueba cuando la tarea está bien definida, la respuesta se puede comprobar y existe una forma de gestionar las excepciones. Empieza por evaluar un modelo de 1B a 4B para una tarea acotada; conserva el acceso por API a un modelo de máxima capacidad para los trabajos que exijan conocimientos más amplios o un razonamiento más fiable, siempre que tu política de datos lo permita.

La decisión empresarial consiste en determinar si un modelo más pequeño puede cumplir tus criterios de aceptación con el hardware disponible. Si responde rápido y de forma convincente, pero genera otra cola de revisión, no ha resuelto el problema.

¿Qué son los modelos de lenguaje pequeños?

Un modelo de lenguaje pequeño, o SLM, sacrifica parte de su capacidad general a cambio de necesitar menos recursos de cómputo. Para planificar, sirve como referencia un intervalo aproximado de 100 millones a 10 mil millones de parámetros, aunque hay casos que lo superan. No existe un límite universal: IBM habla de millones a unos pocos miles de millones, mientras que Mistral incluye expresamente un modelo de 14B en su familia de modelos pequeños. La frontera cambia con el hardware, los métodos de entrenamiento y la capacidad de los modelos más grandes. La definición de IBM y la familia de modelos de Mistral ilustran esa diferencia de criterio.

Un parámetro es un peso numérico aprendido que influye en la respuesta del modelo. Un token es un fragmento de texto que el modelo procesa. Los modelos de chat generativos construyen la respuesta prediciendo tokens sucesivos a partir del contexto recibido. Un modelo más pequeño utiliza menos pesos aprendidos, aunque la arquitectura y la calidad del entrenamiento también importan. La introducción de Google a los modelos de lenguaje explica el mecanismo.

Piensa en la cocina compacta de una panadería, equipada para preparar un menú definido. Puede ser una elección sensata si recibe los mismos pedidos todos los días; pedirle que prepare cualquier plato que se le ocurra a un cliente supone una exigencia distinta. Un modelo pequeño no es un especialista por defecto, pero un proceso acotado permite concentrar su capacidad donde hace falta.

Los modelos pequeños pueden entrenarse directamente o desarrollarse mediante destilación, una técnica que enseña al modelo pequeño a partir de las respuestas de otro más grande. La cuantización almacena los pesos numéricos con menor precisión para reducir el espacio que ocupan. Son cosas distintas: cuantizar un modelo grande no reduce su número de parámetros ni lo convierte en el equivalente de un modelo mucho más pequeño. IBM describe ambas técnicas por separado.

SLM vs LLM: qué cambia al elegir un modelo grande

Decide primero por la calidad en la tarea y después por las necesidades de despliegue. Una API de un modelo de máxima capacidad permite acceder por internet al modelo de un proveedor y evita tener que operar el hardware de inferencia. Un modelo pequeño ofrece más opciones de despliegue, entre ellas la posibilidad de ejecutar todo el trabajo en un dispositivo.

El tamaño y el lugar de ejecución son decisiones independientes. Puedes alojar un modelo pequeño detrás de una API, y algunos modelos abiertos de mayor tamaño pueden ejecutarse en tu propia infraestructura. Que un proveedor use la palabra «mini» no revela cuántos parámetros tiene el modelo ni significa que sus pesos se puedan descargar.

Son ventajas y compromisos de despliegue, no resultados de pruebas de rendimiento. La introducción de Microsoft a los SLM describe sus ventajas en consumo de recursos y sus límites de capacidad. La comparación útil es la que se hace con tu carga de trabajo real, incluidas las entradas difíciles.

¿Por qué elegiría una empresa un modelo pequeño?

Costo por llamada: una inferencia más pequeña puede consumir menos recursos. Pero ejecutar en local no es gratis: también cuentan el hardware, la electricidad, el soporte, la capacidad ociosa y los reintentos. Compara el costo por resultado aceptado, incluida la revisión y la derivación, en vez de dar el problema por resuelto porque desapareció una factura de API. Si un servicio se usa poco, contratarlo puede ser más sencillo que operarlo.

Latencia: la ejecución local elimina el viaje al servicio remoto de inferencia. Eso no garantiza una respuesta más rápida. La carga del modelo, el procesamiento de un prompt largo, una memoria lenta y las solicitudes simultáneas pueden determinar el tiempo total. Si una persona observa cómo se completa un formulario, mide cuánto tarda en aparecer el formulario completo y válido.

Privacidad: la inferencia local puede mantener el prompt dentro del dispositivo. Esa ventaja desaparece si una herramienta de búsqueda conectada, un modelo remoto de respaldo o un registro de la aplicación envían el mismo texto a otro lugar. Revisa todo el recorrido, incluidos los archivos sincronizados y la telemetría, antes de afirmar que el proceso es privado.

Uso sin conexión: una vez descargados la aplicación, el modelo y los recursos necesarios, un proceso local puede seguir funcionando sin acceso a internet. Esto importa, por ejemplo, cuando un técnico redacta una nota de servicio en un sótano. Las consultas al inventario en tiempo real siguen necesitando conexión, salvo que también exista una copia local de los datos. La documentación de LM Studio sobre el uso sin conexión distingue expresamente entre la inferencia con recursos descargados y las operaciones que necesitan conectarse.

Para un fundador con financiación, una solución alojada suele ser la forma más rápida de comprobar si la función resulta útil. Para el CTO de una empresa mediana, el despliegue local cobra sentido cuando una carga de trabajo repetible o un límite sobre la ubicación de los datos justifican hacerse cargo de las operaciones. Para un responsable de operaciones con experiencia, la métrica decisiva es cuánto trabajo llega a una respuesta utilizable sin correcciones. Para un desarrollador independiente, una prueba piloto en una computadora portátil permite comprobar la viabilidad antes de comprar hardware.

Cinco tareas para las que conviene probar un modelo pequeño

Los mejores candidatos admiten un conjunto limitado de salidas y permiten rechazar los errores con criterios claros. Los siguientes son patrones de trabajo propuestos, no afirmaciones de que todos los modelos mencionados más adelante ya resuelvan tu tarea.

1. Clasificación

Usa el modelo para asignar textos a un conjunto fijo de categorías. En soporte, por ejemplo, podría clasificar los tickets como billing, access, bug u other. Proporciona definiciones y ejemplos de casos dudosos, y mide los errores de cada categoría por separado.

El límite útil es «elegir una cola», no «resolver la cuenta del cliente». Mantén una ruta other para los mensajes que no encajen en la clasificación. Si unas reglas sencillas ya clasifican las entradas de forma fiable, conserva esas reglas.

2. Extracción

Convierte el texto recibido en un registro de estructura fija: por ejemplo, número de factura, proveedor, fecha de vencimiento y moneda. Exige un fragmento de la fuente que respalde cada campo extraído y permite null cuando falte la información. Un esquema, que define la estructura y los tipos de datos permitidos en la salida, comprueba el formato; no demuestra que los valores sean correctos.

En los documentos escaneados, el reconocimiento de texto es un paso aparte, salvo que el modelo elegido y su entorno de ejecución admitan imágenes como entrada. Valida mediante código las fechas, los totales y los identificadores antes de enviar el registro a un sistema contable. Nunca pidas al modelo que adivine un número de factura ausente.

3. Enrutamiento de solicitudes

Deja que un modelo pequeño proponga qué proceso especializado debe recibir cada solicitud. Un servicio de asistencia interno podría distinguir entre «buscar una política», «restablecer el acceso» y «hablar con un agente». Después, la aplicación comprueba si esa ruta está permitida.

El modelo que decide la ruta no debe convertirse en el sistema de permisos. Trata su elección como una propuesta, aplica una lista de rutas permitidas y deriva las solicitudes ambiguas. La confianza que declara un modelo no es una probabilidad calibrada de que su respuesta sea correcta.

4. Asistentes en el dispositivo

Un asistente puede reformular la nota de un técnico, resumir instrucciones guardadas en local o preparar una consulta de búsqueda sin enviar el texto original a un modelo remoto. Su alcance debe quedar claro: «ayudar con estos manuales descargados», en vez de «responder cualquier pregunta de mantenimiento».

Incluye el pasaje pertinente en la solicitud. El modelo no puede conocer un procedimiento nuevo solo porque la aplicación lo haya descargado en alguna ubicación. Mantén visible el acceso al documento original y prueba el sistema en el teléfono que se vaya a usar, teniendo en cuenta la batería y el calentamiento.

5. Redacción a partir de plantillas

Genera un borrador a partir de campos aprobados y un formato establecido. Un responsable de cuentas podría convertir un registro de reunión verificado en un correo de seguimiento con apartados para decisiones, responsables y próximos pasos.

Conserva los compromisos, los precios y las fechas en campos de origen validados. Si falta un valor, omítelo o solicítalo. La redacción con modelos pequeños es más fácil de controlar cuando el modelo se ocupa de las palabras y la aplicación aporta los hechos.

Modelos pequeños de lenguaje de código abierto: tamaños y licencias

Los siguientes son modelos con pesos abiertos que figuran en los catálogos de sus fabricantes, verificados el 14 de octubre de 2026. No constituyen una clasificación basada en pruebas de uso. Aquí suele emplearse «código abierto» con cierta libertad: que los pesos se puedan descargar no significa que todos concedan los mismos derechos. Revisa la licencia del checkpoint exacto que vayas a distribuir, incluido cualquier paquete derivado o cuantizado.

Los tamaños indicados siguen la nomenclatura del fabricante, con las diferencias importantes en el recuento de parámetros señaladas expresamente. Un entorno de ejecución es el software que carga los pesos y ejecuta el modelo; sigue siendo necesario comprobar la compatibilidad y la memoria disponible.

Google Gemma 4 merece una evaluación cuando un asistente local necesita recibir texto además de imágenes o audio. Las etiquetas E2B y E4B describen recuentos efectivos de parámetros, así que no calcules la memoria solo a partir del nombre. Google ofrece formatos de despliegue y orientación sobre la memoria, con opciones para equipos locales y dispositivos móviles.

Microsoft Phi-4-mini-instruct es un modelo de texto cuya ficha incluye instrucciones para servirlo en local y advierte expresamente de sus conocimientos limitados sobre hechos. Por eso puede ser un buen candidato para trabajar con contexto proporcionado, siempre que se evalúe con cuidado en tu idioma y con tus documentos; no sustituye a una fuente de conocimiento actualizada.

Alibaba Qwen3.5 ofrece una variedad útil de tamaños pequeños para comparar una misma tarea con distintas necesidades de hardware. La ficha del modelo 4B documenta las opciones de servicio, y la licencia del checkpoint recoge las condiciones. Comprueba la compatibilidad del entorno de ejecución y el paquete multimodal completo, en vez de suponer que cualquier aplicación local admite todas las variantes.

Meta Llama 3.2 ofrece modelos solo de texto lo bastante pequeños para que sea viable evaluarlos en el propio dispositivo, con cuantización para móviles documentada por Meta. Su licencia propia establece condiciones distintas de MIT o Apache 2.0. Elígelo para un proceso de texto acotado; si necesitas interpretar imágenes, tendrás que usar otro modelo.

Mistral AI Ministral 3 ofrece variantes base, instruct y de razonamiento en sus distintos tamaños pequeños, con comprensión de imágenes. Para una tarea rutinaria, empieza por evaluar una variante instruct, es decir, entrenada para seguir instrucciones. Una respuesta de razonamiento más larga puede añadir latencia cuando solo necesitas una categoría breve o un campo extraído. La página actual del modelo 3B documenta el modelo alojado.

¿Qué modelo pequeño conviene elegir para una primera prueba?

Empieza por el candidato más pequeño que admita el tipo de entrada necesario, funcione en tu idioma, tenga una licencia aceptable y cuente con un entorno de ejecución compatible. Compáralo con un modelo más grande usando exactamente los mismos ejemplos. Sin conocer esa carga de trabajo, no se puede defender un ganador universal.

Para elegir en función del hardware dentro de una oferta más amplia, consulta la guía de los mejores LLM locales. La selección anterior se centra en explicar cómo decidir si conviene usar un modelo pequeño.

¿Qué cabe en una computadora portátil, un teléfono o una sola GPU?

Los pesos del modelo son solo el punto de partida de los requisitos de memoria. También necesitas memoria de trabajo para el entorno de ejecución y el contexto, es decir, el texto y las demás entradas que procesa el modelo.

Este cálculo es deliberadamente simplificado: 4 mil millones de parámetros × 4 bits ÷ 8 = 2 GB de pesos en bruto, expresados en gigabytes decimales. Es un cálculo propio, no una prueba de rendimiento ni una afirmación de que un modelo de 4B funcione con 2 GB de RAM. Los metadatos de cuantización, los pesos almacenados con distintas precisiones, el entorno de ejecución y la caché de contexto añaden consumo de memoria.

La caché KV es memoria de trabajo que evita volver a calcular partes del contexto anterior. Entradas más largas, salidas más extensas y más solicitudes simultáneas pueden aumentar la memoria necesaria. La guía de Google para planificar la memoria distingue expresamente entre los pesos estáticos, el contexto y el software de apoyo.

Un teléfono necesita un entorno de ejecución móvil compatible y una carga de trabajo que siga siendo útil bajo las limitaciones del dispositivo durante un uso sostenido. Una computadora portátil debe reservar memoria para el sistema operativo y las aplicaciones que realmente usas. Una GPU no es una especificación suficiente: la memoria de video disponible, el software compatible y la carga de solicitudes determinan qué modelos caben.

Aunque un modelo quepa en memoria, puede resultar demasiado lento. Mide tanto los arranques en frío como las solicitudes repetidas y después prueba con la longitud de prompt y la carga simultánea previstas. No reserves toda la ventana de contexto máxima solo porque la ficha del modelo anuncie esa capacidad.

Cómo ejecutar un modelo de lenguaje pequeño

Usa Ollama si una línea de comandos y una API local encajan en tu forma de trabajar; elige LM Studio si prefieres descargar, cargar y comparar modelos desde una interfaz de escritorio. Ambos son aplicaciones y entornos de ejecución, no el modelo en sí. La comparativa de Ollama y LM Studio explica la elección en detalle.

Ejecutarlo en local con Ollama

Ollama proporciona un motor para ejecutar modelos en local y una interfaz HTTP. Instálalo y ponlo en marcha siguiendo la guía oficial de inicio rápido, y después descarga un modelo con un identificador concreto. La entrada de Llama 3.2 en su catálogo incluye ambos tamaños pequeños.

1. 1

   Descarga un modelo pequeño

   Después de instalar Ollama, ejecuta estos comandos en una terminal:

   ollama pull llama3.2:3b
   ollama run llama3.2:3b

   El primer comando descarga el modelo. El segundo abre una sesión interactiva. Es un punto de partida documentado, no una garantía de que el modelo haya superado tu tarea.

2. 2

   Prueba una solicitud acotada a la API

   Con Ollama en ejecución, esta solicitud pide clasificar un ticket de soporte y devolver la respuesta en JSON. Ejecútala en una consola donde esté disponible curl:

   curl http://localhost:11434/api/generate \
     -H 'Content-Type: application/json' \
     -d '{
       "model": "llama3.2:3b",
       "prompt": "Classify the ticket as billing, access, bug, or other. Return JSON with one key: category. Ticket: I cannot sign in after resetting my password.",
       "format": "json",
       "stream": false
     }'

   Lee el texto generado en el campo response de la respuesta. El endpoint generate también acepta un JSON Schema cuando necesitas una estructura de salida más estricta. La aplicación sigue teniendo que rechazar las categorías desconocidas y evaluar si la clasificación es correcta.

3. 3

   Comprueba dónde se ejecuta

   Usa ollama ps para ver si el modelo está cargado en CPU, GPU o ambas. Si el proceso debe mantenerse en local, desactiva las funciones en la nube con OLLAMA_NO_CLOUD=1 en el entorno del servicio de Ollama en ejecución y reinícialo. Ollama documenta estos controles en sus preguntas frecuentes. Excluye las herramientas conectadas y los modelos remotos de respaldo de cualquier prueba sin conexión.

Ejecutarlo en local con LM Studio

LM Studio es una aplicación de escritorio para descargar y ejecutar modelos locales compatibles. Su documentación describe la compatibilidad con GGUF, un formato de archivo de modelos locales, y con MLX en Apple Silicon.

Abre Discover, busca el modelo y elige una descarga compatible que quepa en tu equipo. Cárgalo en un chat y pega la misma solicitud de clasificación del ejemplo anterior. Anota el archivo exacto del modelo y su cuantización: dos descargas de la misma familia pueden consumir recursos distintos y ofrecer diferente calidad. Consulta la guía de descarga de modelos para seguir los pasos de la interfaz actual.

Para probarlo sin conexión, descarga primero el modelo y el entorno de ejecución necesario, desconecta el equipo y repite la tarea. El modelo puede funcionar en local aunque la búsqueda de modelos, las descargas o las herramientas externas sigan necesitando conexión. Una prueba de chat sin conexión no demuestra que todas las integraciones de la aplicación sean privadas.

Acceder mediante una API alojada

Una API alojada de un modelo pequeño permite evaluarlo sin administrar una GPU. Por ejemplo, el servicio alojado de Mistral ofrece Ministral junto con sus modelos más grandes. Sigue su guía de inicio rápido de la API: crea una cuenta y una clave, selecciona el identificador vigente del modelo pequeño en su página y envía el mismo prompt acotado a través del endpoint de chat-completion.

Guarda la clave en tu servidor. Compara los resultados aceptados, el tiempo de respuesta y el esfuerzo de revisión usando el mismo conjunto de datos que en la ejecución local. Un modelo pequeño alojado sigue haciendo inferencia remota; tener pocos parámetros no le permite funcionar sin conexión ni le da la privacidad de ejecutar en el propio dispositivo.

Dónde fallan los modelos pequeños y qué promesas se exageran

Los fallos más difíciles aparecen cuando la tarea se sale de los ejemplos para los que diseñaste el sistema. Un clasificador puede parecer fiable con tickets sencillos y fallar ante un mensaje que combine una disputa de facturación con un problema de acceso. Un modelo de redacción puede respetar el formato e inventarse un compromiso.

Los conocimientos amplios y el razonamiento ante situaciones ambiguas siguen siendo puntos débiles que hay que evaluar. La ficha de Phi de Microsoft describe expresamente su capacidad limitada para manejar hechos y advierte de los problemas con conversaciones largas, diferencias entre idiomas e información poco fiable. Aportar material de referencia pertinente ayuda a suplir los conocimientos que faltan; no garantiza una interpretación correcta.

«Pequeño significa preciso» es una afirmación sin respaldo. Acotar una tarea facilita evaluarla y limitar lo que puede hacer el modelo. No garantiza que diga la verdad. Mantén las comprobaciones basadas en evidencias y una vía para rechazar o derivar las solicitudes.

«Local significa privado» describe una arquitectura que hay que construir. Los registros, las herramientas externas, la sincronización de documentos y los modelos remotos de respaldo pueden cruzar ese límite aunque la inferencia sea local.

«Una ventana de contexto larga significa que entiende todo el manual» va demasiado lejos. La capacidad de entrada anunciada no garantiza que el modelo quepa en memoria ni que razone correctamente sobre todos los pasajes. Recupera la sección pertinente, inclúyela con la pregunta y contrasta la respuesta con la fuente.

Modelos de lenguaje pequeños especializados en un dominio

La especialización empieza por el proceso de trabajo, antes del entrenamiento. Proporciona al modelo el vocabulario, las salidas permitidas y los documentos pertinentes para la tarea. La generación aumentada por recuperación, o RAG, consiste en buscar material de referencia relevante e incluirlo en la solicitud. Permite actualizar el conocimiento que recibe el modelo sin cambiar sus pesos.

Para un asistente de mantenimiento de equipos, recupera las instrucciones de la máquina y la revisión exactas. No le pases una carpeta de manuales sin relación entre sí esperando que elija bien. Adjunta la revisión de la fuente a la respuesta para que la persona que la usa pueda comprobarla.

Ajuste fino de modelos de lenguaje pequeños

El ajuste fino modifica un modelo preentrenado mediante ejemplos adicionales. Considéralo cuando una tarea estable falle repetidamente de formas que el diseño del prompt y la recuperación de fuentes no hayan resuelto, y dispongas de ejemplos representativos y correctamente etiquetados.

En un clasificador de soporte, podría servir para enseñarle la distinción propia de una empresa entre incidencias y solicitudes de funciones. Reserva un conjunto de evaluación que nunca se utilice durante el entrenamiento. Si el problema es una política de reembolsos que cambia, actualiza primero la política que recibe el modelo; no uses el ajuste fino como sustituto de una fuente de referencia vigente.

¿Conviene empezar ahora, esperar o mantener el sistema actual?

Empieza ahora si la tarea se repite, su salida se puede comprobar y la disponibilidad local o la ubicación de los datos resuelven un problema concreto. Un responsable de operaciones con experiencia y una cola de clasificación manual tiene un mejor punto de partida para una prueba piloto que un fundador que intenta sustituir a todos los asistentes de la empresa.

Pospón la migración si no puedes definir qué errores son aceptables, careces de ejemplos representativos o necesitas un agente de propósito general que tome decisiones de consecuencias importantes. Establece primero el proceso de trabajo y una referencia para evaluarlo.

Mantén la API actual si ya cumple los requisitos y ni la ubicación de los datos, ni la disponibilidad sin conexión, ni el rendimiento operativo medido justifican el cambio. El tamaño del modelo, por sí solo, no es motivo para reconstruir el sistema.

Para empezar el lunes: elige una cola, un esquema de salida y una persona responsable. Reúne 100 casos iniciales, por ejemplo 70 solicitudes rutinarias, 20 difíciles y 10 fuera del alcance. Son cantidades sugeridas para empezar, no una garantía estadística. Reserva ejemplos separados para la evaluación final y añade los fallos poco frecuentes a medida que los descubras.

Ejecuta un modelo pequeño y tu solución de referencia actual sobre los mismos casos reservados para evaluación. Registra la corrección de las respuestas, las salidas inválidas, las derivaciones, el uso de memoria y la latencia de principio a fin, incluido el percentil 95, el tiempo en el que termina el 95% de las solicitudes. Fija el umbral de aceptación antes de comparar resultados y revisa los errores por categoría en lugar de basarte en un promedio general. Empieza en modo sombra: el modelo propone una respuesta mientras el proceso existente mantiene el control.

Preguntas frecuentes

¿Para qué sirven los SLM?

Los modelos de lenguaje pequeños encajan en tareas lingüísticas acotadas, como la clasificación, la extracción, el enrutamiento de solicitudes, la asistencia local y la redacción a partir de plantillas. Su idoneidad depende del modelo, del contexto recibido y de los controles aplicados a la salida.

¿Qué son los modelos de lenguaje preentrenados?

Son modelos cuyos pesos ya han aprendido patrones de un conjunto de datos de entrenamiento. Se pueden usar tal como se ofrecen o adaptarlos. Una versión ajustada para seguir instrucciones recibe entrenamiento adicional para atender solicitudes y suele ser el punto de partida práctico para un asistente.

¿Qué otros grandes modelos de lenguaje existen?

Gemma, Phi, Qwen, Llama y Mistral son familias de modelos de lenguaje. Algunas incluyen modelos pequeños y grandes. SLM describe un tamaño relativo, no una tecnología completamente distinta de la de un LLM.

¿Qué es un modelo de lenguaje basado en una red neuronal?

Es un modelo que utiliza pesos numéricos aprendidos en una red neuronal para estimar patrones del lenguaje, como qué token es más probable que venga después. Muchos modelos de lenguaje generativos actuales usan arquitecturas transformer.

¿ChatGPT es una red neuronal?

ChatGPT es una aplicación que funciona con modelos de lenguaje neuronales. La aplicación y el modelo subyacente son capas distintas; «ChatGPT» no designa una red de tamaño fijo. OpenAI distingue entre los conceptos sobre modelos y el modelo utilizado en ChatGPT.

¿Por qué una CNN es mejor que una ANN?

Una red neuronal convolucional, o CNN, es un tipo de red neuronal artificial, o ANN. No es mejor en todos los casos. Las convoluciones son útiles para patrones espaciales como los de las imágenes; la arquitectura adecuada depende de la tarea.

¿YOLO es solo una CNN?

YOLO es una familia de sistemas de detección de objetos. Muchas versiones utilizan componentes convolucionales, pero un detector funcional incluye una arquitectura, un proceso de entrenamiento y una lógica de predicción. No es un modelo de lenguaje pequeño. Ultralytics documenta la familia de modelos.

¿TensorFlow es un modelo CNN?

No. TensorFlow es un framework de software para crear y ejecutar modelos de aprendizaje automático. Una CNN es uno de los tipos de modelos que se pueden construir con él, como demuestra su tutorial de CNN.

¿Cuáles son los cuatro tipos de redes neuronales?

No existe una lista universal de exactamente cuatro. Las redes de propagación hacia adelante, las convolucionales, las recurrentes y las transformer son cuatro categorías habituales, pero las clasificaciones de arquitecturas varían. El tamaño del modelo es una propiedad independiente. Consulta el glosario de aprendizaje automático de Google.

Suscríbete al boletín para recibir guías prácticas sobre cómo elegir y operar sistemas de IA.