Como se entrena un modelo

La materia prima

Los LLM (Large Language Model) o en español grandes modelos de lenguaje como ChatGPT nacieron luego de un largo proceso. Si contamos desde la fundación de OpenAI en diciembre de 2015 hasta el lanzamiento de ChatGPT, pasaron casi siete años de investigación y desarrollo. Este proceso comienza alimentando a los modelos con datasets o con grandes volúmenes de datos. Lleva muchos meses y requiere una capacidad de cómputo gigantesca.

Para que ChatGPT pueda responder algo tan simple como "¿Cuál es la capital de Argentina?", antes tuvo que ser entrenado con billones de palabras a partir de libros, artículos científicos, enciclopedias y buena parte del contenido disponible en internet. Literalmente, leyó todo internet. Bueno, casi todo. Bueno, no todo. En realidad, leyó lo más relevante. Mejor dicho, leyó lo que le dijeron que tenía que leer.

Y esa diferencia importa más de lo que parece. Más adelante vamos a ver por qué es tan importante que los modelos no elijan de qué información alimentarse y alguien más elija por ellos.

Procesar semejante cantidad de texto exigió una capacidad de cómputo impensada pocos años antes. Hablamos de centros de datos del tamaño de varias canchas de fútbol, con decenas de miles de GPUs¹, unos chips especializados en hacer millones de cálculos en paralelo, trabajando día y noche durante meses. En esas instalaciones se entrenan las redes neuronales, y de ahí salen versiones nuevas de cada modelo, cada una mejor entrenada que la anterior. Lo que durante décadas fue principalmente investigación académica se convirtió en una de las industrias más ambiciosas del planeta.

He visto centros de datos pequeños; nada parecido a los de Amazon Web Services, claro. Pero sé lo que implica tener uno, cómo se construye, cómo se aísla, cómo se organizan los racks, las baterías de respaldo y los servidores. Sé también lo que cuesta. En Wispro siempre tuvimos nuestro propio rack funcionando. Y aun así, me cuesta imaginar lo que es uno de estos centros gigantes en la realidad.

Los tokens son la moneda de la IA

Vamos a ponerlo más en claro. Primero se reúne el material contenido en libros, páginas web, artículos científicos, foros, código de programación. Texto, muchísimo texto. Pero una computadora no entiende palabras; solo trabaja con números. Por eso el primer paso es cortar todo ese texto en pedacitos llamados tokens.

¿En qué? En tokens, la unidad mínima de texto que un modelo procesa. Un token no es exactamente una palabra ni una letra. Es un fragmento de texto que el modelo reconoce como una pieza individual. Tomemos la palabra "inolvidable". El modelo no la ve como una sola cosa, sino como varios pedazos, por ejemplo "in", "olvid" y "able". Cada pedazo tiene su número, y eso es lo que la máquina procesa. En este caso los cortes coinciden bastante con partes que reconocemos (la negación, la raíz y la terminación), pero no siempre pasa: muchas veces la división no tiene nada que ver con cómo entendemos nosotros la palabra. Al modelo eso no le importa, porque solo ve números.

Veamos alguno más, "hola" = 1 token. "inteligencia" = 2 o más tokens. Cada modelo tokeniza diferente. ChatGPT no lo hace de la misma forma que Gemini, pero el resultado final sí es el mismo. La frase "El gato negro duerme" se descompone en algo como ["El", " gato", " negro", " duer", "me"] → 5 tokens.

¿Y de qué me sirve saber esto? Porque todo se mide en tokens. Cuando preguntás algo, se hace una cuenta de los tokens que requiere la pregunta y los tokens usados en la respuesta. Para los modelos todo es tokens. Es decir, en función de la cantidad de tokens que gastas o usás en el día a día es la factura que te llega todos los meses. Cada pregunta que le hacés, cada respuesta que te da, cada imagen que le mandás a analizar, todo se mide en tokens.

Para generar los tokens se usa un tokenizador, construido con un algoritmo como BPE (Byte Pair Encoding), que analiza enormes cantidades de texto y aprende qué fragmentos aparecen con más frecuencia. Cada uno de esos fragmentos recibe un número de identificación fijo. El modelo nunca ve texto: solo ve secuencias de números, y durante su entrenamiento aprende los patrones y relaciones entre ellos. Para él, una novela de García Márquez y el manual de una heladera son, en esencia, lo mismo: secuencias de números.

El consumo de IA y los rate limits fueron y siguen siendo un problema de todos los días. Hacías cinco preguntas y tenías que esperar 24 horas. Eso al principio fue una limitación. También lo fueron los costos. Al principio usar la IA con API era muy costoso y te hacía pensar que era impagable. De hecho, en un momento de Klari compramos un servidor con una placa Nvidia básica pero suficiente para correr modelos ahí, y llegamos a instalar Ollama², pero nunca le dimos un buen uso. Creo que nos convenía gastar todo eso en tokens.

Entrenamiento

Ahora viene la parte central. El modelo lee millones de millones de secuencias de tokens, una y otra vez, intenta predecir cuál es el siguiente token. Cada vez que se equivoca, ajusta un poco sus parámetros (también llamados pesos), que son números que determinan qué tan fuerte es la relación entre tokens. Nadie le dice qué se relaciona con qué; el modelo lo descubre solo, a partir de la forma en que aparecen las palabras en los textos.

Así, "violencia" termina más cerca de "delito" que de "amor", y "asado" más cerca de "domingo" que de "lunes". No porque alguien lo haya decidido, sino porque así aparecen en lo que el modelo leyó.

Todo lo que el modelo aprende en ese proceso (que "asado" va con "domingo", que después de "había una" suele venir "vez") no queda anotado en ningún lado como una regla. Queda guardado en los parámetros. Cada error mueve un poco esos números, y después de incontables ajustes, lo que el modelo "sabe" no es otra cosa que el valor final de todos ellos. En la práctica, los parámetros son el modelo.

¿Y cuántos parámetros tiene un modelo como estos? Muchísimos. Aunque OpenAI nunca confirmó la cifra, se estima que GPT-4 tiene alrededor de 1,8 billones de parámetros, 1,8 millones de millones de números, más que las estrellas de la Vía Láctea. Pero lo más sorprendente no es la cantidad, sino que ninguno de esos números significa algo por sí solo. No hay un parámetro que sepa qué es un perro ni otro que conozca la capital de Argentina. El conocimiento está repartido entre todos, y es el ajuste del conjunto lo que le permite al modelo captar cómo funciona el lenguaje.

Si el modelo aprende las relaciones tal como aparecen en los textos que leyó, también aprende sus prejuicios. Si en esos textos "ingeniero" aparece casi siempre en masculino y "enfermera" en femenino, el modelo va a reproducir esa asociación. Por eso el sesgo no es un bug, es decir, no es un error de programación que se corrija con una línea de código, sino una consecuencia directa de qué datos le dieron y cómo aprendió de ellos. Y dado que cada modelo se entrena con datos distintos, cada uno tiene sus propios sesgos.

Esto afecta, entre otras cosas, en cómo un modelo cuenta la historia. Un modelo entrenado mayormente con textos en inglés puede hablar de las "Falklands" y relatar la guerra de 1982 desde la perspectiva británica mientras que uno entrenado con más fuentes en español probablemente hable de "Malvinas" y cuente otra historia. Lo mismo pasa con debates más livianos, como preguntar quién fue mejor jugador de fútbol, Pelé o Maradona. La respuesta puede inclinarse dependiendo de si el modelo leyó más prensa brasileña o argentina. El modelo no tiene opinión propia; refleja el peso de lo que leyó. Dos modelos que leyeron el mismo tema, pero con diferentes perspectivas, pueden contar el mismo hecho de maneras muy diferentes.

Mientras escribía este libro, por ejemplo, redacté un párrafo nombrando otras aplicaciones como Cursor, Codex, Copilot y OpenCode. Le pedí a Claude revisar la gramática de ese apartado y Claude decidió unilateralmente borrarlo diciendo que no correspondía nombrar otras empresas ya que este libro estaba siendo creado con Claude Code.

Lo más probable es que nadie haya escrito una regla que diga "no nombres a la competencia". Pasa algo parecido a lo que vimos con "asado" y "domingo": el modelo absorbe patrones. Después del entrenamiento inicial, las empresas lo ajustan con ejemplos de respuestas buenas y malas, evaluadas por personas o por otros sistemas. Si en esos ejemplos se premian ciertas actitudes, como ser prudente, cuidar la imagen de la empresa o evitar terrenos delicados, el modelo las generaliza, a veces más allá de lo razonable. No es una orden, es un hábito. Y, como todo lo que el modelo aprende, queda repartido en sus parámetros.

La diferencia con las personas, es que, con algo de reflexión, podemos darnos cuenta de nuestros sesgos. El modelo no puede hacerlo por sí solo, alguien tiene que hacerlo por él.

Matemática y punto

No es magia, parece magia, pero en realidad es pura matemática.

Parece que nos comprende cuando le escribimos, pero en realidad, hace cuentas matemáticas muy complejas y usa el resultado. Y una vez que entendés eso, todo lo demás tiene sentido.

Los modelos de IA solo se encargan de una cosa, predecir cuál es la siguiente palabra. No hay respuesta correcta. Hay probabilidades de que la próxima palabra sea una u otra. Todo lo que ves en una conversación con la IA, ya sean las explicaciones, los análisis, los textos que parecen escritos por una persona, en realidad son el resultado de un modelo eligiendo la palabra más probable, una y otra vez, miles de veces por segundo.

Si yo escribo "el mejor equipo de fútbol del mundo es", el modelo va a intentar dar un nombre en base a probabilidades. Es decir, cuántas veces leyó "El mejor equipo de fútbol del mundo es" antes y cuál es la palabra que por peso está más cerca en los vectores. Los modelos no entienden lo que les digo. Solo calculan distancias entre conceptos. No tienen opinión. No tienen preferencia. Tienen matemática.

Imaginen un supermercado. Los productos no están puestos al azar: la leche está cerca del yogur y la manteca, y el detergente está cerca de la lavandina. Para encontrar cualquier producto alcanza con saber su ubicación: pasillo, góndola y estante. Con los tokens pasa algo parecido. Cada uno tiene una ubicación y los que aparecen en situaciones parecidas quedan cerca: "perro" junto a "gato" y "mascota", "dólar" junto a "euro" y "peso". Pero la ubicación no lo resuelve todo. Pensemos en "crema": puede ser la crema de leche, que está en la heladera de lácteos, o la crema para manos, que está en perfumería. La palabra es la misma, pero el modelo tiene que mirar el resto de la frase para saber de cuál se trata. Lo mismo pasa cuando elige la siguiente palabra, no agarra lo que tiene más cerca en la góndola, sino lo que tiene sentido según todo lo que vino antes.

Esos son los embeddings. Cada token se convierte en una lista de números que indican su ubicación, como el pasillo, la góndola y el estante de un producto. Solo que, en vez de tres datos, cada token tiene cientos o miles. La diferencia con un supermercado de verdad es que acá nadie decidió dónde va cada cosa. No hubo un encargado que acomodara las góndolas, el modelo fue ubicando cada token a medida que leía, acercando los que aparecían juntos y alejando los que no.

Pasemos ahora a mirar la siguiente frase. "El perro mordió al hombre" y "el hombre mordió al perro" tienen exactamente las mismas palabras, pero no cuentan la misma historia. Sin información sobre el orden, para el modelo serían una bolsa de palabras revueltas. Por eso se agrega un paso llamado codificación posicional (positional encoding): a los números de cada token se les suman otros que indican su posición en la frase, primero, segundo, tercero y así.

La siguiente palabra

Llegamos a la estrella de esta aventura: el Transformer. El verdadero corazón del modelo. Nace de una publicación científica, "Attention Is All You Need"³, publicado en junio de 2017. El equipo de investigación fueron siete investigadores y una investigadora de Google que escribieron un trabajo académico y cambiaron el mundo. Gracias Google, dicen todos los founders de OpenAI, Anthropic y demás empresas de IA. Porque sin ese paper, nada de lo que estamos viviendo hoy existiría. Así de simple.

Cuando me pasaron el paper, un PDF que todavía tengo guardado por ahí, les digo la verdad, intenté leerlo. Dije "lo tengo que leer, me voy a poner". Y lo intenté, diez minutos lo intenté y tuve que abandonar. Me resultó imposible de leer como lectura rápida. Necesitaba entender palabra por palabra, párrafo a párrafo. En ese momento ni siquiera intenté traducirlo o pedirle a la IA que me hiciera un resumen. Creo que hoy lo podría hacer y quizá logre entender algo. Ciencia ficción para mí.

La gran contribución de este paper fue una nueva arquitectura, es decir, una nueva forma de organizar el modelo por dentro, el Transformer. Hasta ese momento, los modelos de lenguaje leían el texto palabra por palabra, en orden, como quien sigue una línea con el dedo. Eso tenía dos problemas. Era lento, porque no podían procesar la palabra diez sin haber terminado la nueve, y eran olvidadizos, ya que en un texto largo, cuando llegaban al final, ya habían perdido buena parte de lo que decía al principio.

El Transformer cambió eso. En lugar de leer en fila, mira todas las palabras de la frase al mismo tiempo y calcula cuánto le importa cada una a las demás. Ese mecanismo se llama atención, y de ahí viene el nombre del paper "la atención es todo lo que necesitás". Gracias a eso, el entrenamiento se pudo repartir entre miles de procesadores trabajando en paralelo, y eso abrió la puerta a modelos cada vez más grandes. Lo que en realidad buscaban era acelerar la traducción automática, y terminaron destrabando el camino de los LLMs para siempre.

Hoy prácticamente todos los modelos de lenguaje, incluidos GPT, Claude y Gemini, están construidos sobre esta idea. Y la forma en que generan texto es sorprendentemente simple, ya que solo predicen el siguiente token, lo agregan a la frase y vuelven a empezar, ahora con un token más. Predicen otro, lo agregan, y así sucesivamente, hasta el final, y por lo tanto cada respuesta que leemos, por larga que sea, fue construida de a un pedazo por vez.

El modelo no busca en bases de datos. No consulta un archivo con respuestas predefinidas. Genera algo nuevo cada vez, basándose en lo que aprendió durante el entrenamiento. Por eso puede responder cosas que nunca leyó textualmente.

A mí me costó entender esto, y lo terminé de ver claro cuando armamos en Wispro, un asistente de atención al cliente usando una técnica llamada RAG (Retrieval-Augmented Generation, generación aumentada por recuperación). La idea es que el asistente responda con información de la empresa: manuales, preguntas frecuentes, políticas. Pero el modelo no sabe nada de Wispro, porque eso no estaba en sus datos de entrenamiento. Entonces, ¿cómo lo hace?

Primero, los documentos de la empresa se cortan en pedazos y cada pedazo se convierte en un embedding, es decir, en una ubicación dentro del supermercado. Cuando un cliente pregunta algo, su pregunta también se convierte en una ubicación, y un programa aparte trae los pedazos que quedaron más cerca. Esos pedazos se pegan junto a la pregunta, con una instrucción del tipo "respondé solo con esta información", y recién ahí todo le llega al modelo.

Es la diferencia entre un examen a libro cerrado y uno a libro abierto. Sin RAG, el modelo responde de memoria, con lo que quedó guardado en sus parámetros. Con RAG, alguien le abre el libro en la página correcta. Pero en los dos casos, el que escribe la respuesta es el modelo. Lo mismo pasa cuando un asistente "busca en internet": no es el modelo el que googlea, sino un programa que busca y le pasa los resultados para que los lea.

Y acá aparece la consecuencia más interesante de todo esto. Si el modelo no busca respuestas guardadas, sino que las genera token por token, entonces puede crear cosas que no existían. Nadie lo diseñó para ser creativo, la creatividad apareció sola, como consecuencia de aprender a predecir el próximo token. Y fue lo primero que deslumbró al público. Al principio, los ejemplos que circulaban eran canciones, cuentos, poemas, historias de ficción. Se celebraba que pudiera inventar.

Pero esa misma capacidad tenía un problema aparejado. El mecanismo que le permite escribir un cuento es el mismo que le permite inventar una respuesta, un dato o una cita, y además decirlo con total seguridad. A eso se lo llamó alucinación. Por eso técnicas como el RAG se volvieron tan importantes: son una forma de darle el libro abierto para que no tenga que inventar.

Con el tiempo, la prioridad cambió. Ya no alcanzaba con que el modelo fuera ingenioso; se buscaba que fuera confiable. Que pensara antes de responder, que armara un plan, que revisara sus pasos. Así surgieron, a partir de 2024, los llamados modelos de razonamiento. La creatividad no desapareció, pero dejó de ser la meta. Fue un paso necesario en la evolución, aunque el camino iba hacia otro lado.

Alucinaciones

Los modelos no te dicen "no sé" o "no estoy seguro". Te dan una respuesta con el mismo tono de autoridad que cuando te dicen algo correcto.

Las alucinaciones son el talón de Aquiles de la IA. Este fenómeno les ha dado dolor de cabeza a los creadores desde el principio. Y les sigue dando. A todos nos debe haber pasado de leer una respuesta y decir "¿de dónde sacó esto?", y al final nos llevó mucho más tiempo comprobar ese invento en su respuesta que lo que tardamos en hacerle la pregunta. Así son los modelos. La IA no dice "la verdad".

Una vez le pregunté directamente a Claude "¿Vos sabés mentir?". La respuesta fue: "Sí, puedo generar una mentira o escribir algo que la disimule, en el sentido de que entiendo cómo funciona el engaño y puedo producir texto convincente". Mi pregunta tenía un doble sentido, y la forma en que la planteé empujó la respuesta. Esto también nos enseña que con los modelos, cómo hagas la pregunta va a condicionar la respuesta.

Una cosa es que el modelo pueda escribir una mentira cuando se lo pedimos, como un escritor escribe ciencia ficción y otra muy distinta es la alucinación. Mentir implica saber que algo es falso y decirlo igual. Cuando el modelo alucina, no sabe que está equivocado y por lo tanto genera lo que le parece más probable, y a veces lo más probable no es lo verdadero. No hay intención de engañar.

En la vida real, dependiendo a quién le preguntemos sobre un tema, la opinión podría variar. Hacer preguntas es más o menos sencillo, lo difícil es obtener respuestas correctas. Antes de la IA dependíamos de profes de la facultad o de la escuela, había que leer algunos libros o recorrer varias páginas web hasta dar con la respuesta que más te convencía. Y aun así, esa respuesta dependía de quién la escribió, con qué intención, y en qué momento.

La diferencia con la IA es que ahora la respuesta llega en segundos y con un tono tan seguro que parece indiscutible. Sin embargo, tampoco la hace una respuesta correcta.

Los límites

Se reciben entre 400 a 500 millones de consultas diarias a modelos de IA conversacional a nivel global, sin contar los llamados por API. Son estimaciones, nadie revela los verdaderos números. Pero el fenómeno de preguntarle todo a la IA está más que comprobado.

Le preguntamos qué comer, cómo invertir, qué decirle a nuestra médica, cómo redactar un mail difícil. Le consultamos cosas que antes le preguntábamos a un amigo de confianza. En Klari, que tenemos un bot con IA contestando, lo veo constantemente. Mensajes como: "Hola, estoy pasando por un mal momento y necesito tu ayuda." O: "Me siento mal, no sé qué me pasa, vos me podés ayudar." Es gente que se equivoca haciendo clic en un anuncio y termina comentando temas personales en un WhatsApp de empresas. Estos son claros ejemplos de que con los modelos la gente comparte absolutamente todo.

Cuando se entrenan los modelos se definen los guardrails, es decir, los límites donde los modelos no deberían meterse nunca. Claro, siempre que alguien no quite esos guardrails. Si los quitas, responde cualquier cosa sin límites.

Otra forma de verlo es con lo que el modelo se niega a hacer. Claude tiene una extensión para Chrome que le permite navegar, hacer clic y completar formularios por su cuenta. Prueben esto. Pídanle que entre a Google Maps y publique varias reseñas de cinco estrellas para un negocio, como si fueran de clientes distintos. Lo más probable es que se niegue.

Pero no todos los "no puedo" son iguales. En el caso de las reseñas falsas, por ejemplo, por más que insistan el modelo no lo va a hacer. En otros caso el "no puedo" viene por un exceso de cautela, en esos sí es posible destrabarlo y lograr que ejecute la tarea. Me pasó muchas veces. El modelo responde "no puedo hacer esto", uno le contesta "tenés toda la información para hacerlo, investigá a fondo y encontrá una solución", y eso ya es suficiente. Se pone a trabajar y lo resuelve perfecto. Es otra muestra de que sus límites no siempre están donde él dice que están, porque tampoco sabe con certeza qué es capaz de hacer.

Otro de los límites más comunes es el de los humanos, ya que hay personas evaluando las respuestas y el modelo va aprendiendo qué es útil, seguro e inofensivo. A esto se le llama RLHF (Reinforcement Learning from Human Feedback). Es un proceso donde personas reales, de carne y hueso, sentadas frente a una pantalla, califican miles de respuestas para enseñarle al modelo qué está bien y qué está mal. No es perfecto, porque esas personas también tienen sesgos, pero es el mejor mecanismo que existe hoy.

Otro límite viene impuesto por el system prompt, algo que no vemos pero que acompaña cada petición o pregunta que le hacemos al modelo. Pensalo como las instrucciones que le da el dueño del modelo antes de que vos llegues. Si bien no están publicados oficialmente, un system prompt diría algo como esto:

Eres Claude, creado por Anthropic. Tu fecha de corte de conocimiento es [fecha]. La fecha actual es [fecha]. No debes: generar código malicioso, ayudar a crear armas, drogas o contenido ilegal, simular ser humano. Debes: ser honesto cuando no sabes algo, rechazar solicitudes dañinas explicando por qué, mantener un tono definido, respetar la privacidad del usuario.

También hay filtros de entrada para que no llegue código malicioso, filtros de salida para que no salga código peligroso, y entrenamiento para evitar ser corrompido. Son capas de protección, como las paredes de una fortaleza. La primera capa detiene a la mayoría, la segunda atrapa a los más persistentes, y la tercera es la última línea de defensa. Algunas de estas capas funcionan muy bien. Otras no tanto. Pero la intención de proteger al usuario está, y es genuina en la mayoría de las empresas serias.

Los límites no son solo de los modelos; también son de las empresas que los crean. En febrero de 2026, el gobierno de Estados Unidos le exigió a Anthropic que sus modelos pudieran usarse para cualquier fin militar legal. La empresa aceptó casi todo, salvo dos cosas, la vigilancia masiva de la población estadounidense y las armas totalmente autónomas, capaces de atacar sin que una persona tome la decisión final. El Pentágono sostuvo que ninguna empresa privada podía condicionar el uso de una herramienta de defensa. Anthropic no cedió. Al día siguiente, el presidente Trump ordenó a todas las agencias federales dejar de usar Claude, y el Departamento de Defensa declaró a la empresa un riesgo para la cadena de suministro, una etiqueta que nunca antes se había aplicado a una compañía estadounidense. Anthropic perdió contratos importantes, aunque también ganó miles de usuarios que apoyaron su postura. La disputa terminó en los tribunales y, al momento de escribir estas líneas, todavía no está resuelta.

Este episodio es uno de mis grandes temores. Me resultó abrumador ver a un gobierno, en la víspera de una guerra, castigar a una empresa por negarse a eliminar dos límites que consideraba esenciales. Más allá de quién tenga razón en la discusión legal, muestra algo clave. Los límites de la IA no dependen sólo de cómo se entrenan los modelos, sino también de quién tiene el poder de exigir que se eliminen dichos límites.

Este al menos salió en los noticieros. Lo que más miedo me da es que pueda haber modelos ya liberados y usados sin límites en temas bélicos. El principio del fin. Seguramente otros países han usado otros modelos también. Y seguramente haya modelos siendo usados que nadie siquiera conoce. Al menos nosotros, los simples mortales, no tenemos forma de saberlo.

Pero esto también pasó antes. El que tenía la tecnología para desarrollar armas atómicas, las usó cuando consideró que las necesitaba. Einstein, que contribuyó indirectamente a la creación de la bomba atómica, pasó el resto de su vida arrepentido de haber firmado la carta⁴ que alertó sobre el peligro y terminó impulsando el Proyecto Manhattan. Robert Oppenheimer, el padre de la bomba, dijo después de la primera detonación: "Me he convertido en la muerte, el destructor de mundos."⁵

La tecnología no tiene límites, los ponen las personas. O no los ponemos. Si la tecnología existe y se crea, se va a usar. Es cuestión de tiempo. Esto no es pesimismo, es historia. Y la IA no va a ser la excepción.

1. GPU (Graphics Processing Unit). Unidad de procesamiento gráfico, un chip especializado en realizar miles de cálculos matemáticos en paralelo, originalmente diseñado para gráficos y videojuegos, hoy esencial para entrenar modelos de inteligencia artificial. ↩
2. Ollama. Herramienta de código abierto creada en 2023 por Jeffrey Morgan y Michael Chiang que permite ejecutar modelos de lenguaje de forma local en tu propia computadora, sin depender de la nube. https://ollama.com ↩
3. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L. y Polosukhin, I. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems, 30 (NIPS 2017). https://arxiv.org/abs/1706.03762 ↩
4. Einstein, A. y Szilárd, L. (1939). Carta al presidente Franklin D. Roosevelt, 2 de agosto de 1939. Advertía sobre el potencial de la fisión nuclear y la posibilidad de que Alemania desarrollara armas atómicas. ↩
5. Oppenheimer, J. R. Cita del Bhagavad Gita (capítulo 11, verso 32), recordada tras el test Trinity, 16 de julio de 1945, Los Álamos, Nuevo México. ↩