Artículos para quien
entrega el stack
Textos sobre React, Node.js, TypeScript y AI. El cuerpo traducido se muestra cuando existe. Si no, ve el texto en inglés y una nota que lo dice.
Etiqueta: LoRA
Entrenamiento de agentes de IA empresariales: elección entre SFT, DPO, GRPO y RAG
Entrenamiento de agentes de IA empresariales: cuándo usar SFT, DPO, GRPO, LoRA o RAG simple, y cómo entregar el resultado como una versión fija, evaluada y reversible.
50 min de lecturaLo que encuentra un agente de diferenciación de modelos: los cambios de estilo eclipsan un ajuste fino limitado.
Un agente de model-diffing auditó un ajuste fino LoRA financiero: el 82% de las ejecuciones detectaron el cambio en la longitud y estructura, mientras que el cambio en el razonamiento pretendido permaneció oculto.
15 min de lecturaLoRA y QLoRA explicados: ajustar un modelo de 7B sin 100 GB de VRAM
Por qué el fine-tuning completo necesita de 80 a 100 GB, cómo los adaptadores de bajo rango reducen los pesos entrenables al 1,6 %, cómo elegir el rango y las capas objetivo y qué añade QLoRA.
5 min de lecturaOcho ideas de álgebra lineal detrás de los embeddings, LoRA y PCA
Vectores, matrices, vectores propios, similitud coseno, normas, SVD y rango explicados con pequeños ejemplos de precios de viviendas y las técnicas de IA que dependen de ellos.
7 min de lecturaCómo QLoRA ajusta modelos grandes en GPU pequeñas: lo básico de los 4 bits
Entiende QLoRA desde cero: por qué el ajuste fino completo sale caro, cómo se combinan los adaptadores LoRA y la cuantización a 4 bits y cuándo encaja este enfoque en tu proyecto.
8 min de lectura¿Merece la pena un LoRA más grande? Mide la precisión frente al coste, no por intuición
Un pequeño banco de pruebas que trata las recetas de LoRA como datos y reporta precisión, tiempo de entrenamiento, latencia y memoria, para que la elección de rango e iteraciones se base en números.
5 min de lecturaDos cargas de trabajo de LLM en una GPU: vLLM LoRA, agentes y ajuste fino de Azure ML
Permite gestionar el tráfico de agentes interactivos y por lotes desde una sola tarjeta, con LoRA según la demanda, análisis en ClickHouse, artefactos en formato Blob y entrenamiento con Unsloth, todo ello monitoreado mediante MLflow.
8 min de lecturaEjecutar un ajuste fino de LoRA localmente: verificar, fusionar y evitar fallos silenciosos
Demuestre que un adaptador LoRA realmente mejoró un modelo pequeño, fusione y sirva dicho modelo a través de una API local compatible con OpenAI, y detecte los fallos que generan resultados incorrectos pero presentados como correctos.
12 min de lectura
Sobre estos artículos
Presupuesto en 24 h
¿Necesitas el mismo stack en una capa de operador? Envía el brief — presupuesto en 24 h.