Ajuste fino de LLMs de código abierto (LLaMA, Mistral, Qwen, etc.)

Introducción a los LLMs de código abierto

• ¿Qué son los modelos de pesos abiertos y por qué son importantes?
• Visión general de LLaMA, Mistral, Qwen y otros modelos de la comunidad
• Casos de uso para despliegues privados, in situ o seguros

Configuración del entorno y herramientas

• Instalación y configuración de las bibliotecas Transformers, Datasets y PEFT
• Selección del hardware adecuado para el ajuste fino
• Carga de modelos preentrenados desde Hugging Face u otros repositorios

Preparación y procesamiento de datos

• Formatos de conjuntos de datos (ajuste por instrucciones, datos de chat, solo texto)
• Tokenización y gestión de secuencias
• Creación de conjuntos de datos personalizados y cargadores de datos (data loaders)

Técnicas de ajuste fino

• Ajuste fino completo estándar frente a métodos eficientes en parámetros
• Aplicación de LoRA y QLoRA para un ajuste fino eficiente
• Uso de la API Trainer para experimentación rápida

Evaluación y optimización del modelo

• Valoración de modelos ajustados mediante métricas de generación y precisión
• Gestión del sobreajuste, la generalización y los conjuntos de validación
• Consejos de ajuste de rendimiento y registro (logging)

Despliegue y uso privado

• Guardado y carga de modelos para inferencia
• Despliegue de modelos ajustados en entornos empresariales seguros
• Estrategias de despliegue in situ frente a nube

Casos de estudio y ejemplos de uso

• Ejemplos de uso empresarial de LLaMA, Mistral y Qwen
• Gestión del ajuste fino multilingüe y específico de dominio
• Debate: Compensaciones entre modelos abiertos y cerrados

Resumen y próximos pasos