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

Introducción a los LLMs de código abierto

• ¿Qué son los modelos de peso abierto y por qué son importantes?
• Visión general de LLaMA, Mistral, Qwen y otros modelos de la comunidad.
• Casos de uso para implementaciones privadas, in situ o seguras.

Configuración del entorno y herramientas

• Instalación y configuración de las librerías Transformers, Datasets y PEFT.
• Elegir el hardware adecuado para el ajuste fino.
• Cargar modelos preentrenados desde Hugging Face u otros repositorios.

Preparación y preprocesamiento de datos

• Formatos de conjuntos de datos (ajuste con instrucciones, datos de chat, texto sin formato).
• Tokenización y gestión de secuencias.
• Creación de conjuntos de datos personalizados y cargadores de datos (dataloaders).

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

• Evaluación de modelos ajustados mediante métricas de generación y precisión.
• Gestión del sobreajuste, generalización y conjuntos de validación.
• Consejos de ajuste de rendimiento y registro de eventos (logging).

Implementación y uso privado

• Guardado y carga de modelos para inferencia.
• Implementación de modelos con ajuste fino en entornos empresariales seguros.
• Estrategias de implementación in situ frente a la nube.

Casos de estudio y ejemplos de uso

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

Resumen y próximos pasos