> ## Documentation Index > Fetch the complete documentation index at: https://docs.monostate.ai/llms.txt > Use this file to discover all available pages before exploring further. # Tipos de Modelos > Diferentes arquitecturas para diferentes tareas # Entendiendo Tipos de Modelos Diferentes tareas de IA requieren diferentes arquitecturas de modelos. Piensa en ello como elegir la herramienta correcta para el trabajo - no usarías un martillo para pintar una pared. ## Language Models (LLMs) Los modelos más versátiles que entienden y generan lenguaje humano. ### Qué Hacen Los modelos de lenguaje pueden: * Responder preguntas * Escribir contenido * Traducir idiomas * Resumir texto * Generar código * Seguir instrucciones ### Modelos Comunes | Modelo | Tamaño | Bueno Para | Tiempo de Entrenamiento | | ----------- | --------- | -------------------------------------- | ----------------------- | | **GPT-2** | 124M-1.5B | Punto de partida, experimentos rápidos | Minutos a horas | | **BERT** | 110M-340M | Entender texto, clasificación | Horas | | **T5** | 60M-11B | Tareas texto-para-texto | Horas a días | | **LLaMA** | 7B-70B | Propósito general, chat | Días a semanas | | **Mistral** | 7B | Rendimiento eficiente y equilibrado | Horas a días | ### Cuándo Usar Elige modelos de lenguaje cuando necesites: * Entendimiento de lenguaje natural * Generación de texto * Respuesta a preguntas * IA conversacional * Generación de código ## Modelos de Clasificación Especializados para clasificar cosas en categorías. ### Text Classification Categoriza texto en grupos predefinidos: * Análisis de sentimiento (positivo/negativo) * Clasificación de temas * Detección de intención * Detección de idioma **Mejores modelos**: BERT, DistilBERT, RoBERTa ### Image Classification Identifica qué hay en una imagen: * Reconocimiento de objetos * Diagnóstico médico * Control de calidad * Moderación de contenido **Mejores modelos**: ResNet, EfficientNet, Vision Transformer (ViT) ### Multimodal Classification Maneja tanto texto como imágenes: * Entendimiento de memes * Análisis de documentos * Categorización de productos **Mejores modelos**: CLIP, LayoutLM, ALIGN ## Token Classification Etiqueta palabras individuales o tokens en texto. ### Named Entity Recognition (NER) Encuentra y etiqueta información específica: * Nombres de personas, lugares, organizaciones * Fechas y horas * Nombres de productos * Términos médicos ### Part-of-Speech Tagging Identifica roles gramaticales: * Sustantivos, verbos, adjetivos * Análisis de estructura de oraciones **Mejores modelos**: BERT-NER, RoBERTa-token, SpaCy transformers ## Sequence-to-Sequence Transforma una secuencia en otra. ### Translation Convierte texto entre idiomas: * Traducción de documentos * Traducción de chat en tiempo real * Traducción de código ### Summarization Condensa texto largo: * Resúmenes de artículos * Notas de reuniones * Resúmenes de informes ### Question Answering Extrae respuestas del contexto: * Atención al cliente * Q\&A de documentos * Herramientas educativas **Mejores modelos**: T5, BART, mT5 (multilingüe) ## Modelos de Computer Vision Procesan y entienden imágenes. ### Object Detection Encuentra y localiza objetos en imágenes: * Bounding boxes alrededor de objetos * Contar elementos * Rastrear movimiento **Mejores modelos**: YOLO, Faster R-CNN, DETR ### Image Segmentation Entendimiento a nivel de píxel: * Imágenes médicas * Conducción autónoma * Edición de fotos **Mejores modelos**: U-Net, Mask R-CNN, SAM ### Image Generation Crea nuevas imágenes: * Generación de arte * Visualización de productos * Aumento de datos **Mejores modelos**: Stable Diffusion, DALL-E, Midjourney ## Modelos Tabulares Trabajan con datos estructurados como hojas de cálculo. ### Regression Predice valores continuos: * Predicción de precios * Pronóstico de ventas * Puntuación de riesgo ### Classification Categoriza filas: * Churn de clientes * Detección de fraude * Diagnóstico de enfermedades **Mejores modelos**: XGBoost, CatBoost, TabNet ## Eligiendo el Modelo Correcto ### Considera Tus Datos | Tipo de Dato | Modelos Recomendados | | --------------------------- | -------------------- | | Texto corto (\< 512 tokens) | BERT, DistilBERT | | Texto largo (> 512 tokens) | Longformer, BigBird | | Conversaciones | DialoGPT, Blenderbot | | Código | CodeBERT, CodeT5 | | Múltiples idiomas | mBERT, XLM-RoBERTa | | Imágenes | ResNet, EfficientNet | | Imágenes + Texto | CLIP, ALIGN | | Datos estructurados | XGBoost, CatBoost | ### Considera Tus Recursos **Recursos Limitados (\< 8GB GPU)** * DistilBERT (66M parámetros) * MobileBERT (25M parámetros) * TinyBERT (15M parámetros) **Recursos Moderados (8-16GB GPU)** * BERT-base (110M parámetros) * GPT-2 small (124M parámetros) * RoBERTa-base (125M parámetros) **Buenos Recursos (24GB+ GPU)** * GPT-2 large (774M parámetros) * T5-large (770M parámetros) * LLaMA 7B (7B parámetros) ### Considera Tus Necesidades de Precisión **Velocidad sobre precisión** * Usa modelos destilados (DistilBERT, DistilGPT-2) * Arquitecturas más pequeñas * Modelos cuantizados **Precisión sobre velocidad** * Usa modelos más grandes * Ensemble de múltiples modelos * Tiempos de entrenamiento más largos ## Tamaños de Modelos y Trade-offs ### Conteo de Parámetros Los parámetros son las partes ajustables de un modelo. Más parámetros generalmente significan: * Mejor entendimiento * Mayor precisión * Más memoria necesaria * Inferencia más lenta ### Directrices de Tamaño | Tamaño | Parámetros | Caso de Uso | Datos de Entrenamiento Necesarios | | --------- | ---------- | ----------------------------- | --------------------------------- | | **Tiny** | \< 50M | Apps móviles, tiempo real | 100s ejemplos | | **Small** | 50M-150M | Aplicaciones estándar | 1000s ejemplos | | **Base** | 150M-500M | Sistemas de producción | 10,000s ejemplos | | **Large** | 500M-3B | Necesidades de alta precisión | 100,000s ejemplos | | **XL** | 3B+ | State-of-the-art | Millones ejemplos | ## Pre-entrenado vs Desde Cero ### Usa Modelos Pre-entrenados **99% del tiempo**, comienza con un modelo pre-entrenado: * Ya entiende lenguaje/imágenes * Necesita menos datos de entrenamiento * Más rápido de entrenar * Mejores resultados ### Entrena Desde Cero Solo Cuando * Trabajas con tipos de datos únicos * Dominio especial (médico, legal) * Arquitecturas personalizadas * Propósitos de investigación ## Estrategias de Fine-tuning ### Full Fine-tuning Actualiza todos los parámetros del modelo: * Mejor precisión * Necesita más memoria * Riesgo de overfitting ### LoRA (Low-Rank Adaptation) Actualiza solo pequeños adaptadores: * 90% menos memoria * Entrenamiento más rápido * Precisión ligeramente menor * Perfecto para modelos grandes ### Prompt Tuning Entrena solo embeddings de prompt: * Memoria mínima * Muy rápido * Bueno para few-shot learning ### Estrategias de Freeze Congela algunas capas: * **Freeze early layers**: Mantiene características generales * **Freeze late layers**: Mantiene características específicas de tarea * **Gradual unfreezing**: Comienza congelado, descongela lentamente ## Modelos Multi-tarea Algunos modelos pueden manejar múltiples tareas: ### Familia T5 * Resumen de texto * Traducción * Respuesta a preguntas * Clasificación Solo cambia el prefijo del prompt: * "summarize: ..." * "translate English to French: ..." * "question: ... context: ..." ### Modelos FLAN Pre-entrenados en muchas tareas: * Mejor rendimiento zero-shot * Más flexibles * Buen seguimiento de instrucciones ## Arquitecturas Especializadas ### Transformers El estándar actual: * Procesamiento paralelo * Dependencias de largo alcance * La mayoría de modelos modernos ### CNNs (Convolutional Neural Networks) Todavía geniales para imágenes: * Eficientes * Bien entendidos * Buenos para dispositivos edge ### RNNs (Recurrent Neural Networks) Más antiguos pero todavía útiles: * Datos secuenciales * Series temporales * Aplicaciones streaming ## Escucha: Más Allá de LLMs - Una Inmersión Profunda Una conversación de 45 minutos sobre tipos de modelos más allá de modelos de lenguaje, cubriendo visión, tabular y arquitecturas especializadas.