¿Qué es LLM? — una analogía

1La analogía

Si en el barrio hay una sola línea de autobús, solo puedes llegar a las paradas de esa línea. Pero si aparecen decenas de líneas con estaciones de trasbordo bien conectadas entre sí, todo cambia. Nadie te explicó "cómo llegar de aquí a allá", y aun así, solo con hacer trasbordos sobre el mapa, terminas llegando a un barrio al que nunca fuiste. Un LLM es ese mismo mapa, pero con las líneas muchísimo más apretadas.

Cada línea es una conexión entre palabras que el modelo sacó del texto que leyó. Cuanto más texto lee, más líneas se suman, y más se multiplican los puntos donde esas líneas se cruzan. Pasado cierto punto, se llega con solo hacer trasbordos a destinos que nunca formaron parte de lo aprendido.

Ese mapa más grande también cobra su precio: el dinero y el tiempo que cuesta tender y mantener las líneas crecen en la misma proporción.

2En detalle

Más líneas significan más lugares a los que se puede llegar

La palabra "gran" apunta a tres cosas que crecen a la vez. La primera es la cantidad de texto leído: páginas web, libros, enciclopedias, código publicado, un volumen que ninguna persona terminaría de leer en toda su vida. La segunda es el número de controles internos del modelo: cada uno de ellos equivale a la fuerza de conexión de un tramo de línea. La tercera es la cantidad de cálculo invertida en ajustar esos controles.

Agrandar solo uno de los tres apenas rinde. Es como tener muchas líneas sin ningún historial de viajes: no hay forma de saber dónde están los trasbordos. Muchos experimentos confirmaron una y otra vez que el rendimiento mejora de forma constante cuando los tres crecen en equilibrio, y los modelos grandes actuales se construyeron siguiendo esa regla.

Lo que hace, en el fondo, sigue siendo simple

Por más grande que sea el mapa, el metro solo hace una cosa: avanzar una estación a la vez. Un LLM funciona igual. Mira todo el texto que hay hasta el momento, elige con probabilidad un solo fragmento para seguir, lo pega al final y, desde ese nuevo estado, vuelve a elegir el fragmento que sigue.

Aunque la respuesta parezca larga y bien razonada, por dentro solo ocurre esta repetición. El texto que va apareciendo en pantalla, letra a letra, es justamente eso: fragmentos que se fabrican de uno en uno. No hay una respuesta completa decidida de antemano que solo se reparte.

Al crecer aparecieron capacidades que no estaban ahí

Un modelo pequeño llega, como mucho, a encadenar frases de forma verosímil. Pero al cruzar cierta escala, empezó a hacer tareas que ni sus creadores le enseñaron aparte. Con solo dos o tres ejemplos capta la regla y sigue el patrón; divide un problema en pasos; ordena una tabla con un formato que nunca vio.

A esta aparición repentina de capacidades al crecer la escala se le llama emergencia. Se parece a que, con solo tender una línea más, de golpe el mapa llegue hasta el otro lado de la ciudad. Eso sí, estas capacidades no se prenden como un interruptor limpio: según cómo se midan, pueden verse distinto.

Después de leer todo, se pule una vez más

Un modelo que solo leyó texto todavía es incómodo de usar. Si le haces una pregunta, en vez de responder puede seguir generando preguntas parecidas. Las líneas ya están tendidas, pero todavía no hay anuncios por altavoz.

Por eso viene después una etapa: se le muestran a mano ejemplos de "así se responde a esto", y se ajusta otra vez con la elección humana de qué respuesta es mejor. Los servicios conversacionales que usamos son modelos que ya pasaron por este pulido. Con el mismo tamaño, la calidad que se siente cambia mucho según qué tan bien se hizo esta etapa.

Más grande no siempre es mejor

Un modelo grande ocupa un equipo de cálculo caro durante más tiempo solo para producir una respuesta. Por eso cuesta más y tarda más en contestar. Es lo mismo que pasa con una red de líneas: cuanto más grande, más cuesta mantenerla.

Por eso los servicios reales reparten el trabajo. Para clasificar con un formato fijo o resumir algo corto se usa un modelo pequeño; el modelo grande se reserva para lo que exige razonar de verdad. La misma razón explica que cada vez haya más modelos pequeños que corren directamente dentro del teléfono.

3Con más precisión

Un LLM apila la arquitectura transformer a gran escala y se entrena repitiendo, con cantidades enormes de texto, el ejercicio de adivinar el siguiente fragmento. Los controles internos, los parámetros, van de los miles de millones a los cientos de miles de millones. El entrenamiento suele dividirse en dos etapas: primero el preentrenamiento, que recorre grandes volúmenes de texto, y después el ajuste para que siga instrucciones. También se sabe que existe una relación bastante suave entre escala y rendimiento, así que antes de entrenar se calcula de antemano en qué proporción conviene repartir datos y cálculo.

También hay que marcar dónde falla la analogía. El mapa de metro lo diseñó una persona y se puede comprobar a simple vista adónde lleva cada línea. Las conexiones dentro del modelo son números que se acomodaron solos durante el entrenamiento, así que nadie puede señalar con exactitud dónde vive una capacidad concreta. Además, un mapa nunca lleva a una estación que no existe, pero el modelo puede inventar con total naturalidad un destino que no existe, y a veces con tanta seguridad que resulta difícil notar la diferencia.

4Pruébalo

5Malentendidos comunes

Es fácil pensar que un LLM busca la respuesta en algún archivo guardado, pero en realidad no revisa documentos almacenados: solo sigue eligiendo el fragmento siguiente a lo largo de conexiones que quedaron fijadas en el entrenamiento.
Es fácil pensar que basta con agrandarlo para que se vuelva más y más inteligente, pero en realidad hacen falta también la cantidad y la calidad de los datos y del cálculo, y si falta la etapa de pulido, el tamaño no se aprovecha del todo.
Es fácil pensar que el modelo recuerda y aprende de la conversación, pero en realidad, una vez terminado el entrenamiento, el modelo queda fijo. Que la conversación parezca continuar es porque ese contenido se vuelve a enviar entero cada vez.

7Resumen en una línea

En resumenUn LLM es un modelo de lenguaje que hace una tarea tan simple como elegir el siguiente fragmento, pero a una escala tan grande como un mapa de líneas que cubre toda una ciudad.

¿Te ayudó esta analogía?

¿Has visto un error o tienes una analogía mejor? Sugerir una corrección · Última actualización2026-09-02