Fine-tuning de cualquier LLM en 2026: 10 herramientas probadas — gana la más barata

La mayoría de las listas de «mejores herramientas de fine-tuning» mezclan plataformas de anotación, frameworks de entrenamiento y clouds GPU en un mismo saco. Eso no ayuda a nadie. Necesitas una lista clasificada y con criterio que te diga qué herramienta elegir realmente, ya sea que estés haciendo QLoRA en un Llama 3 8B un fin de semana o ejecutando trabajos de alineamiento en producción sobre un modelo de 70B. Si primero quieres entender el proceso paso a paso, lee nuestra guía Cómo hacer fine-tuning de un LLM y vuelve aquí para elegir tu stack.

Divulgación de afiliados: Este artículo contiene un enlace de afiliado (RunPod). Si te registras a través de él, recibimos una pequeña comisión sin coste adicional para ti. Cada herramienta de esta lista fue clasificada por sus méritos; la relación de afiliado no influyó en la posición.

El ranking completo de un vistazo

Ahora vamos a desglosar cada herramienta.

---

1. Unsloth – Entrenamiento single-GPU más rápido

Tipo: Framework open-source | Estrellas GitHub: 53,9K | Licencia: Apache 2.0

Unsloth encabeza la lista porque resuelve el problema más doloroso del fine-tuning: velocidad y memoria en una sola GPU. Sus kernels Triton personalizados ofrecen un entrenamiento 2-5x más rápido y un 35 % menos de VRAM comparado con Hugging Face Transformers estándar. Esto se traduce en: QLoRA en un Llama 3 8B en una sola RTX 4090 en aproximadamente una hora en lugar de tres.

Lo que es genial

• La velocidad bruta es insuperable. Ningún otro framework se acerca al rendimiento single-GPU de Unsloth. Las optimizaciones de kernels Triton no son marketing; notarás la diferencia en tu primera ejecución de entrenamiento.
• La eficiencia de memoria importa. Un 35 % menos de VRAM significa que puedes hacer fine-tuning de modelos más grandes en hardware más económico. Una RTX 3060 (12 GB) maneja modelos de 8B con QLoRA sin problemas.
• Novedad en 2026: soporte de fine-tuning MoE (Mixture of Experts) y entrenamiento FP8 para ahorros de memoria aún mayores.
• El soporte de modelos es sólido. Llama 3, Mistral, Gemma, Qwen, DeepSeek; todos los modelos que realmente querrías fine-tunear.

Lo que no es tan genial

• Solo single-GPU. Sin entrenamiento distribuido multi-nodo. Si necesitas hacer fine-tuning de un modelo de 70B en 4x H100, Unsloth no te ayudará.
• Sin interfaz web. Escribes scripts en Python. No es un problema para la mayoría de los desarrolladores, pero el LlamaBoard de LLaMA-Factory es más amigable para principiantes.
• Soporte de modelos más limitado que LLaMA-Factory. Tienes los modelos populares, pero no los 200+ que cubre LLaMA-Factory.

Precio

Gratis y open-source. Solo pagas por la GPU en la que lo ejecutas.

Quién debería usarlo

Desarrolladores individuales y equipos pequeños que quieren la máxima velocidad de entrenamiento en una sola GPU. Si tus modelos caben en una tarjeta (8B con QLoRA, hasta 13B con cuantización agresiva), no hay razón para usar otro backend de entrenamiento.

Veredicto: La elección n.º 1 por una razón. La ventaja de velocidad de Unsloth es real, medible y se acumula en cada ejecución de entrenamiento. Combínalo con RunPod (no. 3) para la mejor relación coste-rendimiento de todo el ecosistema.

---

2. LLaMA-Factory – Mejor para principiantes y amplio soporte de modelos

Tipo: Framework open-source | Estrellas GitHub: 68,4K | Licencia: Apache 2.0

LLaMA-Factory es la navaja suiza del fine-tuning. Tiene más estrellas GitHub que cualquier herramienta de esta lista por una razón: LlamaBoard, su interfaz web, te permite configurar y lanzar ejecuciones de entrenamiento sin escribir una sola línea de código. Con más de 200 modelos compatibles, ningún otro framework iguala su compatibilidad.

Lo que es genial

• La interfaz web LlamaBoard es genuinamente útil. Elige tu modelo, sube tu dataset, configura los hiperparámetros, haz clic en Entrenar. Puedes pasar de cero a un modelo fine-tuneado sin tocar una terminal.
• Más de 200 modelos compatibles. Si un modelo existe en Hugging Face, LLaMA-Factory probablemente lo soporte. Esa amplitud es insuperable.
• Soporte multi-GPU mediante DeepSpeed y FSDP. A diferencia de Unsloth, puedes escalar al entrenamiento multi-nodo.
• Integración Unsloth nativa. Puedes combinar la interfaz de LLaMA-Factory con la velocidad de Unsloth activando la integración. Lo mejor de los dos mundos.
• Actualizaciones 2026: soporte OFT e integración con Megatron-LM para entrenamientos a mayor escala.

Lo que no es tan genial

• Más lento que Unsloth en una sola GPU (sin la integración Unsloth activada). El bucle de entrenamiento por defecto no tiene las optimizaciones de kernels Triton.
• La abstracción oculta complejidad. Cuando algo falla, depurar a través de las capas de LLaMA-Factory es más difícil que depurar código TRL o Transformers en bruto.
• La interfaz web puede resultar limitante para usuarios avanzados que quieren control total sobre el bucle de entrenamiento.

Precio

Gratis y open-source.

Quién debería usarlo

Equipos nuevos en el fine-tuning que quieren una interfaz gráfica, o cualquiera que necesite trabajar con arquitecturas de modelos menos comunes. La integración Unsloth significa que no tienes que sacrificar velocidad por comodidad.

Veredicto: La rampa de acceso más amigable al fine-tuning. Si nunca has hecho fine-tuning de un modelo, empieza aquí. Pasa a scripts Unsloth o TRL puros cuando superes las capacidades de la interfaz.

---

3. RunPod – Mejor cloud GPU por precio

Tipo: Cloud GPU | Facturación: Por segundo | Enlace de afiliado

Ya tienes un framework del no. 1 o no. 2; ahora necesitas una GPU para ejecutarlo. RunPod ofrece la selección de GPUs más amplia a los precios más competitivos del mercado. Una RTX 4090 por 0,41 €/h, A100 80 GB por 1,01 €/h, H100 por 2,22 €/h, todo con facturación por segundo para no pagar tiempo inactivo.

Lo que es genial

• Los precios son difíciles de superar. La RTX 4090 a 0,41 €/h es el punto óptimo para el fine-tuning de modelos de 8B. Una ejecución QLoRA completa cuesta menos de un euro.
• Facturación por segundo. ¿Tu trabajo de entrenamiento termina en 47 minutos? Pagas 47 minutos, no una hora completa.
• Las instancias spot reducen costes un 30-50 %. Los trabajos de fine-tuning que terminan en horas (no días) son perfectos para el pricing spot.
• El tier de community cloud es aún más barato, aunque con menos garantías de fiabilidad. Bueno para experimentación.
• La selección de GPUs más amplia. RTX 4090, A100, H100, y más. Otros clouds omiten las opciones para consumidores que son perfectas para ejecuciones económicas.

Lo que no es tan genial

• No es serverless. Gestionas instancias: arrancarlas, conectarse por SSH, apagarlas. No llega al nivel de experiencia de desarrollo de Modal.
• La fiabilidad del community cloud varía. El secure cloud es estable, pero las instancias comunitarias pueden ser interrumpidas.
• Sin pipeline de entrenamiento integrado. Es infraestructura, no una plataforma. Traes tu propio framework y scripts.

Precio

Quién debería usarlo

Cualquiera que ejecute fine-tuning autoalojado y quiera la mejor relación precio-rendimiento. Combínalo con Unsloth para el stack de entrenamiento más económico posible: un trabajo QLoRA en Llama 3 8B cuesta menos de un euro.

Veredicto: El cloud GPU que más recomendamos. La combinación de amplia selección de GPUs, facturación por segundo y precios competitivos convierte a RunPod en la elección predeterminada para la infraestructura de fine-tuning.

---

4. Hugging Face TRL – Mejor para entrenamiento de alineamiento

Tipo: Framework open-source | Estrellas GitHub: 17,6K | Licencia: Apache 2.0

TRL (Transformer Reinforcement Learning) es la biblioteca canónica para el alineamiento post-entrenamiento. Si haces SFT, DPO, GRPO o reward modeling, las implementaciones de referencia viven aquí. La versión 0.15.0 se publicó en marzo de 2026 con soporte GRPO mejorado.

Lo que es genial

• El estándar para el alineamiento. DPOTrainer, GRPOTrainer, SFTTrainer, RewardTrainer; estas son las implementaciones que citan los papers. Cuando aparece una nueva técnica de alineamiento, TRL la recibe primero.
• Integración profunda con el ecosistema Hugging Face. Datasets, tokenizadores, Model Hub, evaluación; todo se conecta de forma nativa. Sin código adhesivo.
• Probado en producción. Las empresas que hacen RLHF serio y entrenamiento basado en preferencias confían en TRL como columna vertebral.
• Mantenido activamente con versiones frecuentes y buena documentación.

Lo que no es tan genial

• No está optimizado para velocidad como Unsloth. Bucle de entrenamiento Transformers estándar, por lo que esperan velocidades normales.
• Curva de aprendizaje más pronunciada que LLaMA-Factory. Sin interfaz web; escribes Python y necesitas entender la API del trainer.
• Excesivo para SFT simple. Si solo quieres hacer LoRA de un modelo en tu dataset sin necesitar alineamiento, Unsloth o LLaMA-Factory es más sencillo.

Precio

Gratis y open-source.

Quién debería usarlo

Investigadores y equipos de ML que hacen alineamiento basado en preferencias (RLHF, DPO, GRPO). Si tu entrenamiento involucra feedback humano, reward models o datasets de preferencias, TRL es la herramienta correcta.

Veredicto: Insustituible para el trabajo de alineamiento. Nada más tiene la misma profundidad de implementaciones de trainers de alineamiento. Úsalo junto a Unsloth (para velocidad) o de forma independiente para investigación.

---

5. OpenAI Fine-Tuning API – El camino gestionado más sencillo

Tipo: API gestionada | Modelos: GPT-4o, GPT-4o-mini, GPT-4.1

La API de fine-tuning de OpenAI es la opción con menos fricción de esta lista. Sube un archivo JSONL, configura unos pocos hiperparámetros, y estarás entrenando GPT-4o o GPT-4.1. Sin GPU, sin framework, sin contenedores Docker, sin problemas de drivers CUDA.

Lo que es genial

• Cero infraestructura. Sube los datos, haz clic en Entrenar, obtén el endpoint. Ese es todo el flujo de trabajo.
• Acceso a GPT-4o y GPT-4.1. Puedes hacer fine-tuning de modelos que no están disponibles como alternativas open-weight.
• Herramientas de evaluación sólidas integradas en la plataforma; puedes comparar el rendimiento del modelo base vs. fine-tuneado directamente.
• Iteración rápida. Los trabajos pequeños de fine-tuning se completan en menos de 30 minutos.

Lo que no es tan genial

• No puedes descargar los pesos. Tu modelo fine-tuneado vive en los servidores de OpenAI para siempre. ¿Quieres cambiar de proveedor? Empieza de cero.
• Los costes de inferencia por token se acumulan. El entrenamiento es barato, pero pagas por token cada vez que usas el modelo. A escala, esto se encarece rápidamente.
• Selección de modelos limitada. GPT-4o, GPT-4o-mini, GPT-4.1; eso es todo. Sin Llama, sin Mistral, sin modelos abiertos.
• Preocupaciones de privacidad de datos. Tus datos de entrenamiento van a OpenAI. Algunos sectores regulados no pueden hacer esto.

Precio

Precios por token – aproximadamente 2,79–23,25 € para un trabajo de fine-tuning típico según el tamaño del dataset y el modelo. El coste real es la inferencia continua, no el entrenamiento.

Quién debería usarlo

Equipos que ya usan OpenAI en producción y quieren personalizar el comportamiento del modelo sin gestionar infraestructura. Perfecto para formateo, tono y tareas específicas de dominio donde las capacidades base de GPT-4o están cerca pero no son exactamente correctas.

Veredicto: Mejor para equipos ligados al ecosistema OpenAI. La comodidad es real, pero el vendor lock-in y la falta de portabilidad de pesos lo mantienen fuera del top 3.

---

6. Together AI – Mejor plataforma gestionada para modelos abiertos

Tipo: API gestionada | Modelos: Llama 3, Mistral, Qwen, DeepSeek, y más

Together AI te da la experiencia gestionada de OpenAI con la flexibilidad de los modelos abiertos. Haz fine-tuning de Llama 3, Mistral, Qwen y otros modelos abiertos a través de su plataforma; y crucialmente, puedes descargar los pesos resultantes.

Lo que es genial

• Portabilidad de pesos. Esta es la característica clave. Entrena en la infraestructura de Together, descarga los pesos, despliega donde quieras. Sin lock-in.
• Infraestructura gestionada. Sin gestión de GPUs, sin configuración de frameworks. Sube los datos y entrena.
• Amplio soporte de modelos abiertos. La mayoría de los modelos open-source populares están disponibles.
• Bueno para equipos que quieren facilidad gestionada ahora con la opción de pasarse a self-hosted después.

Lo que no es tan genial

• Más caro que self-hosted. Pagas una prima por la experiencia gestionada. Un fine-tune de Llama 3 8B en Together cuesta 7,44–9,30 €, frente a menos de 1 € en RunPod con Unsloth.
• Menos control sobre el entrenamiento. Menos opciones de hiperparámetros que ejecutar tu propio bucle de entrenamiento.
• Los precios por token son opacos comparado con la facturación por hora de GPU en los cloud providers.

Precio

Los precios por token varían según el modelo. Un fine-tune típico de Llama 3 8B cuesta 7,44–9,30 €. Consulta su página de precios para las tarifas actuales.

Quién debería usarlo

Equipos que quieren fine-tuning gestionado con modelos abiertos y la capacidad de poseer sus pesos. Un sólido punto intermedio entre el self-hosted completo y el ecosistema cerrado de OpenAI.

Veredicto: La mejor opción «gestionado pero no encerrado». Si quieres comodidad ahora con una estrategia de salida, Together AI es la elección correcta.

---

7. Modal – Mejor experiencia de desarrollador para cargas de trabajo GPU

Tipo: Cloud GPU (serverless) | Facturación: Por segundo

Modal adopta un enfoque fundamentalmente diferente: GPUs serverless. Escribes código Python con decoradores, Modal gestiona el aprovisionamiento, el escalado y el desmontaje. Los cold starts toman 2-4 segundos, y pagas por segundo solo mientras tu código se ejecuta.

Lo que es genial

• La experiencia de desarrollador es la mejor de su clase. Sin SSH, sin Docker, sin gestión de instancias. Escribe una función Python, decórala con @modal.gpu, y se ejecuta en un A100.
• Facturación por segundo sin coste de inactividad. Tu función se ejecuta, pagas, se detiene. Sin instancias olvidadas quemando dinero toda la noche.
• Excelente para trabajos batch y pipelines. Si ejecutas el entrenamiento como parte de un pipeline ML más grande, la composabilidad de Modal es excelente.
• Cold starts rápidos. 2-4 segundos para arrancar una GPU es genuinamente impresionante.

Lo que no es tan genial

• Sin GPUs de consumidor. A100 (1,28 €/h) es la opción más económica. Sin RTX 4090 a 0,41 €/h como RunPod.
• Mayor coste por hora que RunPod o Lambda para la misma clase de GPU.
• La abstracción serverless puede dificultarte cuando necesitas control de bajo nivel (CUDA personalizado, versiones de driver específicas).
• No ideal para trabajos de larga duración donde una instancia dedicada sería más económica.

Precio

Quién debería usarlo

Desarrolladores que priorizan la DX sobre el coste bruto, especialmente aquellos que ejecutan el fine-tuning como parte de pipelines automatizados. Si odias gestionar infraestructura y no te importa pagar una prima por ello, Modal es excelente.

Veredicto: DX premium a precios premium. Vale la pena para equipos que valoran el tiempo del desarrollador sobre el coste de GPU, pero RunPod gana en pura economía.

---

8. Axolotl – Mejor para pipelines de producción reproducibles

Tipo: Framework open-source | Estrellas GitHub: 11,4K | Licencia: Apache 2.0

Axolotl adopta un enfoque basado en configuración YAML donde cada ejecución de entrenamiento está completamente definida en un único archivo de configuración. Misma configuración, mismos resultados. Los equipos de ML en producción adoran este determinismo.

Lo que es genial

• Reproducibilidad basada en configuración. Define tu dataset, modelo, hiperparámetros, configuración LoRA y evaluación en un archivo YAML. Haz commit en git. Ejecútalo en cualquier lugar.
• Configuraciones multi-GPU probadas en batalla. Configuraciones DeepSpeed y FSDP que funcionan realmente de manera predeterminada, no solo «teóricamente compatibles».
• Excelente para pipelines CI/CD. El enfoque YAML-first significa que puedes desencadenar ejecuciones de entrenamiento desde la automatización sin escribir Python.
• Comunidad activa con buenas configuraciones preestablecidas para arquitecturas de modelos comunes.

Lo que no es tan genial

• La curva de aprendizaje más pronunciada de esta lista. El sistema de configuración YAML es poderoso pero tiene muchos botones. Espera dedicar tiempo a la documentación antes de tu primera ejecución exitosa.
• Iteración más lenta que LLaMA-Factory. Sin interfaz web significa que cada experimento requiere editar un archivo de configuración.
• Velocidad de entrenamiento estándar. Sin optimizaciones de kernels Triton como Unsloth. Puedes integrar Unsloth como backend, pero no es lo predeterminado.
• Comunidad más pequeña que Unsloth o LLaMA-Factory (11,4K vs 50K+ estrellas).

Precio

Gratis y open-source.

Quién debería usarlo

Equipos de ML que ejecutan fine-tuning en producción donde la reproducibilidad y la auditabilidad importan. Si necesitas demostrar que la ejecución de entrenamiento no. 47 utilizó exactamente la misma configuración que la ejecución no. 46, Axolotl es tu herramienta.

Veredicto: La elección correcta para ML de producción serio. No donde empiezas, sino donde terminas cuando el fine-tuning se convierte en parte central de tu flujo de trabajo.

---

9. Mistral Fine-Tuning API – Mejor para modelos Mistral

Tipo: API gestionada | Modelos: Mistral Small, Mistral Medium, Mistral Large

Mistral ofrece una API de fine-tuning para su propia familia de modelos. Si ya usas modelos Mistral en producción y quieres personalizarlos, su API nativa evita la complejidad de configurar un pipeline de entrenamiento self-hosted.

Lo que es genial

• Optimización nativa de Mistral. El fine-tuning a través de la infraestructura propia de Mistral les permite optimizar para su arquitectura de maneras que las herramientas de terceros no pueden.
• API sencilla. Flujo de trabajo similar a OpenAI: sube los datos, configura, entrena.
• Sólidas opciones de residencia de datos europeas para equipos con requisitos RGPD.
• Los modelos Mistral superan su categoría en muchos benchmarks, especialmente para idiomas europeos.

Lo que no es tan genial

• Solo modelos Mistral. Si quieres hacer fine-tuning de Llama o Qwen, busca en otro lugar.
• Ecosistema más pequeño que OpenAI o Together AI. Menos documentación, menos recursos de la comunidad.
• La transparencia de precios podría ser mejor. Consulta su última página de precios para las tarifas actuales.
• La portabilidad de pesos varía según el tier. Algunos modelos permiten la descarga de pesos, otros no.

Precio

Los precios por token varían según el modelo. Consulta la página de precios de Mistral para las tarifas actuales.

Quién debería usarlo

Equipos ya comprometidos con la familia de modelos Mistral que quieren fine-tuning gestionado sin self-hosting. Particularmente relevante para empresas europeas con requisitos de residencia de datos.

Veredicto: Nicho pero sólido. Si Mistral es tu modelo de elección, su API nativa es el camino de menor resistencia. Para todos los demás, Together AI (no. 6) ofrece modelos Mistral con mayor flexibilidad.

---

10. Lambda Cloud – Instancias GPU dedicadas estables

Tipo: Cloud GPU (dedicado) | Facturación: Por hora

Lambda Cloud es sencillo: instancias GPU dedicadas con acceso SSH. A100 80 GB a 1,20 €/h, H100 a 2,31 €/h. Sin pricing spot, sin abstracción serverless, sin sorpresas.

Lo que es genial

• Absolutamente simple. Conecta por SSH, ejecuta tu script, recupera los pesos en scp. Eso es todo.
• Instancias estables. Sin riesgo de interrupción como con las instancias spot en RunPod. Tu trabajo de entrenamiento de 40 horas no será interrumpido.
• Bueno para trabajos de larga duración donde la estabilidad importa más que la optimización de costes.
• Stack ML preinstalada. CUDA, PyTorch y las bibliotecas comunes están listas para usar.

Lo que no es tan genial

• Facturación por hora, no por segundo. Un trabajo que toma 61 minutos te cuesta 2 horas.
• Sin GPUs de consumidor. Sin opción RTX 4090, por lo que las ejecuciones económicas no son tan baratas como en RunPod.
• Sin pricing spot. Siempre pagas la tarifa bajo demanda completa.
• Disponibilidad de GPU limitada comparado con el modelo marketplace de RunPod. Las GPUs populares pueden estar agotadas.

Precio

Quién debería usarlo

Equipos que ejecutan trabajos de entrenamiento largos de varios días donde la estabilidad de las instancias es más importante que exprimir cada céntimo. También bueno para equipos que solo quieren SSH y no quieren aprender una API específica de cloud.

Veredicto: Fiable y sin sorpresas, en el buen sentido. Lambda no te ahorrará dinero comparado con RunPod, pero tampoco perderá tu ejecución de entrenamiento en una instancia spot interrumpida.

---

Por qué Techsy elige Unsloth como no. 1

El ranking se reduce al impacto por euro. Las optimizaciones de kernels Triton de Unsloth ofrecen mejoras de velocidad de 2-5x a coste cero; es open-source. Esa ventaja de velocidad se acumula en cada ejecución de entrenamiento que harás jamás. Un equipo que hace iteraciones semanales de fine-tuning ahorra decenas de horas de GPU al mes, lo que se traduce directamente en cientos de euros ahorrados en costes de cloud.

Combina Unsloth con la RTX 4090 de RunPod a 0,41 €/h, y tienes un stack de fine-tuning completo que entrena un modelo Llama 3 8B por menos de un euro. Eso no es hipotético; es lo que vemos en proyectos reales.

Los únicos escenarios donde Unsloth no es la respuesta correcta: entrenamiento distribuido multi-GPU (usa Axolotl o LLaMA-Factory), trabajo específico de alineamiento (usa TRL), o si necesitas una API gestionada porque tu equipo no puede gestionar infraestructura (usa OpenAI o Together AI).

¿Cuánto cuesta realmente el fine-tuning?

La conclusión: hacer fine-tuning de un modelo de 8B con QLoRA cuesta menos que un café en clouds GPU. Incluso una ejecución de producción de 70B se mantiene por debajo de los 10 € con la configuración correcta.

¿Qué herramienta deberías elegir?

¿Estás construyendo un SaaS impulsado por IA? Nuestra guía Best AI Stack for SaaS cubre el panorama completo de infraestructura más allá del fine-tuning.

¿Necesitas algo personalizado?

En Techsy ayudamos a startups a integrar modelos fine-tuneados en aplicaciones de producción, desde elegir el framework y proveedor de GPU correctos hasta desplegar el modelo entrenado detrás de una API. Hemos construido pipelines de entrenamiento con cada herramienta de esta lista. Ver nuestros servicios de integración IA. Obtener una consulta gratuita de arquitectura IA.

Preguntas frecuentes

¿Cuál es el mejor framework para el fine-tuning de LLM en 2026?

Unsloth para velocidad bruta en una sola GPU, LLaMA-Factory si quieres una interfaz web, TRL para entrenamiento de alineamiento (DPO/GRPO), y Axolotl para pipelines de producción reproducibles. Nuestra guía Cómo hacer fine-tuning de un LLM recorre el proceso completo paso a paso.

¿Cuánto cuesta hacer fine-tuning de un LLM?

Desde 0 € en tu propia GPU hasta 400 €+ para un fine-tuning completo de un modelo de 70B. El escenario más común, QLoRA en un modelo de 8B usando RunPod, cuesta 0,41-0,82 €. Consulta la tabla de escenarios de costes anterior para todos los niveles de precio.

¿Debo usar una API gestionada o fine-tuning self-hosted?

Las APIs gestionadas (OpenAI, Together AI) te ponen en marcha en minutos sin gestión de GPU. El self-hosted te da propiedad total de los pesos, privacidad de datos y menores costes a largo plazo. Para la mayoría de las cargas de trabajo en producción, el self-hosted se amortiza en pocas ejecuciones de entrenamiento.

¿Puedo hacer fine-tuning de un LLM en una GPU de consumidor?

Sí. Un modelo de 8B cabe en una RTX 3060 (12 GB VRAM) usando QLoRA y Unsloth. Una RTX 4090 (24 GB) maneja la mayoría de los casos de uso cómodamente. Solo necesitas una A100 (80 GB) para modelos de 70 mil millones de parámetros o fine-tunes completos.

¿Es Unsloth mejor que LLaMA-Factory?

Diferentes fortalezas. Unsloth es 2-5x más rápido en una sola GPU gracias a los kernels Triton personalizados. LLaMA-Factory tiene interfaz web, soporta 200+ modelos y maneja configuraciones multi-GPU. Puedes usar ambos juntos; LLaMA-Factory tiene una integración Unsloth nativa que te da la GUI con la velocidad.

¿Qué GPU necesito para el fine-tuning?

Mínimo 12 GB VRAM (RTX 3060) con QLoRA para modelos de 8B. Recomendado 24 GB (RTX 4090) para ejecuciones cómodas. 80 GB (A100) para modelos de 70B. Para fine-tunes completos (no LoRA), aproximadamente el doble de estos requisitos.

¿Puedo descargar los pesos de mi modelo fine-tuneado?

Desde OpenAI: no; tu modelo se queda en sus servidores. Desde Together AI, Mistral (algunos tiers) y todos los frameworks open-source: sí. La portabilidad de los pesos es uno de los factores de decisión más importantes para la flexibilidad a largo plazo.

¿Cuál es la diferencia entre LoRA, QLoRA y el fine-tuning completo?

El fine-tuning completo actualiza todos los pesos del modelo (enorme requisito de VRAM). LoRA congela el modelo base y entrena pequeñas matrices adaptadoras (mucho menos VRAM). QLoRA añade cuantización de 4 bits encima, reduciendo aún más la memoria. Para la mayoría de los casos de uso, QLoRA ofrece el 90-95 % de la calidad del fine-tuning completo a una fracción del coste.

¿Cómo evalúo mi modelo fine-tuneado?

Ejecuta benchmarks relevantes para tu tarea específica, no métricas genéricas de leaderboard. Combina métricas automatizadas (pérdida, precisión en tu dominio) con evaluación humana en un conjunto de test reservado. La evaluación específica del dominio importa mucho más que las puntuaciones generales.

¿Necesito fine-tuning o basta con el prompting?

Empieza con prompting y RAG. Si encuentras problemas de calidad consistentes en una tarea específica, requisitos de formateo, o terminología de dominio, el fine-tuning suele resolver esos problemas. Una buena regla: si pasas más tiempo diseñando prompts de lo que tomaría preparar 500 ejemplos de entrenamiento, es hora de hacer fine-tuning.

Fuentes

• Documentación de Unsloth
• LLaMA-Factory GitHub
• Documentación de Hugging Face TRL
• Guía de fine-tuning de OpenAI
• Precios de OpenAI
• Precios de RunPod
• Precios de Lambda Cloud
• Mistral AI
• DEV Community: Comparativa de frameworks de fine-tuning 2026