Saltar al contenido

LoRA (adaptación de bajo rango)

Método de fine-tuning eficiente que entrena solo un pequeño conjunto de parámetros adicionales en lugar de todo el modelo. Permite personalizar modelos grandes con poco cómputo.

Actualizado: 3 de junio de 2026.

LoRA añade pequeñas matrices entrenables al modelo y congela el resto. Así se adapta un modelo enorme a un estilo o tarea concretos entrenando una fracción mínima de parámetros.

Ventajas

Mucho más barato y rápido que el fine-tuning completo, con archivos resultantes ligeros que se pueden compartir e intercambiar.

Dónde brilla

Muy popular para personalizar Stable Diffusion (estilos, personajes) y para afinar LLM abiertos con recursos modestos.

Aprende LoRA (adaptación de bajo rango) con una ruta guiada

Si quieres aplicar este concepto con proyectos y criterio, estas son las páginas de AIClases para continuar.

Términos relacionados

Fine-tuning (Ajuste fino)El fine-tuning es el proceso de tomar un modelo de IA ya preentrenado y reentrenarlo con un conjunto de datos propio para especializarlo en una tarea, un dominio o un estilo concretos, sin partir de cero.Stable DiffusionModelo de difusión de texto a imagen de pesos abiertos. Al publicarse abiertamente, impulsó una enorme comunidad de herramientas, extensiones y modelos derivados para generar imágenes.CuantizaciónTécnica que reduce la precisión numérica de los pesos de un modelo (por ejemplo de 16 a 4 bits) para que ocupe menos memoria y se ejecute más rápido, con una pérdida de calidad mínima.Parámetros (de un modelo)Valores numéricos internos que un modelo aprende durante el entrenamiento y que definen su comportamiento. El número de parámetros —miles de millones en los LLM grandes— es una medida aproximada de la capacidad del modelo.Modelo de pesos abiertosModelo cuyos pesos se publican para que cualquiera pueda descargarlo, ejecutarlo y adaptarlo. Ofrece control, privacidad y previsibilidad de costes frente a los modelos accesibles solo por API.
Ver todos los términos
Help & support