Otras Herramientas IA: Reseñas y Comparaciones

Antes de instalar un LLM local, la gran duda es si funcionará en tu PC, y la respuesta casi siempre se reduce a la VRAM de tu GPU. Esta guía explica cuánta VRAM necesita cada tamaño de modelo (7B, 13B, 32B, 70B) con una tabla rápida y una fórmula sencilla basada en la cuantización Q4. También cubre la trampa de memoria de la caché KV que crece con la longitud de contexto, las velocidades reales en GPUs como la RTX 3060, 4090 y 5090 y en Macs con memoria unificada, y presenta tres configuraciones recomendadas por presupuesto para que sepas exactamente qué comprar.

¿Cómo se compara realmente un LLM local que ejecutas en tu PC con LLM en la nube como Claude, ChatGPT y Gemini? Este artículo pone las diferencias una al lado de la otra en rendimiento, coste, privacidad, hardware y esfuerzo, y expone con honestidad cuánto se ha cerrado en 2026 la a menudo malinterpretada "brecha de rendimiento" gracias al auge de los modelos abiertos. Verás dónde lo local ya basta, dónde la nube sigue liderando y cómo elegir en el orden confidencialidad → calidad → volumen. Para la mayoría, la respuesta es híbrida: lo rutinario en local y las partes difíciles delegadas a la nube.

Volver a entrenar desde cero una IA gigantesca es demasiado caro, pero quieres ajustarla solo para ti; LoRA (Low-Rank Adaptation) cumple ese deseo congelando el modelo original y entrenando solo una pequeña pieza añadida (un adaptador), reduciendo los parámetros entrenables a menos del 1% del modelo original. LoRA abarata y acelera enormemente el fine-tuning, y es muy popular en la generación de imágenes como Stable Diffusion como un archivo pequeño que añade un personaje o un estilo. Este artículo lo explica con la analogía del parche. LoRA es el referente del ajuste fino eficiente en parámetros (PEFT): deja congelados los enormes pesos originales, inserta una pequeña matriz añadida en cada capa y entrena solo eso (W = W0 + BA, donde W0 está congelado y BA es la pequeña parte añadida). Se apoya en la hipótesis de que adaptar una IA no requiere grandes cambios (basta un rango bajo), que los experimentos del artículo original respaldaron (aunque hay estudios en los que queda por debajo del entrenamiento completo en matemáticas y programación). Ventajas: parámetros entrenables por debajo del 1% del original (unas 10.000 veces menos con GPT-3 175B en el artículo original), menos memoria de GPU (en el mismo caso, de 1,2 TB a 350 GB durante el entrenamiento), entrenamiento más rápido y barato, sin latencia de inferencia una vez fusionado el adaptador, y menos olvido de las capacidades del modelo original. Su mayor fortaleza son los adaptadores intercambiables: mantén una base común y cambia al instante pequeños archivos LoRA por caso de uso (soporte, tono de empresa, un personaje concreto). Mucha gente conoce LoRA por primera vez en la generación de imágenes, donde se comparten ampliamente LoRA de Stable Diffusion que aprendieron un personaje, estilo o sujeto (añadir un estilo, enseñar un personaje, ligero y fácil de compartir). QLoRA combina la cuantización, entrenando LoRA sobre una base de 4-bit: permitió hacer fine-tuning en una sola GPU de 48 GB de un modelo de 65B que, entrenado por completo en 16 bits, necesitaría más de 780 GB, y de un modelo de 33B en una GPU de consumo de 24 GB, con resultados equivalentes a los métodos de 16 bits en las comparaciones del artículo (el propio artículo dice que no comprobó si iguala al entrenamiento completo en 33B y 65B). Frente al fine-tuning completo (entrenar todos los pesos), LoRA difiere en los pesos entrenados, el coste, el resultado y el mejor uso; para la mayoría del trabajo, LoRA basta. Conserva la base, sazónala en pequeño. Las cifras corresponden a las condiciones experimentales de los artículos originales y otros, a modo orientativo.

Que un enorme modelo de 70B corra en un solo PC en casa, en lugar de un rack de GPU de centro de datos (dejando a la CPU y la RAM la parte que no cabe en una GPU de consumo), es posible gracias a la cuantización, que reduce la precisión numérica de los pesos de un modelo para encoger drásticamente su tamaño y memoria. Mientras la destilación traslada el conocimiento a otro modelo más pequeño, la cuantización hace más ligero el mismo modelo. Este artículo lo explica con una analogía de compresión de fotos. La cuantización reemplaza los pesos almacenados como decimales FP16/FP32 por enteros INT8 (8 bits) o INT4 (4 bits), recortando los bytes por peso (FP32=4, INT8=1, INT4=0,5); como comprimir una foto RAW a JPEG, sacrificas un poco de precisión a cambio de una gran reducción, y lo sorprendente es lo poco que renuncias. En memoria, 4-bit usa alrededor de un cuarto de FP16: un modelo de 70B baja de ~140GB a ~35GB, y uno de 8B a 4-bit ocupa ~4.5-5GB, que cabe en una GPU de gama media de 8GB de VRAM para uso local (la democratización de los LLM). En precisión, INT8 es casi sin pérdidas e INT4, según se informa, se degrada por debajo del 4% en tareas generales de preguntas y respuestas o de sentido común, pero la pérdida es más notable en matemáticas, generación de código y razonamiento difícil (se manifiesta como un pequeño aumento de la perplejidad), así que elige el número de bits según la tarea. Métodos principales: GPTQ (pionero del 4-bit preciso), AWQ (protege el ~1% de los pesos más importantes; si supera a GPTQ depende de la evaluación), GGUF (formato llama.cpp/Ollama, Q2_K-Q8_0, híbrido CPU+GPU, para local) y QLoRA (base de 4-bit más LoRA para fine-tuning en GPU de consumo). Se diferencia de la destilación (trasladar a otro modelo pequeño) y del fine-tuning (añadir conocimiento de tarea), y las tres suelen combinarse (cuantizar un modelo destilado; hacer fine-tuning sobre una base cuantizada). Para empezar, ejecuta un modelo GGUF con Ollama en un comando, elige Q4/Q8 según la VRAM y evita INT4 para código o matemáticas exactas. La mayoría de los modelos principales ya vienen cuantizados, así que solo los descargas y usas. Conserva la inteligencia, suelta solo el peso. Las cifras se citan de materiales públicos, orientativas.

Una IA enorme y de alto rendimiento es inteligente pero pesada y cara; la destilación de modelos (knowledge distillation) resuelve esto transfiriendo el conocimiento de un gran modelo profesor a un pequeño modelo alumno, conservando un rendimiento cercano al del profesor con un tamaño mucho menor y más velocidad. Este artículo lo explica con una analogía profesor-alumno. La clave son las soft labels: el entrenamiento normal solo enseña "la respuesta es gato" (hard label), mientras que la destilación transmite la distribución de probabilidad completa del profesor, como "90% gato, 8% perro, 2% zorro", cuyo grado de duda lleva información valiosa; un parámetro temperature suaviza las probabilidades para revelar relaciones sutiles (ejemplo real: la función de la API de OpenAI de 2024 para entrenar modelos pequeños con las salidas de otros grandes). Ventajas: rápido y barato, mucho más compacto con un rendimiento cercano al del profesor (TinyBERT: 7,5 veces menor, más del 96,8%), funciona en el edge, potente para la especialización. Dos enfoques: white-box (acceso completo a pesos y representaciones internas, transferencia más profunda; para modelos propios u OSS) y black-box (solo salidas/respuestas de API visibles; usar la API de otra empresa como profesor puede infringir los términos). Se diferencia de la cuantización (comprimir la precisión de los pesos del mismo modelo) y del fine-tuning (seguir entrenando un modelo existente para una tarea): la destilación mueve el conocimiento a un modelo pequeño aparte, y las tres son combinables. La realidad legal/ToS fue un gran tema en 2026: la técnica es legítima, pero OpenAI, Anthropic y xAI incluyen cláusulas de destilación anticompetitiva que prohíben usar las salidas para crear modelos competidores, así que destilar un competidor desde una API restringida puede infringir los términos. La disputa OpenAI contra DeepSeek (OpenAI alegó que cuentas vinculadas a DeepSeek eludieron las restricciones para obtener salidas para destilación, mientras que los términos de DeepSeek, según los informes, permiten destilar sus salidas) muestra que la valoración depende de qué términos de API se aplican, y Claude Fable 5/Mythos 5 desvían las solicitudes marcadas como destilación a un modelo Opus menos capaz. Consejos: usa modelos propios u OSS con licencia como profesor, revisa las cláusulas anti-destilación antes de usar una API comercial y valora si el uso es "desarrollar un modelo competidor". La inteligencia, del modelo grande; la operación, del pequeño, pero a quién elijas como profesor cambia el resultado técnica y legalmente. Las cifras provienen de materiales públicos, son orientativas.

El fine-tuning ajusta los pesos o los adaptadores adicionales de un modelo preentrenado para afinar su estilo, su clasificación y sus tendencias de respuesta. Esta guía compara el fine-tuning con RAG y los prompts, explica los métodos completo, LoRA y QLoRA, y detalla los datos, la evaluación y los costes de entrenamiento e inferencia, incluidos el mínimo de 10 ejemplos de OpenAI y la recomendación de 50 como referencia general. También aclara que OpenAI ha cerrado el fine-tuning de autoservicio a nuevos usuarios y establece condiciones para los existentes, y muestra con un ejemplo de clasificación de consultas cómo decidir si adoptarlo.

Probablemente das por hecho que un LLM tiene que ejecutarse en la nube, pero los modelos pequeños ocupan solo unos pocos gigabytes y funcionan incluso en un portátil corriente. Un LLM local consiste en ejecutar un modelo de IA directamente en tu PC en lugar de en la nube. Sus ventajas son la privacidad (la entrada nunca sale de tu máquina), la ausencia de tarifas de API y el uso sin conexión; sus desventajas, que no es tan inteligente como la IA en la nube de primer nivel y que necesita un PC razonablemente capaz. Esta guía para principiantes cubre la cuantización (Q4_K_M deja el modelo en torno al 30 % de su tamaño en fp16: de 16 GB a 4,9 GB en Llama 3.1 8B), una tabla con los tamaños reales de descarga de las etiquetas de Ollama (a 30 de septiembre de 2026), los requisitos oficiales de Ollama y LM Studio, los pasos oficiales de Ollama (install.sh en macOS y Linux, install.ps1 en Windows, luego ollama run gemma4 y ollama ps para comprobar que está en la GPU), el aviso de que los modelos «:cloud» no se ejecutan en tu equipo, cómo elegir modelo (con Llama 3.1, Gemma 4, Qwen3.8 y DeepSeek-R1 como ejemplos) y cuándo usar local frente a la nube.

El 9 de junio de 2026, Anthropic lanzó Claude Fable 5, poniendo a disposición por primera vez, en una forma que usuarios y desarrolladores corrientes pueden usar, una capacidad al nivel de "Mythos", el modelo de frontera considerado durante mucho tiempo el más potente de la casa a nivel interno. Anthropic lo posiciona como el modelo más potente que ofrece de forma general, con el lema "creado para trabajos largos y complejos". Este análisis a fondo, escrito para que los principiantes lo sigan, cubre qué es Fable 5 (una forma pública y segura de la capacidad de clase Mythos, optimizada para terminar un maratón más que una sola pregunta; ID del modelo claude-fable-5), en qué se diferencia de su gemelo Mythos 5 (idénticos por dentro, solo difieren las protecciones; el público usa Fable), los benchmarks (SWE-Bench Pro 80.0% vs Opus 4.8 69.2 y GPT-5.5 58.6, primer 90%+ de la historia en el análisis de larga duración de Hex, primer puesto en Cognition FrontierCode y en el benchmark financiero Hebbia, nuevo SOTA en visión jugando a Pokémon sin ayudas), su verdadera fortaleza en autonomía de larga duración (concentración a lo largo de millones de tokens, más autonomía que cualquier Claude anterior, Stripe completando una migración de 50 millones de líneas en Ruby en un día frente a más de dos meses a mano, la memoria de archivos impulsando una tarea de juego 3x más que Opus 4.8, GitHub informando de programación de largo alcance con alta autonomía), precio y disponibilidad ($10 entrada / $50 salida por 1M de tokens, 1M de contexto y 128K de salida, gratis dentro de cada plan del 9 al 22 de junio y luego créditos, API claude-fable-5 y GitHub Copilot), una comparación directa con Opus 4.8 (estándar $5/$25 vs $10/$50, +10.8 puntos en SWE-Bench Pro, mismo contexto de 1M, Opus 4.8 Fast Mode a $10/$50; reparte el trabajo pesado a Fable 5 y el día a día a Opus 4.8 estándar), el destacado nuevo diseño de seguridad (clasificadores de ciber, bioquímica y destilación que recurren a Opus 4.8 solo cuando es peligroso, activándose en menos del 5% de las sesiones para que el 95%+ funcione a pleno rendimiento, con retención de 30 días del tráfico de clase Mythos), el contexto de lanzarlo días después de advertir que la IA es demasiado peligrosa (una tercera vía que cierra solo las áreas peligrosas), y cuándo usarlo. Las cifras están citadas del anuncio de Anthropic y de informes, y pueden cambiar.

Escribes un poco de texto y, en segundos, nace un vídeo con sonido: lo que hasta hace poco habría sido ciencia ficción se hizo realidad en 2026, y la situación cambia a un ritmo vertiginoso. Sora, de OpenAI, que había dominado la conversación, cerró su app y su web en abril de 2026 (la API le siguió el 24 de septiembre de 2026); en su lugar, Google Veo, Kling y Runway tomaron la delantera. Esta guía actualizada (junio de 2026) e independiente de cualquier herramienta cubre qué es la generación de vídeo con IA (crear metraje en movimiento a partir de palabras o de una imagen, con sincronización de audio, 1080p–4K e imagen a vídeo ya estándar), el panorama de 2026 (el cierre de Sora —con el contexto reportado de presión sobre el cómputo y los costes y caída de usuarios— y los líderes actuales Google Veo 3.1, Kling 3.0 y Runway Gen-4.5, con el precio por segundo como norma), cómo funciona (modelos de difusión ampliados a la dimensión temporal; texto a vídeo e imagen a vídeo), el flujo común de 5 pasos (elige una herramienta, prompt/imagen, ajusta duración/proporción/audio, genera y elige, une en la edición), los consejos clave para los prompts de vídeo (sujeto + movimiento + cámara + estilo + duración + audio, con los verbos y la cámara como claves, un plano una acción, usa imagen a vídeo, ejecuta varias veces), lo que ya puede y lo que todavía no (las piezas largas de una sola vez y la plena consistencia siguen siendo difíciles, y el coste por segundo se acumula), y lo esencial de derechos, marcas de agua y ética (marcas de agua como SynthID se vuelven estándar y en muchos planes no se pueden quitar, y el estándar de procedencia C2PA también se extiende, la salida puramente de IA está débilmente protegida con diferencias por país, el uso comercial depende de los términos y los deepfakes de personas reales están prohibidos). Haz planos y únelos en la edición en lugar de aspirar a una pieza larga de una sola vez. Como el campo se mueve rápido, confirma siempre lo último de forma oficial.

"No sé dibujar, así que esto no es para mí": ese prejuicio sobre la generación de imágenes con IA está al revés. Basta con darle instrucciones en palabras y, segundos después, tienes imágenes de nivel profesional. Esta guía transversal cubre qué es la generación de imágenes con IA (crear imágenes desde cero mediante palabras: la habilidad de comunicar, no de dibujar; la versión visual de la ingeniería de prompts), cómo funciona (los modelos de difusión esculpen una imagen a partir de ruido aleatorio usando tu prompt como pista, dibujando desde cero cada vez, por lo que los resultados fluctúan), el flujo común de 4 pasos que funciona en cualquier herramienta (elige una herramienta, escribe un prompt, genera y elige, refina y termina: la iteración es la premisa), la anatomía clave de 6 partes del prompt (sujeto, escena/entorno, estilo, luz/color, composición/encuadre, técnico) más los prompts negativos y la relación de aspecto, aunque las exclusiones, la relación de aspecto y el texto en la imagen se escriben distinto en cada herramienta (Midjourney usa --no, Google pide describir en positivo y la API de Stability AI tiene negative_prompt, según la documentación oficial), 7 consejos para dominarlo (lanzar la tanda, añadir poco a poco, imágenes de referencia, inpainting, fijar el seed, upscaling, guardar buenos prompts), lo que le cuesta a la IA (manos, texto, consistencia, precisión fina) y sus soluciones, y lo esencial sobre derechos, uso comercial y ética para el trabajo (la salida puramente de IA está débilmente protegida según la Oficina de Derechos de Autor de EE. UU. y el caso Thaler, firme desde que el Tribunal Supremo rechazó revisarlo en 2026, con diferencias por país; el uso comercial depende de los términos de cada herramienta; los deepfakes y la imitación de estilo no autorizada están prohibidos; se extiende la procedencia, y OpenAI añade a sus imágenes tanto metadatos C2PA como una marca de agua SynthID). Qué herramienta elegir y los tutoriales específicos enlazan a la comparativa, a Midjourney y a Stable Diffusion. Conoce la anatomía, lanza la tanda y añade palabras poco a poco: cualquiera puede acercarse a la toma que quiere.

Le preguntas lo mismo a la misma IA y, sin embargo, una persona la llama inútil mientras otra se asombra de lo capaz que es; y la verdadera causa de esa diferencia no suele ser la potencia de la IA, sino cómo está escrito el prompt. Este es un compendio práctico de esa habilidad, la ingeniería de prompts, organizado para que un principiante pueda aprovecharla de inmediato. Abarca qué es la ingeniería de prompts (la habilidad de diseñar y mejorar tu instrucción a la IA: no código, sino el arte de cómo dices las cosas), los tres principios que cambian tus resultados (sé específico, da contexto, especifica la salida, y "haz X" en vez de "no hagas Y"), las 6 partes clave de un buen prompt (rol, contexto, instrucción, ejemplos, formato, restricciones, los elementos que se repiten en las guías publicadas por los proveedores; no necesitas las seis cada vez), 7 técnicas prácticas (dar un rol, mostrar un modelo/few-shot, razonar paso a paso, fijar el formato, estructurar con delimitadores, no pedir demasiado de golpe e iterar, siendo la más potente la iteración), un ejemplo antes/después, técnicas avanzadas (cadena de pensamiento, autoconsistencia, encadenamiento, ReAct, aunque los modelos de razonamiento como la serie o y el pensamiento extendido de Claude hacen CoT por dentro, así que enunciar el objetivo funciona mejor), 7 errores comunes y consejos por modelo más seguridad de la entrada. Con enlaces internos a consejos de prompts para crear apps y a precauciones de entrada. Convierte lo vago en específico y el soltar en diálogo: cualquiera puede mejorar desde hoy.

En junio de 2025, Sam Altman de OpenAI escribió en su blog: "Hemos pasado el horizonte de sucesos; el despegue ha comenzado" ("The Gentle Singularity"). Sin embargo, otros investigadores descartan rotundamente la idea como algo que nunca llegará. Esta guía para principiantes explica que la singularidad (singularidad tecnológica) es "el punto de inflexión en el que la IA supera la inteligencia humana y empieza a mejorarse a sí misma, de modo que el progreso se vuelve explosivamente rápido y ya no puede predecirse ni controlarse" (una hipótesis, no realizada a fecha de 2026). Cubre su corazón —la explosión de inteligencia = automejora recursiva, donde una IA inteligente construye una IA aún más inteligente y quien mejora cambia de humano a IA—; en qué se diferencia de la AGI y la ASI (AGI/ASI son "estados" de inteligencia, la singularidad es el "evento" de volverse imprevisible; AGI → automejora → el salto repentino a la ASI = la singularidad); la historia del término (la "explosión de inteligencia" de I. J. Good en 1965 → Vinge popularizando el nombre en 1993 → Kurzweil llevándola a la corriente principal con "2045"); la amplia dispersión de las predicciones (Kurzweil 2045, Altman "ya ha comenzado," Vinge, y escépticos como Gary Marcus y el "freno de la complejidad" del fallecido Paul Allen); el despegue duro repentino vs. el despegue blando gradual; las esperanzas (avances en enfermedades y ciencia) y los riesgos (pérdida de control, el problema de la alineación); el profundo escepticismo (freno de la complejidad, límites físicos, algo completamente distinto); y errores comunes como "los robots dominando," "inmediata en cuanto llega la AGI" y "fijada para 2045." Ni temerla en exceso ni soñar demasiado: aprovecha al máximo la IA de hoy mientras observas con calma lo que pueda venir después.