Hace unos días estaba charlando con un amigo sobre modelos de IA, y me dijo algo bastante realista: mucha gente quiere hacer un fine-tune desde el principio, pero no piensan en qué "motor" están ajustando.
Al principio pensé que estaba exagerando, pero después de reflexionar, definitivamente es cierto.
Mucha gente en IA solo piensa en una cosa: tengo datos, voy a entrenar un modelo. Suena bien, pero en realidad es fácil caer en trampas. Porque diferentes tareas requieren distintos modelos base. Si estás generando contenido, analizando código, haciendo preguntas en múltiples idiomas o explicando riesgos en cadena, las capacidades del modelo base son claramente diferentes. No puedes usar un solo modelo para todas las tareas.
Así que esta vez miro el ModelFactory de @OpenLedger , y estoy más atento a un punto que no había escrito antes: **elección del modelo base**.
OpenLedger menciona que ModelFactory soporta varios LLMs comúnmente usados y de vanguardia, como DeepSeek, BLOOM, ChatGLM, Falcon, Gemma, GPT-2, etc. Este detalle puede parecer solo una lista de soporte, pero creo que es muy importante.
Porque OpenLedger no solo te permite subir Datanets y hacer clic en entrenar. Es más como ofrecer a los builders una plataforma de producción de modelos: primero eliges el modelo base, luego eliges los Datanets, después configuras los parámetros de entrenamiento, la configuración de LoRA / QLoRA, los prompt templates, y finalmente entrenas tu propio modelo especializado.
Aquí el primer paso es crucial: elegir la base.
Por ejemplo, si quieres crear un asistente de seguridad en Solidity, el modelo subyacente debe ser más amigable con el código y el razonamiento lógico; si quieres crear un modelo de contenido para Binance Square, tal vez te importe más la expresión del lenguaje, el control del tono y la organización de la estructura; si quieres investigar proyectos multilingües, la capacidad de cobertura del idioma del modelo es muy importante; si quieres hacer un Q&A ligero, quizás no necesites un modelo subyacente especialmente grande, el costo es clave.
Esto es como hacer trading.
No puedes decir que todos los vehículos usan el mismo motor. Para viajes largos, transporte de carga, carreras o commuting urbano, las necesidades son diferentes y la base también lo es. Lo mismo aplica a los modelos de IA. Datanets son el combustible y la experiencia, LoRA son piezas de modificación, los Prompt Templates son hábitos de conducción, pero el modelo base es el chasis y el motor.
La ventaja de este diseño de OpenLedger es que no ha encerrado a los builders en una única ruta de modelo. Un ecosistema que solo apuesta por un modelo base puede parecer simple a corto plazo, pero a largo plazo será muy limitado. Diferentes escenarios requieren diferentes opciones para poder desarrollar modelos verticales más ricos.
Claro, tener muchas opciones también tiene sus problemas. Un usuario común puede estar confundido: ¿cuál elijo? DeepSeek, Gemma, Falcon, ChatGLM, los nombres suenan familiares, pero el contexto no siempre está claro. Por eso creo que OpenLedger debería ofrecer recomendaciones de ‘escenarios’ para la elección del modelo base: qué recomendar para código, qué para contenido, qué para Q&A, y qué para bajo costo.
Esta experiencia será muy clave.
Porque la mayoría de los builders no son científicos de modelos, ellos entienden el escenario. Saben que quieren hacer una explicación de tesorería DeFi, un agente de auditoría Web3, un modelo de investigación de proyectos, un modelo de generación de contenido, pero quizás no sepan cómo elegir el modelo subyacente. Si OpenLedger puede bajar esta barrera de elección, el valor de ModelFactory será más evidente.
Mi juicio sobre este punto es bastante moderado: tener muchos modelos base no significa que el ecosistema sea necesariamente fuerte; lo que realmente importa es la selección de modelos, la calidad de Datanet, el costo de implementación de OpenLoRA y si la llamada real puede conectarse.
Pero esta dirección es muy correcta.
Los modelos de IA no son solo datos que se alimentan y ya está.
El primer paso suele ser elegir el motor adecuado que pueda soportar tu escenario.
