¿Fine-tuning o RAG para mis documentos?
La pregunta que conviene responder antes de preparar un dataset. Las dos salidas se preparan aquí.
- Sin registro
- Gratis y sin marca de agua
- Nada sale de tu dispositivo
Sobre esta herramienta
Mucha gente que busca «entrenar un modelo con mis PDF» en realidad quiere RAG, y se ahorraría el entrenamiento entero. Merece la pena separarlo antes de gastar tiempo.
Regla corta: si quieres que el modelo **sepa** algo concreto de tus documentos y lo cite bien, RAG. Recuperas el fragmento en el momento y se lo pasas; se actualiza cambiando un archivo y el modelo puede decir de dónde sacó la respuesta. Si quieres que **escriba de otra manera** —un formato fijo, un tono, una estructura de informe—, fine-tuning.
Lo incómodo: el fine-tuning no es una forma fiable de meter hechos. El modelo aprende el estilo del material mucho antes que su contenido, y cuando le falta un dato lo inventa con el tono correcto, que es peor que no saberlo.
Aquí se preparan las dos cosas. Para RAG, PDF a Markdown con troceado por encabezados. Para fine-tuning, esta herramienta.
Cómo funciona
- 01
Decide si quieres que el modelo sepa algo o que escriba distinto.
- 02
Para RAG, usa PDF a Markdown y sus trozos.
- 03
Para fine-tuning, suelta los PDF aquí y elige el formato.