Cómo funcionan los modelos de lenguaje grandes como GPT

GPT no busca respuestas en una base de datos. Las genera fragmento a fragmento a partir de patrones aprendidos en su entrenamiento. Al entender este proceso, sus aciertos, fallos y la mejor forma de consultarle cobran sentido.

6 min de lecturaActualizado

Cuando escribes una pregunta en nuestro chat, GPT no busca en una biblioteca de respuestas guardadas. Redacta una respuesta nueva, fragmento a fragmento, basándose en los patrones que absorbió de una enorme cantidad de texto durante su entrenamiento. Esta sola idea explica muchísimo: por qué se le da tan bien el lenguaje, por qué puede explicar casi cualquier cosa, por qué a veces afirma cosas falsas con total seguridad y por qué la forma en que preguntas importa tanto. Esta guía explica los conceptos clave con palabras sencillas, sin matemáticas, y qué significa cada uno para tus propios chats.

Qué significan las siglas de GPT

GPT significa generative pre-trained transformer (transformador generativo preentrenado). Generativo significa que produce texto nuevo en lugar de elegir entre respuestas fijas. Preentrenado indica que primero aprendió de una recopilación masiva de texto antes de ajustarse para conversar. Transformer es el tipo de red neuronal que lleva dentro, una arquitectura publicada por investigadores de Google en 2017 que destaca al relacionar cada palabra con todas las demás que la rodean. OpenAI lanzó su primer modelo GPT en 2018; los modelos de nuestro chat, GPT-6 Luna y GPT-6.1 Terra, son integrantes recientes de esa misma línea. La página sobre la historia de GPT incluye la cronología completa, y qué es GPT ofrece una visión más amplia.

Tokens: cómo lee un modelo

Un modelo no ve letras ni palabras enteras. El texto primero se divide en tokens. Una palabra frecuente suele convertirse en un solo token; una palabra larga o poco común se divide en varios fragmentos. La regla general de OpenAI para el inglés es que un token equivale más o menos a tres cuartas partes de una palabra. Otros idiomas suelen necesitar más tokens para expresar el mismo significado.

Los tokens explican ciertas rarezas. Los modelos pueden equivocarse al contar las letras de una palabra, porque nunca ven las letras una por una. Los límites de entrada y salida se miden en tokens, no en caracteres. Y los precios para desarrolladores, como se indica en nuestra página de la API de GPT, se calculan por millón de tokens.

Predicción, fragmento a fragmento

En el fondo, el modelo hace una sola cosa: a partir de todo el texto acumulado hasta el momento, calcula qué token es más probable que venga después. Elige uno, lo suma al texto y repite el proceso cientos o miles de veces, hasta completar la respuesta. Por eso las respuestas aparecen de forma gradual en el chat y no de golpe.

Un pequeño toque de aleatoriedad en cada elección evita que las respuestas sean idénticas siempre. Eso es lo que aprovecha el botón de regenerar: preguntas de nuevo y obtienes una ruta distinta a través del mismo conocimiento. Nuestro chat guarda los intentos anteriores como versiones para que puedas compararlos.

Predecir suena sencillo, pero para hacerlo bien a lo largo de miles de millones de ejemplos, el modelo tiene que asimilar gramática, datos, estilos, patrones de razonamiento y mucho más. Lo que parece comprensión surge en realidad de esa constante necesidad de predecir.

Cómo se entrena un modelo

Los modelos GPT se crean por etapas:

  1. Preentrenamiento. Procesa una cantidad enorme de texto practicando una única tarea: adivinar el siguiente token. En esta fase puede continuar cualquier texto, pero todavía no es un buen compañero de conversación.
  2. Ajuste por instrucciones. Se entrena con ejemplos de peticiones y respuestas adecuadas, aprendiendo así a seguir instrucciones y responder preguntas.
  3. Retroalimentación y aprendizaje por refuerzo. Evaluadores humanos y controles automatizados califican las respuestas, ajustando el modelo hacia salidas útiles, precisas y seguras. Los modelos de razonamiento también se entrenan de este modo para desglosar problemas antes de responder.

El entrenamiento termina en algún punto, y esa fecha es la fecha de corte de conocimiento del modelo. Según OpenAI, los datos de GPT-6 Luna llegan hasta el 18 de mayo de 2026 y los de GPT-6.1 Terra hasta el 1 de junio de 2026. El modelo no sabe nada posterior a esas fechas a menos que se lo pegues tú, y nuestro chat no navega por la web.

La ventana de contexto: qué ve el modelo

Un modelo no tiene memoria entre conversaciones. Dentro de un mismo chat, ve un contexto: las instrucciones, los mensajes enviados hasta ahora y tu mensaje más reciente, todo convertido en tokens. OpenAI asigna a Luna y Terra una ventana de contexto de alrededor de 1.05 millones de tokens, suficiente para varios libros extensos.

Un chat gratuito como el nuestro envía un fragmento mucho más acotado: la parte reciente de la conversación, para que las respuestas sigan siendo rápidas. En un chat muy largo, los primeros mensajes pueden quedar fuera de su alcance. Si un detalle es clave, repítelo o inicia un chat nuevo con un breve resumen de dónde te quedaste. Cada chat es independiente; el modelo no recuerda lo que dijiste en otro.

Razonamiento: pensar antes de responder

Los modelos de razonamiento generan una serie de pasos internos antes de mostrar la respuesta definitiva. Eso les da la oportunidad de dividir un problema en etapas y corregir sus propios tropiezos, a cambio de unos segundos extra. En nuestro chat, la opción Think cambia a GPT-6.1 Terra, que razona brevemente; GPT-6 Luna, el modelo predeterminado, responde casi al instante. Nuestra guía sobre modelos de razonamiento explica cuándo vale la pena esa pausa.

De dónde salen las respuestas inventadas

Como el modelo siempre busca redactar una continuación verosímil, escribe una incluso cuando no tiene los datos reales. Si le pides una fuente sobre un tema muy específico, te dará algo con formato de referencia bibliográfica, exista o no esa fuente. Si le preguntas por un pueblo pequeño, inventará detalles que encajan con los pueblos en general. El modelo no tiene una señal interna confiable que le diga "no sé esto", aunque los modelos más recientes admiten mejor la incertidumbre. Por eso es vital verificar nombres, cifras, fechas y citas; nuestra guía para verificar respuestas de IA ofrece un método rápido.

Qué significa esto para tus prompts

Todo lo anterior se traduce en unas cuantas reglas prácticas:

Débil:
¿Qué dice el contrato sobre terminarlo antes de tiempo?

Eficaz:
Aquí está la cláusula 9 de mi contrato de alquiler: [pega la cláusula].
En palabras sencillas, explica cuándo puedo terminar el contrato antes de tiempo,
con qué aviso previo y qué costos podría tener. Cita la
oración en la que se basa cada punto.
  • Pega el material. El modelo funciona infinitamente mejor con texto dentro de su contexto que intentando recordar lo que aprendió a medias.
  • Sé específico. Cada detalle que agregas acota las predicciones hacia lo que realmente necesitas.
  • Pide citas o fuentes directas del texto que le diste, para que puedas comprobar cada punto.
  • Empieza de cero cuando un chat largo empiece a perder el hilo; un breve resumen en un chat nuevo suele funcionar mucho mejor. El resumidor puede redactar ese resumen por ti.
Imagínalo como un escritor muy culto que no tiene apuntes a mano. Ha leído muchísimo, redacta con fluidez y puede explicar casi todo, pero no tiene forma de consultar nada al momento. Dale los datos que tengas y verifica los que no.

¿Quieres verlo en acción? Pídele a GPT que se explique a sí mismo en cinco pasos y luego hazle preguntas de seguimiento sobre los puntos que no te queden claros.

Preguntas frecuentes

¿GPT entiende lo que escribe?

Depende de lo que entiendas por comprensión. Sin duda capta las relaciones entre conceptos lo bastante bien como para explicarlos, resumirlos y razonar sobre ellos, pero no tiene experiencia en el mundo real ni una forma infalible de distinguir un hecho de una suposición plausible.

¿Aprende de mis chats?

No durante la conversación, ni tampoco entre diferentes conversaciones en nuestro chat. El conocimiento del modelo queda fijado al terminar su entrenamiento. OpenAI señala que los datos enviados a través de su API no se usan para entrenar a menos que el cliente lo autorice expresamente.

¿Por qué obtengo una respuesta diferente si pregunto otra vez?

El modelo elige cada token sucesivo con un toque de aleatoriedad, así que la misma pregunta puede llevar a una redacción o estructura distinta. En cuestiones de datos y hechos, una respuesta distinta es una señal clara de que debes verificar.

¿GPT es lo mismo que ChatGPT?

No. GPT es la familia de modelos desarrollada por OpenAI; ChatGPT es la aplicación propia de OpenAI creada sobre ellos. gpt.me es un sitio independiente que utiliza modelos GPT mediante una API; nuestra comparación con ChatGPT detalla todas las diferencias.

¿Tienes alguna duda? Pregunta ahora

Sin cuenta y sin descargas. Abre el chat, escribe lo que piensas y la respuesta empezará a aparecer en uno o dos segundos.

Empezar a chatear