Presentamos mejoras a la API de ajuste de precisión y ampliamos nuestro programa de modelos personalizados

Actualización del 8 de mayo de 2026: OpenAI está retirando gradualmente la plataforma de ajuste fino. Esta ya no estará disponible para nuevos usuarios, pero los usuarios actuales podrán crear trabajos de entrenamiento durante los próximos meses. Todos los modelos ajustados seguirán disponibles para inferencia hasta que sus modelos base queden obsoletos⁠(se abre en una nueva ventana). El cronograma completo está disponible aquí⁠(se abre en una nueva ventana).

Hay varias técnicas⁠(se abre en una nueva ventana) que los desarrolladores pueden usar para optimizar el rendimiento del modelo con el fin de reducir la latencia, aumentar la precisión y disminuir los costos. Desarrollamos diversas opciones para respaldar las implementaciones de IA de nuestros clientes, ya sea para ampliar el conocimiento de un modelo mediante generación aumentada por recuperación (RAG), personalizar su comportamiento con ajuste fino o crear modelos entrenados a medida con nuevos conocimientos específicos de un dominio. Hoy lanzamos nuevas funciones para brindar a los desarrolladores más control sobre el ajuste fino mediante la API y presentamos nuevas formas de colaborar con nuestro equipo de expertos e investigadores en IA para crear modelos personalizados.

Lanzamos la API de ajuste de precisión⁠(se abre en una nueva ventana) autogestionada para GPT‑3.5 en agosto de 2023. Desde entonces, miles de organizaciones han entrenado cientos de miles de modelos con nuestra API. El ajuste de precisión puede ayudar a los modelos a comprender en profundidad el contenido y a aumentar los conocimientos y las capacidades existentes de un modelo para una tarea específica. Nuestra API de ajuste de precisión también admite un mayor volumen de ejemplos que pueden incorporarse en una sola consulta para lograr resultados de mayor calidad al tiempo que se reducen los costos y la latencia. Algunos de los casos más frecuentes de ajuste de precisión son el entrenamiento de un modelo para generar mejor código en un lenguaje de programación concreto, resumir texto en un formato específico o elaborar contenido personalizado basado en el comportamiento del usuario.

Por ejemplo, Indeed⁠(se abre en una nueva ventana), una plataforma global de búsqueda de empleo y contratación, quiere simplificar el proceso de contratación. Como parte de esta iniciativa, Indeed ha lanzado una función que envía recomendaciones personalizadas a los solicitantes de empleo, las cuales destaca los puestos relevantes en función de sus habilidades, experiencia y preferencias. Ajustaron la precisión de GPT‑3.5 Turbo para generar explicaciones de mayor calidad y precisión. Como resultado, Indeed pudo mejorar el costo y la latencia al reducir en un 80 % el número de tokens en la consulta. Esto les permitió pasar de menos de un millón de mensajes a solicitantes de empleo al mes a unos 20 millones.

Hoy presentamos nuevas funciones⁠(se abre en una nueva ventana) para que los desarrolladores tengan aún más control sobre sus tareas de ajuste de precisión, como las siguientes:

• Creación de puntos de control basados en el tiempo: Se produce automáticamente un punto de control completo del modelo con ajuste de precisión durante cada tiempo de entrenamiento, lo que reduce la necesidad de reentrenamiento posterior, especialmente en los casos de sobreajuste.
• Playground comparativo: Una nueva interfaz de usuario paralela de Playground para comparar la calidad y el rendimiento de los modelos, que permite la evaluación humana de los resultados de varios modelos o el ajuste de precisión de instantáneas con una sola consulta.
• Integración de terceros: Soporte para integraciones con plataformas de terceros (empezando con Weights and Biases⁠(se abre en una nueva ventana) esta semana) para permitir a los desarrolladores compartir datos detallados de ajuste de precisión con el resto de su pila.
• Métricas de validación integrales: La capacidad de calcular métricas como la pérdida y la precisión en todo el conjunto de datos de validación en lugar de en un lote de muestra, lo que permite conocer mejor la calidad del modelo.
• Configuración de hiperparámetros: La capacidad de configurar los hiperparámetros disponibles desde el panel de control⁠(se abre en una nueva ventana) (en lugar de hacerlo únicamente a través de la API o el SDK).
• Mejoras en el panel de control del ajuste de precisión: Incluye la capacidad de configurar hiperparámetros, ver métricas de entrenamiento más detalladas y volver a ejecutar tareas a partir de configuraciones anteriores.

En el DevDay del pasado noviembre, anunciamos⁠ un programa de modelos personalizados diseñado para entrenar y optimizar modelos para un dominio específico, en colaboración con un grupo exclusivo de investigadores de OpenAI. Desde entonces, nos hemos reunido con docenas de clientes para evaluar sus necesidades de modelos personalizados y hemos hecho evolucionar nuestro programa para aumentar aún más el rendimiento.

Hoy anunciamos formalmente nuestra oferta de ajuste de precisión asistido como parte del programa de modelos personalizados. El ajuste de precisión asistido es un esfuerzo de colaboración con nuestros equipos técnicos para aprovechar técnicas más allá de la API de ajuste de precisión, como otros hiperparámetros y diversos métodos de ajuste de precisión eficiente de parámetros (PEFT) a mayor escala. Resulta especialmente útil para las organizaciones que necesitan ayuda para establecer canales de datos de entrenamiento eficientes, sistemas de evaluación y parámetros y métodos personalizados para aumentar al máximo el rendimiento del modelo para su caso de uso o tarea.

Por ejemplo, SK Telecom⁠(se abre en una nueva ventana) , un operador de telecomunicaciones que presta servicio a más de 30 millones de abonados en Corea del Sur, quería personalizar un modelo para ser experto en el ámbito de las telecomunicaciones al centrarse inicialmente en el servicio al cliente. Trabajaron con OpenAI para ajustar la precisión de GPT‑4 y mejorar su rendimiento en conversaciones relacionadas con las telecomunicaciones en coreano. Después de varias semanas, SKT y OpenAI lograron una mejora significativa del rendimiento de tareas de servicio al cliente en el sector de las telecomunicaciones: un aumento del 35 % en la calidad del resumen de conversaciones, un aumento del 33 % en la precisión del reconocimiento de intenciones y un aumento de las puntuaciones de satisfacción de 3,6 a 4,5 (sobre 5) al comparar el modelo con ajuste de precisión con GPT‑4.

En algunos casos, las organizaciones necesitan entrenar desde cero un modelo específico que comprenda su negocio, sector o ámbito. Los modelos totalmente personalizados se impregnan de nuevos conocimientos de un dominio específico al modificar los pasos clave del proceso de entrenamiento del modelo con técnicas novedosas de entrenamiento intermedio y posentrenamiento. Las organizaciones que logran el éxito con un modelo totalmente entrenado a medida suelen tener grandes cantidades de datos propios, millones de ejemplos o miles de millones de tokens, que quieren utilizar para enseñar al modelo nuevos conocimientos o comportamientos complejos y únicos para casos de uso muy específicos.

Por ejemplo, Harvey⁠(se abre en una nueva ventana), una herramienta jurídica nativa de IA para abogados, se asoció con OpenAI para crear un modelo de lenguaje amplio y personalizado para la jurisprudencia⁠. Aunque los modelos de base eran buenos razonadores, carecían de los amplios conocimientos sobre la historia de los casos jurídicos y otros conocimientos necesarios para el trabajo jurídico. Tras realizar pruebas de ingeniería rápida, RAG y ajustes de precisión, Harvey trabajó con nuestro equipo para añadir al modelo la profundidad de contexto necesaria, equivalente a 10 000 millones de tokens de datos. Nuestro equipo modificó cada paso del proceso de entrenamiento de modelos, desde el entrenamiento intermedio específico del dominio hasta la personalización de los procesos de posentrenamiento y la incorporación de comentarios de abogados expertos. El modelo resultante logró un aumento del 83 % en las respuestas basadas en hechos y los abogados prefirieron los resultados del modelo personalizado el 97 % de las veces a los de GPT‑4.

Creemos que, en el futuro, la gran mayoría de las organizaciones desarrollarán modelos personalizados adaptados a su sector, negocio o caso de uso. Con una variedad de técnicas disponibles para desarrollar un modelo personalizado, las organizaciones de todos los tamaños pueden desarrollar estos modelos para obtener un impacto más significativo y específico de sus implementaciones de IA. La clave está en delimitar claramente el caso de uso, diseñar y aplicar sistemas de evaluación, elegir las técnicas adecuadas y estar preparado para repetir el proceso con diversas variantes a lo largo del tiempo para que el modelo alcance un rendimiento óptimo.

Con OpenAI, la mayoría de las organizaciones pueden ver resultados significativos rápidamente gracias a la API de ajuste de precisión autogestionado. Nuestros programas de modelos personalizados pueden ayudar a las organizaciones que necesitan ajustar más la precisión de sus modelos o incorporar al modelo nuevos conocimientos específicos del sector.

Visita nuestra documentación sobre la API de ajuste de precisión⁠(se abre en una nueva ventana) para empezar a ajustar nuestros modelos.