Modelos fundacionales vs modelos específicos

Elegir entre modelos fundacionales y modelos de tarea específica es elegir entre amplitud y foco. Un modelo fundacional se entrena con datos amplios para poder adaptarse a muchas tareas. Un modelo de tarea específica se entrena para hacer un solo trabajo, y la mayoría nace como un modelo fundacional entrenado después con ejemplos de ese trabajo. El modelo fundacional es la mejor opción mientras el trabajo es abierto, cambiante o de poco volumen. El modelo de tarea específica gana cuando el mismo trabajo se repite a gran volumen y su resultado se puede comprobar, porque cuesta menos por tarea y es más fácil mantenerlo dentro de un nivel de calidad.

Esta guía explica qué es cada tipo de modelo, cuándo gana cada uno, qué modelos de tarea específica puedes descargar hoy y en qué se diferencian de los modelos de dominio. Cierra con la visión desde la que trabaja nuestro laboratorio: el trabajo de una empresa se puede repartir entre especialistas, cada uno entrenado para una sola tarea y combinados mediante enrutamiento.

¿Qué es un modelo fundacional?

Un modelo fundacional es un modelo grande entrenado con datos amplios que puede adaptarse a una gran variedad de tareas. El término viene de un informe de 2021 de Rishi Bommasani y sus colegas del Center for Research on Foundation Models de Stanford, "On the Opportunities and Risks of Foundation Models", que describía modelos "entrenados con datos amplios a escala y adaptables a una gran variedad de tareas posteriores". Sus ejemplos eran BERT, DALL-E y GPT-3. Hoy la etiqueta abarca las familias GPT, Claude y Gemini, y familias de pesos abiertos como Llama, Qwen y Gemma.

Un modelo fundacional se adapta de dos maneras: con prompts, poniendo instrucciones y ejemplos en cada solicitud, o entrenándolo más con tus propios datos. El mismo informe señaló el problema: "los defectos del modelo fundacional los heredan todos los modelos adaptados a partir de él". Todo modelo de tarea específica construido sobre un modelo fundacional parte de las virtudes y los fallos de su base, y por eso un especialista necesita su propia evaluación.

¿Qué es un modelo de tarea específica?

Un modelo de tarea específica es un modelo entrenado para hacer un trabajo definido, con un tipo fijo de entrada y un tipo fijo de salida. Clasificar un ticket de soporte, extraer campos de una factura, elegir qué herramienta debe llamar un agente, ordenar resultados de búsqueda y resumir una reunión según una pregunta concreta son tareas. Como el trabajo es acotado, tiene un conjunto de prueba: puedes decir cómo es una respuesta correcta y medir con qué frecuencia la da el modelo.

Hoy la mayoría de los modelos de tarea específica se construyen entrenando un modelo fundacional con ejemplos de la tarea, mediante fine-tuning o destilación a partir de un modelo más grande. El tamaño lo marca la tarea. El modelo de recuperación de nuestro estudio QMSum tiene 33M de parámetros, mientras que una tarea de razonamiento difícil puede necesitar un modelo grande. La descripción útil es "del tamaño justo": el modelo más pequeño que mantiene el nivel de calidad de la tarea.

¿Qué sistema de IA funciona solo en una tarea específica?

Un modelo de tarea específica, lo que el vocabulario clásico llama IA estrecha. IBM describe la IA estrecha como la que "puede entrenarse para realizar una tarea única o acotada" y no puede funcionar fuera de su tarea definida. IBM considera además que todo sistema de IA en uso hoy es estrecho, asistentes de chat incluidos, así que la distinción práctica está en el modelo. Un filtro de spam, un ordenador de pasajes o un clasificador de seguridad de contenidos se construye para un trabajo y hace solo ese trabajo. El modelo fundacional que hay detrás de un asistente de chat asume lo que le pida el prompt.

¿Cuándo supera un modelo de tarea específica a un modelo fundacional?

Cuando la misma tarea se repite a gran volumen, su resultado se puede comprobar y las mismas instrucciones se repiten en cada prompt. El volumen reparte el coste de construir el modelo, el resultado comprobable da una evaluación contra la que entrenar, y las instrucciones repetidas son justo lo que el entrenamiento elimina de cada solicitud. Nuestros resultados publicados muestran el patrón en una tarea.

Entrenar en la tarea mejoró la calidad más que mejorar las entradas. En nuestro estudio QMSum (arXiv 2609.25028), sobre resúmenes de reuniones guiados por una consulta, mantuvimos fijo un modelo base de 1.2B. Sustituir las primeras 4.500 palabras de la transcripción por 2.000 palabras recuperadas sumó 1,55 de ROUGE-1 en test y 0,29 en validación. Hacer fine-tuning con esos mismos fragmentos recuperados sumó 5,29 de ROUGE-1, con un intervalo del 95% de +4,02 a +6,56.

Un especialista más pequeño mantuvo el nivel. Un especialista de 406M entrenado del mismo modo obtuvo 36,33 de ROUGE-1 frente a 35,41 de nuestro sistema de 1.2B, una diferencia que QMSum no puede separar estadísticamente, y usó menos de la mitad de la memoria máxima de inferencia.

Un especialista superó a modelos generalistas alojados en la métrica de ese benchmark. Con un único prompt conciso y un evaluador de solapamiento con la referencia, un especialista publicado de 406M obtuvo al menos 6,2 de ROUGE-1 más que cada uno de los cinco modelos propietarios alojados que se probaron. El artículo limita ese orden: los modelos alojados produjeron salidas extensas y no se hizo evaluación humana ni de factualidad. Todas estas conclusiones se limitan a QMSum y a métricas automáticas.

El gasto se concentra en trabajo repetible. En los datos públicos de OpenRouter de los 30 días hasta el 12 de octubre de 2026, clasificación, extracción y transformación sumaron el 20,8% del gasto clasificado en modelos, a entre 1,50 y 1,84 veces el precio medio por token. Son tareas cuyo resultado son etiquetas y registros, y un especialista se puede evaluar en ellas con precisión.

El ahorro llega por dos frentes. Un modelo de tarea específica tiene un precio por token más bajo que el modelo de frontera al que sustituye, y necesita menos tokens por tarea, porque las instrucciones y los ejemplos que se repiten en cada prompt quedan entrenados en el propio modelo. Cuánto ahorra el segundo frente depende de qué parte de cada prompt es texto repetido, y la caché de prompts ya abarata el contexto repetido en las API de frontera, así que mídelo con tu propio tráfico. La calculadora de coste por tarea calcula ambas cifras para una carga de trabajo.

Investigadores de NVIDIA defienden lo mismo para los agentes. En un artículo de posición de 2025, "Small Language Models are the Future of Agentic AI", Peter Belcak y sus colegas observan que en las aplicaciones agénticas los modelos de lenguaje "realizan un pequeño número de tareas especializadas de forma repetitiva y con poca variación". Sostienen que los modelos pequeños son "suficientemente potentes, inherentemente más adecuados y necesariamente más económicos para muchas invocaciones en sistemas agénticos".

¿Cuándo es mejor opción un modelo fundacional?

Cuando el trabajo es abierto, todavía se está definiendo o tiene demasiado poco volumen para que el entrenamiento compense. Cuatro situaciones lo favorecen:

• Una tarea nueva. El prompting es la forma más rápida de saber qué necesita la tarea.
• Solicitudes que cambian cada vez, como investigación, redacción y conversación abierta.
• Poco volumen. Unos pocos miles de tareas al mes rara vez compensan construir un modelo.
• Conocimiento amplio o cambiante. Un modelo fundacional con recuperación cubre los datos que se mueven.

La etapa de prompting es también de donde salen los datos de entrenamiento del especialista. Registra los prompts y las salidas, corrige las incorrectas y guarda un conjunto reservado. Cuando la tarea se estabiliza, los registros pasan a ser los datos de entrenamiento y el conjunto reservado pasa a ser el listón que el especialista tiene que superar. Nuestro artículo sobre si el fine-tuning ha muerto traza la misma línea entre prompting y entrenamiento.

¿Qué ejemplos hay de modelos de tarea específica?

Hay muchos modelos de tarea específica públicos. Aquí van cinco, cada uno consultado en su ficha de modelo o en su artículo el 29 de octubre de 2026:

BART-large-CNN es BART con fine-tuning en CNN Daily Mail, "una gran colección de pares de texto y resumen", y su ficha indica un único uso previsto: resumir textos.

ms-marco-MiniLM-L6-v2 recibe una consulta y un pasaje y puntúa en qué medida el pasaje responde a la consulta, para que un sistema de búsqueda pueda ordenar sus resultados.

Llama Guard 3-1B es, según Meta, "un modelo preentrenado Llama-3.2-1B con fine-tuning para clasificar la seguridad de contenidos". Etiqueta un prompt o una respuesta como seguros o inseguros y enumera las categorías infringidas, y Meta lo diseñó para abaratar la moderación.

FunctionGemma está un paso antes. Google lo publicó "como base para crear tus propios modelos especializados en llamadas a funciones", construido sobre Gemma 3 270M y "pensado para recibir fine-tuning en tu tarea concreta de llamadas a funciones". Es una base especialista, pensada para volver a especializarse con tus propias herramientas.

Nuestro sistema QMSum combina dos especialistas. Un localizador de 33M puntúa ventanas de la transcripción según la pregunta, y un resumidor redacta la respuesta a partir de los fragmentos mejor puntuados. Ambos están en Hugging Face, en la cuenta ErtasAI.

¿En qué se diferencia un modelo de tarea específica de un LLM de dominio?

Un LLM de dominio conoce un campo, y un modelo de tarea específica hace un trabajo. Un modelo de dominio aprende el vocabulario, los datos y las convenciones de un campo como el derecho, la medicina o las finanzas, y después atiende muchas tareas dentro de él, desde responder preguntas hasta redactar documentos. Un modelo de tarea específica se define por una entrada y una salida, como extraer las partes y las fechas de un contrato, y ese trabajo puede estar en cualquier campo. Los dos se combinan bien: un LLM de dominio puede ser la base sobre la que se entrena un modelo de tarea, de modo que el especialista ya conoce el lenguaje del campo. Nuestra guía sobre LLM de dominio explica cómo entra el conocimiento de un dominio en un modelo.

¿Se puede repartir el trabajo de una empresa entre modelos especialistas?

Esa es la visión desde la que trabaja nuestro laboratorio, y tiene un precedente antiguo. En La riqueza de las naciones, libro I, capítulo 1, Adam Smith describió un taller de alfileres donde fabricar un alfiler estaba "dividido en unas dieciocho operaciones distintas". Diez trabajadores, algunos encargados de dos o tres operaciones, podían hacer "más de cuarenta y ocho mil alfileres al día", unos 4.800 cada uno. Trabajando por separado, calculaba Smith, "con toda seguridad ninguno habría podido hacer veinte, y quizá ni un solo alfiler al día".

Aplicada a los modelos, la división del trabajo se ve así. Pensemos en un flujo de soporte. Atender un ticket se divide en pasos: clasificar la solicitud, extraer los datos de la cuenta, encontrar la política aplicable, redactar la respuesta y comprobar el borrador contra la política. Cada paso tiene su propia entrada, su propia salida y su propio conjunto de prueba, así que cada uno puede tener un especialista entrenado para ese único trabajo y del tamaño justo. Un enrutador envía cada paso a su especialista, y lo que queda fuera de lo que aprendieron los especialistas va a un modelo fundacional. Como la estructura del trabajo decide la ruta, siempre sabes qué modelo respondió y para qué se entrenó.

El taller de Smith también muestra que la división es una decisión de diseño, ya que algunos de sus trabajadores hacían dos o tres operaciones. Un paso demasiado pequeño para justificar su propio modelo lo comparte con el paso vecino, y un paso abierto se queda con el modelo fundacional.

Nuestra evidencia medida hasta ahora cubre tareas individuales, además del flujo de dos modelos del estudio QMSum. Si una red de especialistas con enrutamiento iguala a un generalista de frontera en toda la carga de trabajo de una empresa es la pregunta de investigación en la que trabaja nuestro laboratorio, y publicaremos los resultados a medida que los tengamos. El artículo de NVIDIA defiende la misma arquitectura cuando los agentes también necesitan conversación general: "sistemas agénticos heterogéneos (es decir, agentes que invocan varios modelos distintos)". Para la mecánica del enrutamiento, consulta estrategias de enrutamiento de LLM y la entrada de glosario sobre enrutamiento de modelos.

¿Cómo se pasa una tarea de un modelo fundacional a un especialista?

Empieza por un paso repetido y mantén el modelo fundacional como respaldo.

1. Elige la tarea. Escoge el paso repetido con la factura más alta, medida como coste por tarea.
2. Regístrala. Guarda los prompts y las salidas del modelo fundacional en producción, y corrige las incorrectas.
3. Crea el conjunto de evaluación. Reserva ejemplos con los que el especialista nunca se entrena, con un umbral acordado antes de entrenar.
4. Entrena y elige el tamaño. Entrena varios tamaños de modelo con los ejemplos registrados y quédate con el más pequeño que supere el umbral.
5. Enruta y observa. Ejecuta el especialista en modo sombra junto al modelo fundacional, luego pásale el tráfico y deja que el modelo fundacional atienda las solicitudes fuera de alcance.

Ertas ofrece esto como el endpoint de modelo adaptativo: un especialista entrenado con la tarea de tus agentes y servido a través de una API compatible con OpenAI. Las versiones nuevas se entrenan en segundo plano con el tráfico de tus agentes, se puntúan con tus evaluaciones y solo entran en producción con tu aprobación. Si una versión nueva no llega al nivel, el modelo actual sigue en servicio. Funciona gestionado por Ertas, en tu propia nube o en tus instalaciones. Por ahora el endpoint funciona solo por invitación, y estamos desarrollando una versión más ágil para abrirlo a más empresas.

Preguntas Frecuentes

¿Qué IA es mejor para tareas específicas?

Un modelo entrenado para esa tarea, elegido probando varios candidatos con tus propios ejemplos reservados. Las clasificaciones públicas miden la capacidad general, y el conjunto de evaluación de tu tarea mide lo que necesitas. Empieza con prompts sobre un modelo fundacional, registra los resultados y entrena un especialista cuando la tarea sea estable y repetida.

¿Qué ejemplos hay de modelos de lenguaje pequeños de tarea específica?

BART-large-CNN para resumir noticias, los cross-encoders ms-marco-MiniLM para ordenar pasajes, Llama Guard 3-1B para clasificar la seguridad de contenidos y FunctionGemma, construido sobre Gemma 3 270M, para llamadas a funciones. Cada uno se publica con una ficha de modelo que describe su único trabajo.

¿Los modelos de tarea específica son siempre pequeños?

Suelen ser más pequeños que un modelo fundacional, y su tamaño lo marca la tarea. Un paso de ordenación o de recuperación puede funcionar con decenas de millones de parámetros, y una tarea de razonamiento difícil puede necesitar un modelo grande. La regla es el modelo más pequeño que mantiene el nivel de calidad de la tarea con ejemplos reservados.

¿Un modelo con fine-tuning sigue siendo un modelo fundacional?

Un modelo con fine-tuning es un modelo fundacional adaptado. Una vez entrenado para un trabajo, se comporta como un modelo de tarea específica y conserva lo que su base hacía mal: el informe de Stanford advertía que los defectos de un modelo fundacional los "heredan todos los modelos adaptados a partir de él". Evalúalo en su propia tarea.

¿Qué pasa cuando un modelo de tarea específica recibe una solicitud fuera de su tarea?

Sus respuestas empeoran, porque nunca aprendió ese tipo de entrada. Dos defensas funcionan juntas: entrenarlo con ejemplos que debe rechazar y enviar las solicitudes fuera de alcance a un modelo fundacional antes de que le lleguen.

La Versión Corta

Usa un modelo fundacional mientras el trabajo es nuevo, abierto o de poco volumen. Entrena un modelo de tarea específica cuando el mismo trabajo se repite a gran volumen con un resultado que puedes comprobar: cuesta menos por tarea, en precio y en número de tokens, y su calidad se puede mantener en un nivel fijado. Divide un flujo de trabajo en pasos, da a los pasos repetidos sus propios especialistas y deja que un enrutador envíe el resto a un modelo fundacional. Si lo primero es el dinero, empieza por el coste por tarea.

---

Fuentes, consultadas el 29 de octubre de 2026: Bommasani et al., "On the Opportunities and Risks of Foundation Models" (Stanford CRFM, 2021); Belcak et al., "Small Language Models are the Future of Agentic AI" (NVIDIA, 2025); IBM, "Types of Artificial Intelligence"; Adam Smith, La riqueza de las naciones, libro I, capítulo 1 (Project Gutenberg, edición en inglés); fichas de modelo de BART-large-CNN, ms-marco-MiniLM-L6-v2, Llama Guard 3-1B y FunctionGemma. Nuestra investigación: el estudio QMSum y el informe de OpenRouter sobre tareas estructuradas.