Modelo de lenguaje grande
Sinónimos: LLM · Large language model · Modelo de lenguaje de gran tamaño
Definición ampliada
Un modelo de lenguaje grande o LLM es un modelo entrenado con grandes cantidades de texto —y, en algunos casos, otras modalidades— para estimar secuencias y generar lenguaje. Mediante instrucciones y ejemplos puede abordar tareas como responder preguntas, resumir, traducir, clasificar o escribir código.
El tamaño no ofrece una frontera universal: «grande» depende de la época, los datos, los parámetros y el cómputo. Las evaluaciones médicas muestran que estos modelos pueden codificar conocimiento clínico relevante, pero mantienen carencias frente a profesionales y necesitan evaluación humana multidimensional [1].
Contexto histórico
Los modelos de lenguaje evolucionaron desde métodos estadísticos hacia redes neuronales capaces de aprender representaciones distribuidas. La arquitectura transformer, presentada en 2017, permitió entrenar modelos a gran escala con mecanismos de atención y se convirtió en la base de la mayoría de los LLM modernos [2].
Importancia actual
A fecha de agosto de 2026, los LLM se usan como interfaz lingüística para documentos, código y herramientas. En medicina han mostrado capacidades prometedoras, pero el rendimiento en pruebas o casos seleccionados no equivale a validación clínica general ni elimina los riesgos de error [1,3].
Aplicaciones
Generales
- Asistentes conversacionales y búsqueda.
- Redacción, resumen, traducción y clasificación.
- Análisis documental y apoyo a programación.
- Interfaz en lenguaje natural para otras herramientas.
Sanitarias
- Resumir literatura o documentación clínica.
- Preparar borradores para revisión profesional.
- Extraer y estructurar información textual.
- Apoyar educación y comunicación, sin presentarse como autoridad clínica.
Limitaciones
Un LLM escribe a partir de probabilidades, no de una comprobación de los hechos, y por eso puede producir contenido falso con la misma soltura que el verdadero (alucinación). Su conocimiento llega hasta la fecha de corte de los datos con que se entrenó, que en la práctica puede ser anterior a la declarada [4]. Solo tiene en cuenta lo que cabe en su ventana de contexto, y en estudios con textos largos aprovechó peor lo que quedaba en medio [5]. También puede inclinarse a dar la razón a quien lo usa: un estudio de 2023 encontró esta adulación en los cinco asistentes que evaluó [6].
A esto se suman otras limitaciones:
- Hereda sesgos y vacíos de los datos.
- La respuesta varía con el prompt, el contexto y la versión.
- Puede revelar información si se usa sin controles de privacidad.
- La utilidad clínica no elimina riesgos ni convierte el resultado en una decisión profesional [3].
Ejemplos
Un LLM puede resumir un conjunto de artículos o convertir una nota en una tabla. La calidad debe evaluarse contra las fuentes y el uso previsto, no solo por la fluidez del texto.
Relacionados
- Transformer
- Procesamiento del lenguaje natural
- Alucinación
- IA generativa
- Mecanismo de atención
- Tokenización
- Prompting
- Generación aumentada por recuperación
- Factualidad
- Fecha de corte del conocimiento
- Ventana de contexto
- Adulación
- Modelo fundacional
- Preentrenamiento
- Ajuste fino
- Algoritmo de decodificación