Ir al contenido principal
Español— Elegir un idioma
Menú

Formato de datos: conversaciones en JSONL

Lección 3 de 16 Actualizado el 2 de noviembre de 2026 Avanzado
En esta página
  1. El formato JSONL
  2. Estructura de la conversación
  3. Conversaciones de varios turnos
  4. Ponderación con weight
  5. Script de creación de archivos JSONL
  6. Puntos clave

Actualización 2 de noviembre de 2026 — Disponibilidad del ajuste fino. OpenAI está eliminando gradualmente el ajuste fino de autoservicio: desde el 7 de mayo de 2026, las organizaciones que nunca lo han utilizado ya no pueden crear tareas; desde el 2 de julio, debes haber usado un modelo ajustado en los últimos 60 días; y a partir del 6 de enero de 2027, ningún cliente podrá lanzar nuevas tareas. Los modelos ya entrenados seguirán siendo utilizables hasta que se retire su modelo base. Este curso sigue siendo útil para comprender y aprovechar un modelo existente; para nuevos proyectos, prioriza la ingeniería de prompts, RAG y las evaluaciones.

El formato JSONL

JSONL (JSON Lines) es el formato obligatorio para la API de ajuste fino de OpenAI. Cada línea del archivo es un objeto JSON independiente que representa un ejemplo de entrenamiento completo. Esta estructura te permite transmitir por flujo un corpus de decenas de miles de ejemplos sin tener que cargar nunca el archivo entero en memoria.

{"messages": [{"role": "system", "content": "..."}, {"role": "user", "content": "..."}, {"role": "assistant", "content": "..."}]}
{"messages": [{"role": "system", "content": "..."}, {"role": "user", "content": "..."}, {"role": "assistant", "content": "..."}]}

Regla fundamental: una línea = un objeto JSON = un ejemplo. No incluyas saltos de línea dentro del propio objeto JSON. En otras palabras, el JSON con sangría y «bonito» que genera tu editor romperá el archivo; esta es la causa más frecuente de rechazo en la subida.

Estructura de la conversación

Cada ejemplo es un objeto con una clave messages que contiene un array de mensajes. Cada mensaje tiene un role y un content. Solo se aceptan tres roles:

  • system: instrucciones globales para el asistente (opcional, pero recomendado)
  • user: el mensaje del usuario
  • assistant: la respuesta que el modelo debe aprender a producir

El formato mínimo consiste en un único intercambio usuario/asistente. Esto es suficiente cuando el comportamiento deseado no depende de un encuadre específico, como en el caso de un modelo dedicado a una única tarea.

{
  "messages": [
    {"role": "user", "content": "Hola, ¿cómo estás?"},
    {"role": "assistant", "content": "¡Hola! Estoy listo para ayudarte. ¿Qué puedo hacer por ti?"}
  ]
}

En cuanto el modelo necesite adoptar un rol específico, añade un mensaje de sistema y manténlo idéntico en todos tus ejemplos. Observa en el ejemplo de abajo que la instrucción «ofrecer siempre una cita de demostración» se cumple realmente en la respuesta del asistente: el mensaje de sistema describe una restricción y el ejemplo muestra cómo queda al aplicarla.

{
  "messages": [
    {
      "role": "system",
      "content": "Eres un asistente de ventas de TechCorp. Responde de forma concisa y profesional. Ofrece siempre una cita de demostración."
    },
    {
      "role": "user",
      "content": "Busco una solución de CRM para mi equipo de 50 personas."
    },
    {
      "role": "assistant",
      "content": "Nuestro CRM de TechCorp está diseñado para equipos de 20 a 200 personas, con gestión de contactos, embudo de ventas e informes integrados. Para un equipo de 50, recomiendo el plan Business a 29 €/usuario/mes. ¿Te gustaría programar una demostración personalizada esta semana?"
    }
  ]
}

Conversaciones de varios turnos

Puedes incluir conversaciones con varios intercambios. El modelo aprende así a mantener la coherencia entre turnos: aquí, la segunda respuesta se basa en el paso 2 anunciado en la primera, algo que un ejemplo aislado no podría enseñar.

{
  "messages": [
    {
      "role": "system",
      "content": "Eres un asistente técnico para una API de pagos."
    },
    {
      "role": "user",
      "content": "¿Cómo integro vuestra API de pagos?"
    },
    {
      "role": "assistant",
      "content": "La integración se realiza en 3 pasos: 1) Instala el SDK con pip install paycorp-sdk, 2) Configura tu clave de API, 3) Crea tu primer pago. ¿Con qué paso te gustaría empezar?"
    },
    {
      "role": "user",
      "content": "¿Cómo configuro la clave de API?"
    },
    {
      "role": "assistant",
      "content": "Obtén tu clave desde el panel de control (Settings > API Keys) y configúrala en tu código:\n\nfrom paycorp import PayCorp\nclient = PayCorp(api_key=\"your_key\")\n\nUsa la clave de prueba (prefijo sk_test_) en desarrollo y la clave de producción (sk_live_) en producción. Nunca hagas commit de tus claves en el código fuente."
    }
  ]
}

Ponderación con weight

Puedes indicar al modelo qué mensajes de asistente son más importantes añadiendo un campo weight:

{
  "messages": [
    {"role": "user", "content": "Resume este documento."},
    {"role": "assistant", "content": "Aquí tienes el resumen...", "weight": 1}
  ]
}

Un weight de 0 significa que el modelo no se entrenará con ese mensaje de asistente concreto; el valor por defecto es 1. El caso de uso típico son las conversaciones de varios turnos donde solo importa el turno final: mantienes los intercambios anteriores porque proporcionan el contexto necesario, pero no quieres que el modelo aprenda a reproducirlos; basta con establecerlos a 0.

Script de creación de archivos JSONL

En la práctica, nunca escribirás este archivo a mano. La función siguiente serializa una lista de ejemplos y te protege de los dos errores más comunes: olvidar el salto de línea final y manejar mal el escape de acentos.

import json

def create_jsonl_file(examples: list[dict], path: str):
    """Crea un archivo JSONL a partir de una lista de ejemplos."""
    with open(path, "w", encoding="utf-8") as f:
        for example in examples:
            line = json.dumps(example, ensure_ascii=False)
            f.write(line + "\n")
    print(f"Archivo creado: {path} ({len(examples)} ejemplos)")

# Tus ejemplos
examples = [
    {
        "messages": [
            {"role": "system", "content": "Asistente de atención al cliente de TechCorp."},
            {"role": "user", "content": "Mi cuenta está bloqueada."},
            {"role": "assistant", "content": "Entiendo tu frustración. Para desbloquear tu cuenta, necesito tu dirección de correo de registro. Comprobaré el estado y te guiaré en el proceso de reactivación."}
        ]
    },
    {
        "messages": [
            {"role": "system", "content": "Asistente de atención al cliente de TechCorp."},
            {"role": "user", "content": "¿Cómo cambio mi contraseña?"},
            {"role": "assistant", "content": "Para cambiar la contraseña: ve a Settings > Security > Change Password. Introduce tu contraseña actual y luego la nueva (mínimo 12 caracteres, con mayúscula, número y carácter especial). Confirma y haz clic en Save."}
        ]
    }
]

create_jsonl_file(examples, "training_data.jsonl")

Los errores con los que te encontrarás son siempre los mismos y todos pueden detectarse antes de la subida. Un salto de línea faltante entre dos objetos fusiona dos ejemplos en una línea ilegible. Un JSON mal formado (comillas faltantes, comas extra) hace fallar toda la línea. Un content vacío desencadena un error de validación en el lado de OpenAI, al igual que un rol inventado: solo se aceptan system, user y assistant. Por último, escribe siempre en UTF-8 con ensure_ascii=False; de lo contrario, tus caracteres acentuados se convertirán en secuencias de escape que el modelo aprenderá concienzudamente a reproducir.

Puntos clave

  • Una línea JSONL = un objeto JSON = una conversación completa
  • Cada conversación contiene al menos un mensaje user y un mensaje assistant
  • El mensaje system es opcional, pero recomendado para garantizar la coherencia
  • Usa weight: 0 para excluir ciertos turnos del entrenamiento en conversaciones de varios turnos
  • Valida siempre tu archivo JSONL antes de subirlo