Hiperparámetros: épocas, tasa de aprendizaje, tamaño de lote
En esta página
Actualización 2 de noviembre de 2026 — Disponibilidad del ajuste fino. El servicio de ajuste fino de autoservicio de OpenAI está siendo retirado gradualmente: desde el 7 de mayo de 2026, las organizaciones que nunca han ejecutado un trabajo de ajuste fino ya no pueden crear uno; desde el 2 de julio, debes haber utilizado un modelo ajustado fino en los últimos 60 días; y a partir del 6 de enero de 2027, ningún cliente podrá lanzar nuevos trabajos. Los modelos ya entrenados siguen 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 papel de los hiperparámetros
Tus datos describen qué debe aprender el modelo; los hiperparámetros describen cómo lo aprende. Por defecto, OpenAI selecciona automáticamente valores razonables basándose en el tamaño de tu conjunto de datos, y para un primer trabajo, esa es la decisión correcta. Pero cuando un modelo rinde por debajo de lo esperado a pesar de contar con un corpus limpio, la diferencia casi siempre reside en estos ajustes, y modificarlos manualmente puede mejorar significativamente los resultados.
El número de épocas
Una época es un paso completo a través de todo tu conjunto de datos de entrenamiento. Cuantas más épocas ejecutes, más veces verá el modelo cada ejemplo y más detalle retendrá. Con pocas épocas, el modelo no ha aprendido lo suficiente: esto es un infraajuste (underfitting), y tus respuestas seguirán pareciéndose a las del modelo base. Con demasiadas épocas, memoriza los ejemplos en lugar de generalizar: esto es un sobreajuste (overfitting), y el modelo recitará tus cien respuestas de entrenamiento en cuanto una pregunta se parezca vagamente a una de ellas, mientras que fallará estrepitosamente con formulaciones no vistas.
job = client.fine_tuning.jobs.create(
training_file=training_file.id,
model="gpt-5.6-luna",
hyperparameters={
"n_epochs": 3
}
)
La configuración adecuada depende directamente del volumen de tus datos: cuantos menos ejemplos tengas, más veces necesitarás pasar sobre ellos para que la señal se asiente.
| Tamaño del conjunto de datos | Épocas recomendadas | Motivo |
|---|---|---|
| 50–100 ejemplos | 4–8 | Pocos datos, necesita más pasadas |
| 100–500 ejemplos | 2–4 | Buen equilibrio entre aprendizaje y generalización |
| +500 ejemplos | 1–2 | Suficientes datos, riesgo de sobreajuste |
El multiplicador de la tasa de aprendizaje
La tasa de aprendizaje controla la magnitud de los ajustes aplicados a los pesos del modelo en cada paso de entrenamiento. Si se establece demasiado alta, el modelo corrige de forma demasiado agresiva en cada paso, oscila alrededor de la respuesta correcta y no logra converger; si se establece demasiado baja, aprende muy despacio, o nada en absoluto, dejándote al final del entrenamiento con un modelo casi idéntico al inicial.
job = client.fine_tuning.jobs.create(
training_file=training_file.id,
model="gpt-5.6-luna",
hyperparameters={
"learning_rate_multiplier": 1.8
}
)
El valor por defecto lo calcula automáticamente OpenAI en función del tamaño de tu conjunto de datos. En la práctica, el rango de 1,0–2,0 coincide con este comportamiento predeterminado y se adapta a la mayoría de los casos. Bajar a 0,5–1,0 hace que el aprendizaje sea más cauteloso, lo cual ayuda en conjuntos de datos pequeños donde unos pocos ejemplos atípicos podrían desviar demasiado al modelo. Superar el 2,0 produce un aprendizaje agresivo, reservado para situaciones en las que hayas observado que el modelo no avanza lo suficiente, y debe verificarse inmediatamente frente a la pérdida de validación.
El tamaño de lote
El tamaño de lote determina cuántos ejemplos se procesan juntos antes de actualizar los pesos del modelo. Un lote pequeño produce actualizaciones frecuentes: el aprendizaje es más ruidoso, ya que cada ejemplo pesa mucho en la corrección, pero también es más sensible. Un lote grande promedia más ejemplos antes de cada corrección, lo que da lugar a actualizaciones menos frecuentes y un aprendizaje más estable: esta es la palanca que debes accionar cuando tus curvas presentan fluctuaciones sin motivo aparente.
job = client.fine_tuning.jobs.create(
training_file=training_file.id,
model="gpt-5.6-luna",
hyperparameters={
"batch_size": 4
}
)
No tienes que ajustar estos parámetros por separado: los tres van en el mismo diccionario.
job = client.fine_tuning.jobs.create(
training_file=training_file.id,
validation_file=validation_file.id,
model="gpt-5.6-luna",
suffix="optimise-v2",
hyperparameters={
"n_epochs": 3,
"learning_rate_multiplier": 1.5,
"batch_size": 4
}
)
Un método de optimización
El error clásico es cambiar los tres valores a la vez, observar una mejora y no tener ni idea de cuál la provocó. Procede en este orden:
- Primera ejecución: deja los valores por defecto (auto)
- Analiza la pérdida: si la pérdida de entrenamiento baja pero la de validación sube, estás sufriendo sobreajuste
- Ajusta un parámetro a la vez: nunca cambies todo a la vez
- Documenta cada ejecución: anota los hiperparámetros y los resultados
Este registro no es solo papeleo. Para la tercera o cuarta ejecución, una tabla que vincule un ID de trabajo, los hiperparámetros utilizados y el resultado observado superará siempre a tu memoria. Así es como debes interpretar los síntomas más comunes.
| Síntoma observado | Corrección a intentar |
|---|---|
| La pérdida de entrenamiento no baja | Aumenta la tasa de aprendizaje o el número de épocas |
| La pérdida de validación sube | Reduce el número de épocas, aumenta el tamaño de lote |
| Resultados inestables | Reduce la tasa de aprendizaje |
| Modelo demasiado similar al modelo base | Aumenta el número de épocas |
El valor “auto”
Si no especificas un hiperparámetro, OpenAI elige automáticamente un valor óptimo. Por tanto, nunca estás obligado a rellenarlo todo: configura lo que quieras controlar y deja el resto al ajuste automático. Este suele ser el mejor punto de partida y te proporciona una línea base con la que comparar tus ajustes posteriores.
# Solo se establece n_epochs; el resto es auto
job = client.fine_tuning.jobs.create(
training_file=training_file.id,
model="gpt-5.6-luna",
hyperparameters={
"n_epochs": 3
# learning_rate_multiplier y batch_size serán auto
}
)
Puntos clave
- Empieza siempre con los valores por defecto (auto) antes de ajustar
n_epochs: ajústalo primero, basándote en el tamaño de tus datoslearning_rate_multiplier: ajústalo si la convergencia es demasiado lenta o inestablebatch_size: ajústalo si el entrenamiento es ruidoso- Cambia solo un hiperparámetro a la vez para comprender su impacto
- Utiliza siempre un archivo de validación para detectar el sobreajuste