Los parámetros de un modelo de inteligencia artificial son los valores numéricos internos (principalmente los pesos de la red neuronal) que el modelo ajusta durante el entrenamiento y que almacenan lo que ha aprendido. En conjunto, los parámetros determinan cómo el modelo transforma una entrada en una salida; cuando se entrena, lo que cambia son justamente estos números.
El número de parámetros suele usarse como medida aproximada del tamaño y la capacidad de un modelo, y se expresa en miles de millones («B», de billion). Los modelos grandes pueden tener desde varios miles de millones hasta cientos de miles de millones de parámetros. Más parámetros pueden aportar más capacidad, pero también exigen más cómputo y memoria.
Conviene aclarar que tamaño no es todo: la calidad de los datos y la arquitectura importan tanto como el recuento. Además, los grandes laboratorios cerrados como OpenAI, Anthropic y Google no suelen revelar cuántos parámetros tienen sus modelos frontera; las cifras públicas se conocen sobre todo en modelos de pesos abiertos.
Noticias relacionadas
Preguntas frecuentes
¿Más parámetros significa un modelo mejor?
No necesariamente. Más parámetros pueden aumentar la capacidad, pero la calidad de los datos de entrenamiento, la arquitectura y el ajuste fino influyen tanto o más. Modelos más pequeños y bien entrenados a veces superan a otros más grandes.
¿Cuántos parámetros tiene GPT o Claude?
Los laboratorios cerrados como OpenAI, Anthropic y Google no publican el recuento de parámetros de sus modelos frontera. Las cifras concretas se conocen sobre todo en modelos de pesos abiertos, como algunos de Llama, Qwen o DeepSeek.
