course/pr_1213/es/_app/immutable/nodes/4.6bf3e5e1.js

import{s as Se,n as Ue,o as ke}from"../chunks/scheduler.505acc25.js";import{S as Ge,i as Ie,e as s,s as n,c as m,h as Ne,a as r,d as a,b as i,f as ze,g as c,j as o,k as Be,l as De,m as l,n as p,t as d,o as u,p as f}from"../chunks/index.e22abd30.js";import{C as Fe,H as g,E as Oe}from"../chunks/MermaidChart.svelte_svelte_type_style_lang.a144e953.js";import{C as Ve}from"../chunks/CourseFloatingBanner.f0a2dc21.js";function Je(xe){let $,O,D,V,v,J,L,K,T,Q,x,Ce="En este capítulo te introdujiste en los fundamentos de los modelos Transformer, los Large Language Models y su impacto sobre la IA y más allá.",W,C,X,y,Y,M,ye="Exploramos qué es el PLN y cómo los Large Language Models han transformado el campo. Aprendiste que:",Z,h,Me="<li>el PLN abarca una amplia variedad de tareas, desde clasificación hasta generación.</li> <li>los LLMs son modelos potentes entrenados sobre cantidades masivas de texto.</li> <li>estos modelos pueden resolver muchas tareas con una única arquitectura.</li> <li>a pesar de sus capacidades, tienen limitaciones como alucinaciones y sesgos.</li>",ee,b,te,_,he="Viste cómo la función <code>pipeline()</code> de 🤗 Transformers facilita usar modelos preentrenados para varias tareas:",ae,q,be="<li>clasificación de texto, clasificación de tokens y question answering.</li> <li>generación de texto y resumen.</li> <li>traducción y otras tareas sequence-to-sequence.</li> <li>reconocimiento de voz y clasificación de imágenes.</li>",le,w,ne,H,_e="También repasamos cómo funcionan a alto nivel los modelos Transformer:",ie,P,qe="<li>la importancia del mecanismo de atención.</li> <li>cómo el transfer learning permite adaptar modelos a tareas concretas.</li> <li>las tres variantes arquitectónicas principales: solo encoder, solo decoder y encoder-decoder.</li>",se,A,re,E,we="<thead><tr><th>Modelo</th> <th>Ejemplos</th> <th>Tareas</th></tr></thead> <tbody><tr><td>Solo encoder</td> <td>BERT, DistilBERT, ModernBERT</td> <td>Clasificación de oraciones, NER, question answering extractivo</td></tr> <tr><td>Solo decoder</td> <td>GPT, LLaMA, Gemma, SmolLM</td> <td>Generación de texto, IA conversacional, escritura creativa</td></tr> <tr><td>Encoder-decoder</td> <td>BART, T5, Marian, mBART</td> <td>Resumen, traducción, question answering generativo</td></tr></tbody>",oe,j,me,R,He="También viste avances recientes del área:",ce,z,Pe="<li>cómo los LLMs han crecido en tamaño y capacidad.</li> <li>el enfoque de dos fases de pretraining e instruction tuning.</li> <li>mecanismos de atención especializados para secuencias largas.</li> <li>conceptos básicos de inferencia y generación.</li>",pe,B,de,S,Ae="A lo largo del capítulo viste cómo aplicar estos modelos a problemas reales:",ue,U,Ee="<li>usar el Hugging Face Hub para encontrar y reutilizar modelos.</li> <li>aprovechar la Inference API para probar modelos directamente desde el navegador.</li> <li>entender qué tipos de modelos encajan mejor con tareas concretas.</li>",fe,k,$e,G,je="Ahora que tienes una base sólida sobre qué son los modelos Transformer y cómo funcionan a alto nivel, ya puedes profundizar en su uso práctico. En los siguientes capítulos aprenderás a:",ge,I,Re="<li>cargar y ajustar modelos con la librería Transformers.</li> <li>procesar distintos tipos de datos para usarlos como entrada.</li> <li>adaptar modelos preentrenados a tareas concretas.</li> <li>desplegar modelos en aplicaciones prácticas.</li>",ve,N,Le,F,Te;return v=new Fe({props:{containerStyle:"float: right; margin-left: 10px; display: inline-flex; position: relative; z-index: 10;"}}),L=new g({props:{title:"Resumen",local:"summary",headingTag:"h1"}}),T=new Ve({props:{chapter:1,classNames:"absolute z-10 right-0 top-0"}}),C=new g({props:{title:"Conceptos clave cubiertos",local:"conceptos-clave-cubiertos",headingTag:"h2"}}),y=new g({props:{title:"Procesamiento de lenguaje natural y LLMs",local:"procesamiento-de-lenguaje-natural-y-llms",headingTag:"h3"}}),b=new g({props:{title:"Capacidades de los Transformers",local:"capacidades-de-los-transformers",headingTag:"h3"}}),w=new g({props:{title:"Arquitectura Transformer",local:"arquitectura-transformer",headingTag:"h3"}}),A=new g({props:{title:"Arquitecturas y aplicaciones",local:"arquitecturas-y-aplicaciones",headingTag:"h3"}}),j=new g({props:{title:"Desarrollos modernos en LLMs",local:"desarrollos-modernos-en-llms",headingTag:"h3"}}),B=new g({props:{title:"Aplicaciones prácticas",local:"aplicaciones-prácticas",headingTag:"h3"}}),k=new g({props:{title:"Mirando hacia adelante",local:"mirando-hacia-adelante",headingTag:"h2"}}),N=new Oe({props:{source:"https://github.com/huggingface/course/blob/main/chapters/es/chapter1/10.mdx"}}),{c(){$=s("meta"),O=n(),D=s("p"),V=n(),m(v.$$.fragment),J=n(),m(L.$$.fragment),K=n(),m(T.$$.fragment),Q=n(),x=s("p"),x.textContent=Ce,W=n(),m(C.$$.fragment),X=n(),m(y.$$.fragment),Y=n(),M=s("p"),M.textContent=ye,Z=n(),h=s("ul"),h.innerHTML=Me,ee=n(),m(b.$$.fragment),te=n(),_=s("p"),_.innerHTML=he,ae=n(),q=s("ul"),q.innerHTML=be,le=n(),m(w.$$.fragment),ne=n(),H=s("p"),H.textContent=_e,ie=n(),P=s("ul"),P.innerHTML=qe,se=n(),m(A.$$.fragment),re=n(),E=s("table"),E.innerHTML=we,oe=n(),m(j.$$.fragment),me=n(),R=s("p"),R.textContent=He,ce=n(),z=s("ul"),z.innerHTML=Pe,pe=n(),m(B.$$.fragment),de=n(),S=s("p"),S.textContent=Ae,ue=n(),U=s("ul"),U.innerHTML=Ee,fe=n(),m(k.$$.fragment),$e=n(),G=s("p"),G.textContent=je,ge=n(),I=s("ul"),I.innerHTML=Re,ve=n(),m(N.$$.fragment),Le=n(),F=s("p"),this.h()},l(e){const t=Ne("svelte-u9bgzb",document.head);$=r(t,"META",{name:!0,content:!0}),t.forEach(a),O=i(e),D=r(e,"P",{}),ze(D).forEach(a),V=i(e),c(v.$$.fragment,e),J=i(e),c(L.$$.fragment,e),K=i(e),c(T.$$.fragment,e),Q=i(e),x=r(e,"P",{"data-svelte-h":!0}),o(x)!=="svelte-qpbkl3"&&(x.textContent=Ce),W=i(e),c(C.$$.fragment,e),X=i(e),c(y.$$.fragment,e),Y=i(e),M=r(e,"P",{"data-svelte-h":!0}),o(M)!=="svelte-1urstj2"&&(M.textContent=ye),Z=i(e),h=r(e,"UL",{"data-svelte-h":!0}),o(h)!=="svelte-14mdesw"&&(h.innerHTML=Me),ee=i(e),c(b.$$.fragment,e),te=i(e),_=r(e,"P",{"data-svelte-h":!0}),o(_)!=="svelte-j4wss3"&&(_.innerHTML=he),ae=i(e),q=r(e,"UL",{"data-svelte-h":!0}),o(q)!=="svelte-35tdaf"&&(q.innerHTML=be),le=i(e),c(w.$$.fragment,e),ne=i(e),H=r(e,"P",{"data-svelte-h":!0}),o(H)!=="svelte-19rr4s5"&&(H.textContent=_e),ie=i(e),P=r(e,"UL",{"data-svelte-h":!0}),o(P)!=="svelte-zno0x3"&&(P.innerHTML=qe),se=i(e),c(A.$$.fragment,e),re=i(e),E=r(e,"TABLE",{"data-svelte-h":!0}),o(E)!=="svelte-1owq0q1"&&(E.innerHTML=we),oe=i(e),c(j.$$.fragment,e),me=i(e),R=r(e,"P",{"data-svelte-h":!0}),o(R)!=="svelte-1f1qka"&&(R.textContent=He),ce=i(e),z=r(e,"UL",{"data-svelte-h":!0}),o(z)!=="svelte-4onpvp"&&(z.innerHTML=Pe),pe=i(e),c(B.$$.fragment,e),de=i(e),S=r(e,"P",{"data-svelte-h":!0}),o(S)!=="svelte-1m0epmn"&&(S.textContent=Ae),ue=i(e),U=r(e,"UL",{"data-svelte-h":!0}),o(U)!=="svelte-he7wnt"&&(U.innerHTML=Ee),fe=i(e),c(k.$$.fragment,e),$e=i(e),G=r(e,"P",{"data-svelte-h":!0}),o(G)!=="svelte-ylosvk"&&(G.textContent=je),ge=i(e),I=r(e,"UL",{"data-svelte-h":!0}),o(I)!=="svelte-mlm691"&&(I.innerHTML=Re),ve=i(e),c(N.$$.fragment,e),Le=i(e),F=r(e,"P",{}),ze(F).forEach(a),this.h()},h(){Be($,"name","hf:doc:metadata"),Be($,"content",Ke)},m(e,t){De(document.head,$),l(e,O,t),l(e,D,t),l(e,V,t),p(v,e,t),l(e,J,t),p(L,e,t),l(e,K,t),p(T,e,t),l(e,Q,t),l(e,x,t),l(e,W,t),p(C,e,t),l(e,X,t),p(y,e,t),l(e,Y,t),l(e,M,t),l(e,Z,t),l(e,h,t),l(e,ee,t),p(b,e,t),l(e,te,t),l(e,_,t),l(e,ae,t),l(e,q,t),l(e,le,t),p(w,e,t),l(e,ne,t),l(e,H,t),l(e,ie,t),l(e,P,t),l(e,se,t),p(A,e,t),l(e,re,t),l(e,E,t),l(e,oe,t),p(j,e,t),l(e,me,t),l(e,R,t),l(e,ce,t),l(e,z,t),l(e,pe,t),p(B,e,t),l(e,de,t),l(e,S,t),l(e,ue,t),l(e,U,t),l(e,fe,t),p(k,e,t),l(e,$e,t),l(e,G,t),l(e,ge,t),l(e,I,t),l(e,ve,t),p(N,e,t),l(e,Le,t),l(e,F,t),Te=!0},p:Ue,i(e){Te||(d(v.$$.fragment,e),d(L.$$.fragment,e),d(T.$$.fragment,e),d(C.$$.fragment,e),d(y.$$.fragment,e),d(b.$$.fragment,e),d(w.$$.fragment,e),d(A.$$.fragment,e),d(j.$$.fragment,e),d(B.$$.fragment,e),d(k.$$.fragment,e),d(N.$$.fragment,e),Te=!0)},o(e){u(v.$$.fragment,e),u(L.$$.fragment,e),u(T.$$.fragment,e),u(C.$$.fragment,e),u(y.$$.fragment,e),u(b.$$.fragment,e),u(w.$$.fragment,e),u(A.$$.fragment,e),u(j.$$.fragment,e),u(B.$$.fragment,e),u(k.$$.fragment,e),u(N.$$.fragment,e),Te=!1},d(e){e&&(a(O),a(D),a(V),a(J),a(K),a(Q),a(x),a(W),a(X),a(Y),a(M),a(Z),a(h),a(ee),a(te),a(_),a(ae),a(q),a(le),a(ne),a(H),a(ie),a(P),a(se),a(re),a(E),a(oe),a(me),a(R),a(ce),a(z),a(pe),a(de),a(S),a(ue),a(U),a(fe),a($e),a(G),a(ge),a(I),a(ve),a(Le),a(F)),a($),f(v,e),f(L,e),f(T,e),f(C,e),f(y,e),f(b,e),f(w,e),f(A,e),f(j,e),f(B,e),f(k,e),f(N,e)}}}const Ke='{"title":"Resumen","local":"summary","sections":[{"title":"Conceptos clave cubiertos","local":"conceptos-clave-cubiertos","sections":[{"title":"Procesamiento de lenguaje natural y LLMs","local":"procesamiento-de-lenguaje-natural-y-llms","sections":[],"depth":3},{"title":"Capacidades de los Transformers","local":"capacidades-de-los-transformers","sections":[],"depth":3},{"title":"Arquitectura Transformer","local":"arquitectura-transformer","sections":[],"depth":3},{"title":"Arquitecturas y aplicaciones","local":"arquitecturas-y-aplicaciones","sections":[],"depth":3},{"title":"Desarrollos modernos en LLMs","local":"desarrollos-modernos-en-llms","sections":[],"depth":3},{"title":"Aplicaciones prácticas","local":"aplicaciones-prácticas","sections":[],"depth":3}],"depth":2},{"title":"Mirando hacia adelante","local":"mirando-hacia-adelante","sections":[],"depth":2}],"depth":1}';function Qe(xe){return ke(()=>{new URLSearchParams(window.location.search).get("fw")}),[]}class et extends Ge{constructor($){super(),Ie(this,$,Qe,Je,Se,{})}}export{et as component};