1 Del texto a los tokens
Cómo recibe texto un LLM, qué es un token y por qué no equivale necesariamente a una palabra.
10 min · contenido propio del manual
Cómo funciona y cómo pensar un LLM
Entendé qué ocurre desde que una aplicación prepara una consulta hasta que un modelo genera una respuesta: tokens, representaciones, Transformer, attention, parámetros, contexto, probabilidades, razonamiento y selección de modelos.
Objetivo: Construir un modelo mental técnicamente correcto de cómo un LLM procesa contexto y genera texto, sin confundirlo con una base de datos, un buscador ni una persona.
14 unidades · aprox. 178 min de lectura · Última revisión: 2026-10-03
Unidades en orden
-
-
2 De tokens a representaciones numéricas
Identificadores, vectores, embeddings internos, posición y representación contextual.
12 min · contenido propio del manual
-
3 Arquitectura Transformer
Bloques, capas, attention, redes feed-forward, posición y procesamiento de secuencias.
12 min · contenido propio del manual
-
4 Attention y relaciones dentro del contexto
Cómo el mecanismo de self-attention relaciona tokens y construye representaciones dependientes del contexto.
12 min · contenido propio del manual
-
5 Capas, parámetros y pesos
Qué se ajusta durante el entrenamiento y qué se utiliza durante la inferencia.
11 min · contenido propio del manual
-
6 Predicción del siguiente token
La distribución de probabilidades y la generación iterativa de una secuencia.
10 min · contenido propio del manual
-
7 Cómo se genera una respuesta completa
Input, output, prompt, instrucciones, historial, contexto, paradas y límites de longitud.
12 min · contenido propio del manual
-
8 Qué información recibe realmente un LLM
Cómo una aplicación compone instrucciones, historial, documentos y tools en el contexto efectivo.
15 min · contenido propio del manual
-
9 Temperatura, probabilidades y muestreo
Sampling, temperatura, top-p, top-k, seed, variabilidad y determinismo aproximado.
12 min · contenido propio del manual
-
10 Ventana de contexto e historial
Qué cabe en una llamada y por qué una ventana de contexto no es memoria persistente.
13 min · contenido propio del manual
-
11 Por qué un LLM puede equivocarse y por qué no es una fuente de verdad
Alucinaciones, conocimiento incompleto, contexto insuficiente, sesgos, fuentes, grounding y verificación.
14 min · contenido propio del manual
-
12 ¿Un LLM razona?
Cómo hablar de resolución de problemas e inferencia sin atribuirle una mente humana.
13 min · contenido propio del manual
-
13 Tipos de modelos y cómo elegir uno
Modelos rápidos, de razonamiento, grandes, pequeños, generalistas y especializados: criterios de selección.
14 min · contenido propio del manual
-
14 Modelo mental, resumen y autoevaluación
Mapa conceptual, analogía del profesional nuevo y 16 preguntas con respuestas razonadas.
18 min · contenido propio del manual
Cómo continúa el recorrido
M2 retoma los fundamentos de M1 y prepara el Módulo 3, Prompt Engineering, y el Módulo 4, Context Engineering.
El siguiente módulo continúa planificado y se publicará cuando tenga contenido editorial propio.