3 min. de lectura (aproximado)

Modelos de IA especializados: arquitecturas y flujos de procesamiento

La inteligencia artificial ha evolucionado hacia arquitecturas especializadas que optimizan distintos tipos de tareas. Cada modelo procesa la información de manera particular, transformando entradas en salidas a través de etapas definidas. A continuación se describen ocho de estos modelos, detallando sus flujos de trabajo según sus arquitecturas principales.

LLM o Modelo de Lenguaje Grande

Diseñado para chat, escritura y codificación, este modelo inicia con una entrada que pasa por tokenización y embedding. Posteriormente, las capas Transformer procesan la información hasta generar la predicción del siguiente token, lo que produce la salida final.

LCM, Modelo de Conceptos Grande

Orientado a textos largos y entornos multilingües, el proceso comienza con la entrada de texto, seguida de la segmentación de oraciones y el embedding SONAR. A continuación se aplica la difusión de conceptos, se predice la siguiente oración y se realiza la decodificación SONAR para obtener la salida de texto.

LAM o Modelo de Acción Grande

Enfocado en agentes que realizan acciones, la entrada de procesamiento llega al sistema de percepción y al reconocimiento de intención. Desde allí se bifurca hacia el desglose de tareas y el sistema de memoria, que alimentan la planificación de acciones y el razonamiento neurosimbólico. Estos elementos convergen en la ejecución de acciones y la integración de comentarios.

MoE o Mezcla de Expertos

Utilizado para escalar modelos grandes, la entrada pasa por un enrutador que realiza la selección Top-K. Esta selección dirige la información hacia varios expertos, cuyos resultados se combinan de forma ponderada para generar la salida.

VLM o Modelo de Lenguaje Visual

Especializado en la comprensión de imágenes y texto, procesa de forma paralela la entrada de imagen a través de un codificador de visión y la entrada de texto mediante un codificador de texto. Ambas se unen en la interfaz de proyección, continúan por el procesador multimodal y el modelo de lenguaje, y finalizan en la salida.

SLM o Modelo de Lenguaje Pequeño

Orientado a dispositivos y a un bajo costo computacional, inicia con el procesamiento de entrada, seguido de la compactación de tokens y un transformador eficiente. Desde este punto se aplican la cuantización de modelo y la optimización de memoria, que permiten el despliegue en el borde y producen la salida.

MLM o Modelo de Lenguaje Enmascarado

Empleado en búsqueda y clasificación, parte de la entrada de texto que se somete a enmascaramiento de tokens y a una capa de embedding. El procesamiento se divide en contexto izquierdo y contexto derecho, los cuales se integran mediante atención bidireccional para realizar la predicción de tokens enmascarados y generar la salida.

SAM o Segmentación de Todo

Destinado al recorte de objetos en imágenes, recibe de forma paralela la entrada de imagen a través de un codificador de imagen y la entrada de indicación mediante un codificador de indicación. Ambas convergen en el decodificador de máscaras, que produce las máscaras de segmentación y la salida final.

Estas arquitecturas ilustran cómo la especialización permite abordar de manera eficiente distintas modalidades y escalas de datos, desde el procesamiento de lenguaje hasta la interacción multimodal y la segmentación visual. Cada flujo refleja decisiones de diseño orientadas a optimizar rendimiento, eficiencia o capacidad de acción según el dominio de aplicación.