# Hugging Face afirma que un modelo predice mejor el tiempo de fine-tuning

- Publicada: 2026-11-18T18:53:43.000Z
- Actualizada: 2026-11-18T22:05:35.640Z
- Sección: Desarrollo
- Temas: Investigación
- Página: https://aidailyjournal.com/es/n/2026/11/18/hugging-face-says-a-model-predicts-fine-tuning-time-more-accurately/
- Fuentes: [Hugging Face](https://huggingface.co/blog/Dharma-AI/predicting-fine-tuning-time)

## Resumen

En un adelanto de un artículo que todavía no se publicó en arXiv, Hugging Face analizó 272 trabajos de supervised fine-tuning (SFT) ejecutados en su conjunto de GPUs NVIDIA H200, con un total de unas 7.382 horas de GPU. La empresa afirma que la estimación basada solo en FLOPs explicó poco de las duraciones observadas (R² = 0,31; error absoluto medio de 12,41 horas), mientras que un regresor CatBoost alcanzó R² = 0,98, un error medio de 1,71 horas y un error mediano de 0,51 horas en validación cruzada de cinco partes.

El modelo usa información disponible antes de asignar el trabajo, como configuración, tamaño de los datos, modelo, asignación de GPUs, frecuencia de evaluación y política de puntos de control. Hugging Face afirma que los cálculos de FLOPs no capturan adecuadamente tareas como la preparación del entorno, la carga, la tokenización, las evaluaciones, las cargas de archivos y la competencia por red y almacenamiento en clústeres compartidos.

## Por qué importa (interpretación editorial)

Si los resultados se mantienen después de la publicación y validación del artículo, las estimaciones de duración que consideran la configuración completa del trabajo podrían ayudar a los equipos a planificar mejor los procesos de fine-tuning que las métricas basadas solo en FLOPs. El estudio también destaca el impacto operativo de las evaluaciones, los checkpoints y los recursos compartidos en el tiempo total.

_Resumen escrito por AI Daily Journal con palabras propias, a partir de las fuentes anteriores. Para más detalles, lee los artículos originales._
