Hands-On Large Language Models

Guía práctica y visual orientada a dominar la tecnología detrás de los modelos de lenguaje grande (LLMs), fruto de la colaboración entre Jay Alammar (autor de referentes didácticos visuales sobre Transformers) y Maarten Grootendorst (creador de BERTopic). Está orientada a desarrolladores de software, científicos de datos e ingenieros de machine learning de nivel intermedio que programan en Python y quieren asimilar con claridad cómo funcionan los LLMs y cómo explotarlos en aplicaciones del mundo real, sin atascarse en formulaciones matemáticas impenetrables.

La obra aborda tanto modelos de representación (encoders como BERT) como modelos generativos (decoders como GPT, Llama o Mistral). Enseña la mecánica detallada de tokenizadores, embeddings vectoriales y el mecanismo de atención multicabezal, para luego cubrir tareas prácticas con herramientas del ecosistema de código abierto: clasificación de texto, agrupamiento y modelado de temas con BERTopic, ingeniería de prompts avanzada, técnicas de muestreo, búsqueda semántica y Retrieval-Augmented Generation (RAG). Además, abarca modelos multimodales (como CLIP o LLaVA) y el entrenamiento y ajuste fino con Hugging Face Transformers, Datasets, Sentence-Transformers, PEFT (LoRA/QLoRA), UMAP, HDBSCAN y Scikit-learn.

Mediante cuadernos prácticos ejecutables en Google Colab, se desarrollan sistemas completos de detección y categorización temática en corpus documentales, motores de búsqueda densa con reordenadores neuronales y flujos RAG, así como el ajuste fino guiado de un modelo generativo de parámetros abiertos con LoRA. Es uno de los libros más intuitivos y pedagógicos publicados hasta la fecha gracias a cientos de diagramas explicativos a color originales que abren la caja negra de la arquitectura Transformer. No profundiza en programación de bajo nivel con núcleos CUDA ni orquestación de clústeres distribuidos gigantes, sino que privilegia la comprensión conceptual sólida y el dominio práctico de las librerías líderes del sector.